Microsoft представила ИИ-диагноста, который превзошёл врачей в испытаниях

Microsoft научила ИИ ставить диагноз поэтапно: 83% точности в испытаниях, но заменять врачей пока рано

От готового диагноза к самостоятельному поиску медицинских доказательств

Большинство традиционных испытаний медицинского искусственного интеллекта устроено сравнительно просто. Алгоритм получает описание заболевания, результаты анализов, данные обследований и должен выбрать правильный диагноз.

Но в реальной медицине ситуация принципиально другая.

Пациент приходит с жалобами, причины которых неизвестны. Врач выясняет историю заболевания, проводит осмотр, формирует несколько возможных объяснений симптомов и решает, какое обследование поможет различить эти гипотезы.

Каждый новый результат меняет диагностическую картину. Иногда первоначальное предположение подтверждается. Иногда врачу приходится полностью пересматривать направление поиска.

Именно этот последовательный процесс попытались воспроизвести исследователи подразделения Microsoft AI.

Разработанная ими система получила название Microsoft AI Diagnostic Orchestrator (MAI-DxO). Её задача — не только определить заболевание, но и самостоятельно выбрать путь к диагнозу, учитывая информативность и стоимость обследований.

О самой технологии Microsoft впервые подробно рассказала ещё летом 2025 года. Теперь результаты расширенной оценки опубликованы в рецензируемом научном журнале Science. Исследователи также добавили испытания на данных пациентов отделений неотложной помощи и обновили используемые языковые модели.

MAI-DxO организует виртуальный консилиум вместо одного ответа нейросети

В основе системы лежит большая языковая модель — технология, способная анализировать текст, сопоставлять информацию и формировать последовательные рассуждения.

В основных испытаниях новой версии исследователи использовали GPT-5 компании OpenAI. При этом собственная разработка Microsoft заключается прежде всего в способе организации диагностического процесса.

MAI-DxO формирует виртуальную группу специалистов с различными функциями. Одни предлагают возможные диагнозы, другие определяют необходимые вопросы и исследования, третьи проверяют обоснованность предположений.

Специальный управляющий механизм — оркестратор — координирует их работу.

Система последовательно выполняет несколько действий:

1. Анализирует первоначальные жалобы и доступную медицинскую информацию.
2. Формирует несколько возможных диагнозов.
3. Определяет, какой дополнительный вопрос или тест даст наиболее полезную информацию.
4. Получает новые данные и пересматривает диагностические гипотезы.
5. Оценивает необходимость дальнейших исследований с учётом их стоимости.
6. Выбирает окончательный диагноз, когда считает имеющихся доказательств достаточно.

Такой подход напоминает диагностическое мышление врача, но не воспроизводит его полностью. Виртуальные участники консилиума остаются программными компонентами, использующими языковые модели, а не независимыми медицинскими специалистами.

Для проверки технологии Microsoft разработала специальную систему оценки SDBench — инструмент для исследования последовательной диагностики.

Участник испытания, будь то врач или алгоритм, получает только краткое первоначальное описание пациента. Дополнительную информацию необходимо запрашивать самостоятельно.

Её предоставляет отдельный программный компонент, имеющий доступ к полной истории заболевания. Если нужного результата нет в исходных материалах, этот компонент может сформировать правдоподобный ответ, согласующийся с описанием случая.

Так исследователи пытаются оценивать не только правильность заключения, но и качество процесса, который к нему приводит.

83,2% против 36,1%: в каких условиях ИИ оказался точнее врачей

Исследователи использовали две существенно различающиеся группы клинических случаев.

Первая включала 304 сложных диагностических случая, опубликованных в The New England Journal of Medicine. Это подробные истории заболеваний, многие из которых отличаются необычным сочетанием симптомов и требуют участия нескольких специалистов.

Результаты оказались следующими:

• MAI-DxO — 83,2% правильных диагнозов.
• Врачи общей практики и других специальностей широкого профиля с доступом к справочной литературе и интернету — 36,1%.
• Врачи без дополнительных справочных ресурсов — 22,3%.

