Sistemul AI MAI-DxO de la Microsoft depășește medicii generaliști în diagnosticarea cazurilor complexe

Microsoft a dezvoltat sistemul de diagnosticare MAI-DxO, care a depășit medicii generaliști în rezolvarea cazurilor medicale complexe. Într-un studiu publicat la 22 octombrie 2026 în revista Science, sistemul a raportat o acuratețe de 83,2% pe baza dosarelor de caz din New England Journal of Medicine, în timp ce medicii care au utilizat materiale de referință au obținut o precizie de 36,1%. Studiul, intitulat „Diagnosticul secvențial cu modele lingvistice”, a fost publicat în volumul 394, numărul 6822 al revistei Science. Lucrarea a fost realizată de 15 angajați Microsoft, inclusiv directorul executiv al Microsoft AI, Mustafa Suleyman, Dominic King și Eric Horvitz. Microsoft susține că este mai aproape de „superinteligența medicală” după ce noul sistem de AI a depășit performanțele medicilor în diagnostice complicate. Giganții tech concurează pentru dezvoltarea superinteligenței, cu scopul de a transforma sistemele de sănătate globale. Experimentul a comparat sistemul AI cu 21 de medici experimentați, utilizând 304 cazuri reale din New England Journal of Medicine. Instrumentul AI a identificat diagnosticul corect în până la 85,5% din cazuri, performanță de aproximativ patru ori mai mare decât cea a grupului de medici din SUA și Marea Britanie (cu experiență între 5 și 20 de ani). Modelul a fost mai eficient din punct de vedere al costurilor, solicitând mai puține investigații.

Evaluarea a fost realizată folosind Sequential Diagnosis Benchmark (SDBench), un reper de diagnosticare interactivă desfășurată pas cu pas. SDBench a transformat 304 de cazuri de la conferințe clinico-patologice din New England Journal of Medicine și 325 de cazuri de la camera de gardă (din setul de date MIMIC-IV-ED) în parcursuri interactive. Utilizatorii (medici sau AI) pot adresa întrebări despre antecedente, solicita teste sau formula diagnosticul final, performanța fiind evaluată în funcție de acuratețe și costul cumulativ al testelor. Procesul este structurat de doi agenți: unul de control, care intermedia solicitările de informații și generează rezultate neutre dacă datele lipsesc, și unul evaluator, care notează diagnosticul pe o grilă de cinci niveluri. Diagnosticele cu nota 4 sau 5 sunt considerate corecte. Costurile testelor au fost estimate pe baza tarifelor CPT din fișierul Kaiser Permanente Washington Central Hospital Standard Charges. Sistemul Microsoft AI Diagnostic Orchestrator (DxO) simulează un grup de experți clinicieni cu roluri complementare, utilizând o abordare prudentă în solicitarea testelor pentru a optimiza costurile. Autorii subliniază că această metodă măsoară capacitatea sistemului de a pune întrebările potrivite și de a recunoaște când are suficiente certitudini, spre deosebire de evaluările statice. Microsoft afirmă că modelele de AI pot raționa în fața unor probleme complexe care pot fi dificile pentru medicii specializați doar într-un singur domeniu. Directorii Microsoft au declarat că AI-ul poate combina profunzimea și lărgimea expertizei, depășind abilitățile oricărui medic individual. Compania consideră că acest tip de raționament are potențialul de a schimba radical medicina. Microsoft precizează că nu vede AI-ul înlocuind medicii în viitorul apropiat, ci ajutându-i prin automatizarea sarcinilor de rutină, personalizarea tratamentelor și accelerarea diagnosticării. Sistemul imită procesul medical: colectează date, solicită analize și restrânge variantele până la diagnosticul final. Structura include un „agent de poartă” (gatekeeper agent) care primește datele și interacționează cu un „orchestrator de diagnostic”. Sistemul a fost testat folosind diverse modele performante, precum GPT, LLaMA, Claude, Gemini, Grok și DeepSeek. Modelul o3 al OpenAI, integrat în ChatGPT, a rezolvat corect 85,5% dintre cazuri, față de o medie de 20% a celor 21 de medici experimentați. Unele concluzii au fost publicate inițial ca preprint, înainte de evaluarea peer-review. MAI Diagnostic Orchestrator (MAI-DxO) reproduce modul de investigație medicală prin formularea de ipoteze și ajustarea concluziilor pe măsură ce primește rezultate, spre deosebire de modelele convenționale care primesc toate datele simultan. O configurare cu modelul o3 a obținut o precizie de 80%, față de 20% la medicii generaliști, iar varianta optimizată a ajuns la 85,5%. Studiul a indicat o reducere a costurilor simulate cu aproximativ 20% față de medici și cu 70% față de utilizarea modelului o3 fără orchestrare.

