Microsoft 诊断系统登《Science》：准确率超医生两倍，成本压低过半

去医院看病，最怕的不是排队，而是查来查去查不出病因，或者一堆检查做下来钱花了不少，诊断还是模棱两可。

微软给出了一个挺大胆的解法。10 月 22 日，微软 AI 团队在《Science》杂志发表论文，公布了他们的医疗诊断系统 MAI-DxO。这套系统在多项复杂病例测试中，诊断准确率大幅超过了人类医生，同时把检查成本砍掉了一大截。

微软 AI 负责人 Mustafa Suleyman 直言，这是他们迈向「医疗超级智能」的一步。

虚拟医生会诊，先算账再开单

传统的医疗 AI 评测喜欢拿美国医师资格考试（USMLE）当考卷，把所有症状、化验单一次性喂给模型选答案。但现实里医生看病绝非如此，大家都是摸着石头过河：问几句、开两项检查、看到结果再调整怀疑方向。

微软这次做了一个叫 SDBench 的基准，逼着 AI 像医生一样按步骤推断。不仅看最终对不对，还记录你问了什么问题、开了什么检查、花掉了多少钱。

MAI-DxO 的核心做法不是单打独斗，而是让一群由大模型扮演的「虚拟专家」开辩论会。一个专家提出怀疑，另一个挑刺找漏洞，大家互相盘问，权衡每项检查的必要性和价格，多轮讨论后再定夺。

这套机制在两组病例上测出了惊人的数字。一组是选自《新英格兰医学杂志》（NEJM）的 304 例罕见疑难杂症，MAI-DxO 拿下了 83% 的准确率；相比之下，普通内科医生在可以翻书查资料的情况下只有 36% 准确率，不给查资料时更是跌到 22%。

另一组是 MIMIC-IV-ED 的真实急诊病例，MAI-DxO 准确率做到 80%，人类医生只有 47%。更厉害的是在控费模式下，它能用不到一半的检查成本维持 81% 的准确度。

底座越好编排越灵，但急诊室里还没拉开差距

仔细看《TechCrunch》披露的实测数据，事情其实更有层次。

MAI-DxO 本身是个「指挥官」，底层可以用 OpenAI、Google、Anthropic 等各家的模型。实测显示，给底层较弱的模型搭上这套多智能体辩论机制，提升最明显：Gemini 2.5 Flash 单打独斗只有 46.4% 准确率，加上 MAI-DxO 直接拉到接近 69%。

但如果换成 GPT-5，它自己裸跑就能拿 78.9% 准确率，只是单个病例调用成本高达 8400 美元左右。套上 MAI-DxO 后，成本压低了约 3000 美元，准确率小涨 4 个百分点到 83% 上下。再换到 2026 年 4 月发布的 GPT-5.5，疑难杂症准确率从 72% 飙到了将近 87%。

不过在急诊病例上，不管是 GPT-5 还是 GPT-5.5，加不加这套辩论编排，成绩都在 85% 上下，成本也拉不开差距。看起来常规流水线式的急诊分流，更吃底座本身的直觉，不需要一帮虚拟专家反复坐下来开会。

另外还有一个背景：评测里被对比的人类医生，主要是初级保健医生和全科内科医生独自作答，而《新英格兰医学杂志》这种级别的疑难病例，在现实中往往直接交给多学科专家组会诊。这项对比里并没有纳入人类专家团队的数据。

微软正在把 SDBench 针对部分 NEJM 病例的代码、裁判系统和成本评估工具开源。下一步，他们拉上了波士顿的贝斯以色列女伯爵医学中心，打算让真实患者直接和这套系统互动，在周五晚上拥挤杂乱的急诊室里摸摸底。

为什么重要

对于每天面对海量病患的基层全科医生来说，如果身边常驻一个不知疲倦、还会帮你盘算怎么少花钱的副驾驶，能极大缓解诊断压力。但普通人现在还不必急着用它自我诊疗，一来系统还没进临床，二来它眼下更适合作为辅助工具提供第二意见，而不是直接替代看诊。

在行业层面，微软、Google 和 OpenAI 都在争抢医疗制高点。微软这次展现了一条很聪明的路径：不光比谁答得准，还把「检查成本」和「交互推理路径」放进了评测指标。这逼着全行业从单纯刷资格考试分数，转向模拟真实的临床决策流程。

不过隐患也写在明处。根据 TechCrunch 的数据，只要底座模型本身足够聪明，编排系统在常规急诊病例上的优势微乎其微；而且把全科医生单挑的结果拿来对比专家的罕见病例，多少放大了 AI 的战绩。未来它在波士顿急诊室的真实落地，能否抗住嘈杂的病史采集和突发状况，才是真正的分水岭。