Таким образом, преимущество системы над врачами, использовавшими медицинские источники, составило примерно 2,3 раза.

Почти четырёхкратное превосходство, фигурирующее в некоторых сообщениях Microsoft, относится к сравнению с врачами, работавшими без таких ресурсов.

Вторая группа включала 325 историй пациентов, поступивших через отделения неотложной помощи и впоследствии госпитализированных. Они были получены из медицинской базы MIMIC-IV.

Здесь система правильно определила диагноз в 80,3% случаев против 46,8% у врачей.

Преимущество сохранилось, хотя разница оказалась меньше — примерно в 1,7 раза.

Это важный результат, поскольку вторая группа ближе к повседневной клинической практике, чем специально отобранные необычные случаи из научного журнала.

Однако её нельзя считать представительной выборкой всех посетителей отделения неотложной помощи. Исследователи отбирали пациентов с установленными диагнозами, которые были госпитализированы. Люди, отпущенные домой после обследования, в эту часть оценки не вошли.

Ещё одно существенное обстоятельство касается вклада самого оркестратора. По данным исследования, GPT-5 без дополнительной системы координации уже достигала приблизительно 78,9% точности на сложных случаях.

MAI-DxO повысила этот показатель до 83,2%.

Следовательно, основная диагностическая способность обеспечивалась уже существующей языковой моделью. Дополнительная система организации рассуждений улучшила результат примерно на 4,3 процентного пункта.

Её самостоятельная ценность может заключаться не столько в увеличении точности, сколько в управлении последовательностью исследований и расходами.

Экономия на диагностике зависит от того, какой бюджет разрешён алгоритму

Один из наиболее интересных результатов исследования связан со стоимостью медицинских обследований.

В обычной клинической практике врач должен учитывать не только вероятность заболевания, но и последствия каждого дополнительного исследования.

Компьютерная томография, лабораторные анализы, консультации специалистов и инвазивные процедуры требуют ресурсов. При этом далеко не каждый новый тест действительно меняет диагностическое решение.

Для MAI-DxO исследователи предусмотрели возможность устанавливать бюджетные ограничения.

Именно здесь обнаружилась важная особенность.

Без ограничений система могла назначать обследования на большую расчётную сумму, чем врачи.

В группе сложных клинических случаев стоимость выбранных MAI-DxO диагностических мероприятий составляла в среднем около 5431 доллара против 4725 долларов у врачей, использовавших справочные ресурсы.

Но при настройке алгоритма на более экономное обследование соотношение менялось.

В одном из режимов система достигала точности 80,9% при расчётной стоимости 2241 доллар на случай.

При дальнейшем сокращении бюджета точность составляла 79,6%, а расходы снижались до 1303 долларов.

Это демонстрирует принципиальную возможность выбирать различные сочетания диагностической точности и стоимости.

Однако речь идёт о моделировании, а не о фактической экономии больничных бюджетов.

Исследователи использовали стандартизированные американские цены медицинских услуг. Такая оценка не учитывает полностью время ожидания результатов, дискомфорт пациента, риски инвазивных процедур и последствия возможных диагностических ошибок.

Кроме того, дешёвая диагностика не обязательно означает лучшую медицинскую помощь. Иногда дополнительное дорогостоящее исследование необходимо, чтобы исключить опасное заболевание.

Поэтому экономический результат MAI-DxO следует рассматривать как перспективу для дальнейшей проверки, а не как уже установленное снижение расходов здравоохранения.

Почему превосходство над врачами в испытаниях ещё не означает превосходство в больнице

Несмотря на высокую точность, исследование имеет несколько существенных ограничений.

Прежде всего, Microsoft сравнивала алгоритм с отдельными врачами широкого профиля, а не с узкими специалистами или многопрофильными медицинскими командами.

Между тем сложные случаи из The New England Journal of Medicine часто представляют собой диагностические задачи, которые в действительности решаются с участием нескольких специалистов и дополнительных консультаций.

Поэтому опубликованные показатели нельзя переносить на сравнение MAI-DxO с полноценным клиническим консилиумом.

