微软 MAI-DxO 登上《Science》：复杂病例诊断 83% 对 36%，但对比的不是专科医生

先把出处钉死。原始材料是 Microsoft AI 官方博客《Building Medical Superintelligence》，署名 MAI Health Team，发布日期 2026 年 10 月 22 日。同日研究登上《Science》，论文标题《Sequential diagnosis with language models》，DOI 为 10.1126/science.aeh7930。同一周微软研究院还发表了《The Building Blocks of Medical Superintelligence》于《BMJ Digital Health and AI》。TechCrunch 与 The Verge 在 10 月 22 日当天跟进，其中 TechCrunch 的报道补充了官方博客没写的成本与消融细节，本文会分开标注来源。

它到底测的是什么。官方对现有基准的批评很直接：美国执业医师考试（USMLE）这类考试设计出来是考知识，不是考诊断；题面把所有信息一次性给全，你只需选一个答案。真实临床恰恰相反——医生从有限信息出发，逐步决定先问什么、先开哪项检查、每个新发现如何改变可能诊断。所以他们做了 SDBench，用两组病例：304 个取自《新英格兰医学杂志》病例讨论的复杂病例，以及一组来自 MIMIC-IV-ED 的较常见急诊表现。每个病例变成一次交互：AI 或医生从有限信息开始，自己选择下一步要什么。基准同时记录诊断准确率、索取的证据量和估算的检查成本——既看答案，也看路径。

MAI-DxO 怎么工作。它不靠单个模型立刻给答案，而是像一组虚拟医生：每一个都提出诊断、挑选有用的问诊问题或检查项、挑战正在形成的共识；系统在多轮辩论里协调这些意见，随着证据到位不断更新评估，并把每项检查的预期价值与它的成本放在一起权衡。这个设计的直觉很清楚——人类医生会诊的收益来自分歧被暴露，而不是来自某一个人更聪明。论文里 MAI-DxO 是 SDBench 上领先的 AI 系统，而「顺序决策」这个框架本身也是论文的主要贡献之一。

官方给出的四组结果。第一，复杂 NEJM 病例：MAI-DxO 83%，医生在有外部参考资源时 36%、没有时 22%，也就是约 2.3 倍与 3.7 倍。第二，MIMIC-IV-ED 急诊病例：80% 对 47%，超过 1.7 倍。第三，成本优化配置：在 NEJM 病例上做到 81%，同时成本不到对比系统的一半。第四，官方明确说，在两个数据集上，没有任何其他人类或 AI 方案做到既更准确又更便宜。另外他们强调，换成更新的模型（包括 GPT-5.5）重做评估，结果保持甚至更好，而且没有改动编排方法——意思是这套增益不依赖某一代模型。

反直觉的部分，来自 TechCrunch 的补充。报道指出，提升有很大一部分其实来自底层模型本身变强，微软的编排是在上面叠加。具体数字：GPT-5 单独跑、用一句简短提示，在复杂病例上是 78.9%，每例成本约 8400 美元；加上 DxO 后成本降了约 3000 美元，但准确率只涨了约 4 个百分点。换 GPT-5.5 时结果分化：复杂病例从 72% 提到接近 87%，成本还略降；而急诊病例上 DxO 几乎没有带来提升，有没有它都在 85% 左右、成本接近。对能力较弱的模型帮助最大——Gemini 2.5 Flash 单独 46.4%，加 DxO 接近 69%。研究者自己的说法是：模型越接近理论上限，准确率增益自然越小。这句话很重要，它把「一个编排技巧让 AI 超过医生」这种叙事压回了地面。

对比对象是谁，这一条必须写在前面说。TechCrunch 明确点出：复杂到这个程度的病例，现实中通常由专科医生或多学科团队处理，而他们没有参与这次对比；参与对比的是初级保健医生和普通内科医生（primary care doctors and general internists），可用参考书与互联网。这不是微软隐瞒，官方博客也照实写了 physicians，但这个限定决定了结论的边界——它能证明「在没有专科支持的场景里，这个系统的顺序诊断能力明显更强」，不能证明「它超过专科医生」，更不能证明「它可以替代医生」。

开源与真实世界验证。官方说会把 SDBench 中选定 NEJM 病例的部分开源，包括基准本身、Gatekeeper、Judge 和成本估算代码，让研究者能复现评估、测试其他模型，并对结论提出挑战或扩展。真实世界这一侧，微软与波士顿的 Beth Israel Deaconess Medical Center 建立了合作，做前瞻性研究：患者接受标准诊疗流程，同时征得同意的患者也会与系统交互，然后把系统的建议与医生的判断做对比。微软健康部门副总裁 Dominic King 说这将是同类研究中规模最大的一个，覆盖急诊与紧急照护环境。

微软更大的算盘。官方博客把诊断摆在整条照护链路的起点，紧接着说诊断只是一个部分：更好的照护还需要跟上医学知识、选对治疗方案、理解病情随时间的变化、支持符合患者价值与实际可及资源的决策。真正的野心写在《BMJ Digital Health and AI》那篇《The Building Blocks of Medical Superintelligence》里，定义是「在医疗推理和全流程协调上超越当代最强的人类主导卫生系统」。落地路径有两条已经公开：与 Mayo Clinic 合作训练面向医疗的前沿基础模型，计划明年发布；以及把分散在微软各处的健康团队（包括 Microsoft Research 的科学家，以及 Dragon Copilot、PowerScribe 背后的团队）整合进 Microsoft AI。Suleyman 对 TechCrunch 说，他相信 2027 年会在病历上出现类似编程领域的突破，能流式给出病历接下来会怎么演变的预测。

三条边界，说清楚。第一，这是模拟：NEJM 病例是已经发表、写清楚的疑难病例文本，信息密度和噪声结构与真实病房完全不同，MIMIC-IV-ED 也是回顾性数据，所以「83%」不能被读成「真实门诊里八成的病人能被它诊断对」。第二，成本口径要看清：官方说的是 estimated test costs，即估算的检查成本，TechCrunch 报的则是按例计算的运行成本，两个「成本」不是一回事，混着引用会得出错误结论。第三，对比对象缺席专科医生这一点，决定了任何「超过医生」的说法都需要加限定语。本文不预测这套系统何时进入临床，也不评价它是否该进临床。

最后一句值得单独留着。这篇论文真正可迁移的东西不是分数，是那个把任务重新定义的动作：把「给一个答案」换成「决定下一步该获取什么信息」，并且把获取信息的代价一起算进目标函数。同样的重构可以用在排障、法务尽调、投研、采购比价——凡是「信息要花钱买、而且买哪一条由你决定」的场景，都可以照这个骨架搭一套。医疗只是它第一个被《Science》验证的战场。