Microsoft 診斷系統登《Science》：準確率超醫生兩倍，成本壓低過半

去醫院看病，最怕的不是排隊，而是查來查去查不出病因，或者一堆檢查做下來錢花了不少，診斷還是模稜兩可。

微軟給出了一個挺大膽的解法。10 月 22 日，微軟 AI 團隊在《Science》雜誌發表論文，公佈了他們的醫療診斷系統 MAI-DxO。這套系統在多項複雜病例測試中，診斷準確率大幅超過了人類醫生，同時把檢查成本砍掉了一大截。

微軟 AI 負責人 Mustafa Suleyman 直言，這是他們邁向「醫療超級智慧」的一步。

虛擬醫生會診，先算賬再開單

傳統的醫療 AI 評測喜歡拿美國醫師資格考試（USMLE）當考卷，把所有症狀、化驗單一次性餵給模型選答案。但現實裡醫生看病絕非如此，大家都是摸著石頭過河：問幾句、開兩項檢查、看到結果再調整懷疑方向。

微軟這次做了一個叫 SDBench 的基準，逼著 AI 像醫生一樣按步驟推斷。不僅看最終對不對，還記錄你問了什麼問題、開了什麼檢查、花掉了多少錢。

MAI-DxO 的核心做法不是單打獨鬥，而是讓一群由大模型扮演的「虛擬專家」開辯論會。一個專家提出懷疑，另一個挑刺找漏洞，大家互相盤問，權衡每項檢查的必要性和價格，多輪討論後再定奪。

這套機制在兩組病例上測出了驚人的數字。一組是選自《新英格蘭醫學雜誌》（NEJM）的 304 例罕見疑難雜症，MAI-DxO 拿下了 83% 的準確率；相比之下，普通內科醫生在可以翻書查資料的情況下只有 36% 準確率，不給查資料時更是跌到 22%。

另一組是 MIMIC-IV-ED 的真實急診病例，MAI-DxO 準確率做到 80%，人類醫生只有 47%。更厲害的是在控費模式下，它能用不到一半的檢查成本維持 81% 的準確度。

底座越好編排越靈，但急診室裡還沒拉開差距

仔細看《TechCrunch》披露的實測資料，事情其實更有層次。

MAI-DxO 本身是個「指揮官」，底層可以用 OpenAI、Google、Anthropic 等各家的模型。實測顯示，給底層較弱的模型搭上這套多智慧體辯論機制，提升最明顯：Gemini 2.5 Flash 單打獨鬥只有 46.4% 準確率，加上 MAI-DxO 直接拉到接近 69%。

但如果換成 GPT-5，它自己裸跑就能拿 78.9% 準確率，只是單個病例呼叫成本高達 8400 美元左右。套上 MAI-DxO 後，成本壓低了約 3000 美元，準確率小漲 4 個百分點到 83% 上下。再換到 2026 年 4 月釋出的 GPT-5.5，疑難雜症準確率從 72% 飆到了將近 87%。

不過在急診病例上，不管是 GPT-5 還是 GPT-5.5，加不加這套辯論編排，成績都在 85% 上下，成本也拉不開差距。看起來常規流水線式的急診分流，更吃底座本身的直覺，不需要一幫虛擬專家反覆坐下來開會。

另外還有一個背景：評測裡被對比的人類醫生，主要是初級保健醫生和全科內科醫生獨自作答，而《新英格蘭醫學雜誌》這種級別的疑難病例，在現實中往往直接交給多學科專家組會診。這項對比裡並沒有納入人類專家團隊的資料。

微軟正在把 SDBench 針對部分 NEJM 病例的程式碼、裁判系統和成本評估工具開源。下一步，他們拉上了波士頓的貝斯以色列女伯爵醫學中心，打算讓真實患者直接和這套系統互動，在週五晚上擁擠雜亂的急診室裡摸摸底。

為什麼重要

對於每天面對海量病患的基層全科醫生來說，如果身邊常駐一個不知疲倦、還會幫你盤算怎麼少花錢的副駕駛，能極大緩解診斷壓力。但普通人現在還不必急著用它自我診療，一來系統還沒進臨床，二來它眼下更適合作為輔助工具提供第二意見，而不是直接替代看診。

在行業層面，微軟、Google 和 OpenAI 都在爭搶醫療制高點。微軟這次展現了一條很聰明的路徑：不光比誰答得準，還把「檢查成本」和「互動推理路徑」放進了評測指標。這逼著全行業從單純刷資格考試分數，轉向模擬真實的臨床決策流程。

不過隱患也寫在明處。根據 TechCrunch 的資料，只要底座模型本身足夠聰明，編排系統在常規急診病例上的優勢微乎其微；而且把全科醫生單挑的結果拿來對比專家的罕見病例，多少放大了 AI 的戰績。未來它在波士頓急診室的真實落地，能否抗住嘈雜的病史採集和突發狀況，才是真正的分水嶺。