Второе ограничение — характер исходных данных.

Система работала с текстовыми медицинскими историями. Она не обследовала реальных пациентов, не оценивала непосредственно медицинские изображения, патологические препараты или физиологические сигналы.

В настоящей клинической практике диагностическая информация часто неполна, противоречива или меняется со временем.

Пациент может неточно помнить симптомы, не сообщить о принимаемом лекарстве или ошибиться в описании обстоятельств заболевания. Врач должен учитывать эти особенности общения, чего испытательная система пока не воспроизводит в полной мере.

Третье ограничение связано с отбором случаев.

Все представленные задачи имели установленный патологический диагноз. Поэтому исследование не позволяло полноценно оценить, насколько часто алгоритм ошибочно обнаруживает заболевания у людей без соответствующей патологии.

Это особенно важно для массовой медицинской помощи, где необоснованное подозрение на серьёзную болезнь способно вызвать дополнительные обследования, тревогу и затраты.

Наконец, исследование оценивало правильность диагноза, но не изучало результаты лечения, безопасность медицинских решений или долгосрочное состояние пациентов.

Даже высокая диагностическая точность не гарантирует, что алгоритм правильно определит срочность вмешательства, выберет безопасную терапию или распознает необходимость немедленного участия человека.

Все авторы исследования связаны с Microsoft. Публикация в Science означает прохождение научного рецензирования, но пока не заменяет независимого воспроизведения результатов другими исследовательскими группами.

Проверка в Бостоне должна показать, поможет ли MAI-DxO реальным пациентам

Следующим этапом станет сотрудничество Microsoft с медицинским центром Beth Israel Deaconess Medical Center в Бостоне.

Как сообщило Reuters, исследователи планируют оценить способность системы участвовать в медицинской сортировке пациентов, ожидающих помощи в отделении неотложной помощи.

Медицинская сортировка — это определение приоритетности обслуживания в зависимости от тяжести состояния и риска ухудшения здоровья.

Здесь задача отличается от определения окончательного диагноза.

Система должна помогать распознавать признаки опасных состояний и выделять пациентов, которым требуется срочное медицинское вмешательство.

Именно в такой ситуации становятся особенно важными ошибки двух типов.

Первая — пропустить опасное заболевание или недооценить срочность помощи.

Вторая — необоснованно направить пациента на экстренное обследование, увеличив нагрузку на медицинский персонал.

Для оценки клинической полезности MAI-DxO необходимо будет изучить не только точность заключений, но и влияние рекомендаций алгоритма на решения врачей, безопасность пациентов и использование медицинских ресурсов.

Не менее важны устойчивость системы к неполным данным, защита персональной медицинской информации и распределение ответственности за решения.

Пока результаты такой проверки не представлены.

Врач с доступом к ИИ может оказаться важнее соревнования врача с алгоритмом

Наиболее перспективное применение подобных систем связано не с автономным лечением, а с поддержкой врачебных решений.

Например, система последовательной диагностики потенциально способна выявлять пропущенные диагностические гипотезы, предлагать дополнительные вопросы и помогать выбирать исследования с наибольшей ожидаемой пользой.

Особенно востребованной такая поддержка может оказаться при редких заболеваниях, нетипичном течении распространённых болезней и сложных сочетаниях нескольких патологий.

Другим направлением может стать медицинское образование. Виртуальная диагностическая среда позволяет моделировать сложные случаи, предлагать врачу новые сведения по мере обследования и анализировать последствия выбранных решений.

При этом главное условие успешного применения — доказать, что совместная работа врача и алгоритма действительно улучшает качество помощи.

Высокие результаты искусственного интеллекта при самостоятельном решении задач ещё не показывают, насколько эффективно он будет взаимодействовать с медицинским специалистом.

Врач может чрезмерно доверять предложенному диагнозу, а может, наоборот, игнорировать полезную рекомендацию. Оба варианта способны снижать потенциальную пользу технологии.

Поэтому будущие исследования должны сравнивать не только человека и алгоритм по отдельности, но и разные модели их совместной работы.