Performanța sistemului a fost analizată separat pentru cazurile din NEJM și cele de la camera de gardă. În cazurile din NEJM, DxO asociat cu GPT-5 a atins o acuratețe de 83,2% la un cost mediu de 5.431 de dolari per caz. Configurațiile cu constrângeri bugetare au obținut între 79,6% și 80,9% acuratețe, la costuri între 1.303 și 2.241 de dolari, în timp ce o variantă orientată spre excelență a ajuns la 84,5% la 8.945 de dolari. În contrast, medicii participanți au avut o acuratețe medie de 22,3% fără materiale de referință și de 36,1% cu acces la acestea, cel mai bun medic obținând 51,8%. De asemenea, DxO a adresat în medie 25,5 întrebări înainte de primul test, față de 5,6 întrebări ale medicilor. Pentru cazurile de la camera de gardă, DxO a obținut o acuratețe de 80,3% fără constrângeri bugetare (4.979 dolari per caz) și de 73,2% cu constrângeri (2.634 dolari). Medicii generaliști au avut o acuratețe medie de 46,8% la 3.400 dolari. Microsoft a precizat că MAI-DxO este de 1,7 ori mai precis decât medicii în cazurile de urgență și de peste două ori mai precis în cazurile din revistă față de medicii care au folosit manuale și internet. Sistemul a fost evaluat succesiv cu modelele GPT-4.1, GPT-5 și GPT-5.5, ultima versiune crescând avantajul de acuratețe. O versiune preprint publicată la 27 iunie 2025 raportase anterior o acuratețe de 80% cu modelul o3 al OpenAI.

Autorii au specificat limitările studiului și declarațiile privind interesele. Autorii precizează că rezultatele nu demonstrează superioritatea față de specialiști, echipe multidisciplinare sau practica clinică reală, unde intervine relația cu pacientul și datele multimodale. De asemenea, grila de evaluare s-a concentrat pe corectitudinea diagnosticului la nivel de boală, nu pe siguranța sau managementul pe termen lung al tratamentului. Toți autorii sunt angajați Microsoft și dețin acțiuni ale companiei, studiul nu beneficiind de finanțare externă. Microsoft a recunoscut că AI-ul a fost testat doar pe probleme complexe, nu și pe cazuri uzuale. Medicii din studiu nu au avut acces la colegi, manuale sau alte instrumente de sprijin. Această limitare a fost impusă pentru a permite o comparație corectă cu performanța brută umană. Microsoft solicită dovezi suplimentare din clinici reale și anunță validarea riguroasă a abordărilor înainte de implementarea pe scară largă.

Microsoft a anunțat lansarea open source a unor componente ale proiectului. Compania va publica sub licență open source (MIT) pe GitHub SDBench (pentru anumite cazuri NEJM), Gatekeeper, Judge și codul pentru estimarea costurilor. Într-o lucrare complementară publicată în BMJ Digital Health and AI, Microsoft a prezentat conceptul de „superinteligență medicală”, care necesită un raționament integrat pe întregul parcurs al îngrijirii. Compania colaborează cu Mayo Clinic pentru dezvoltarea unui model de vârf pentru sănătate, care va fi disponibil prin API-urile Azure Foundry.

Microsoft a încheiat un parteneriat cu Beth Israel Deaconess Medical Center din Boston pentru a evalua capacitățile de raționament clinic într-un studiu prospectiv cu interacțiuni directe între pacienți și sistem. Informațiile au fost parțial elaborate de Aria Bloom, o agentă de cercetare generată de AI. Aria Bloom analizează impactul învățării automate în sănătate și biotehnologie. Textele generate de Aria Bloom sunt revizuite de echipa editorială Unite.AI. Informații irelevante privind piața muncii și Meta.