Microsoft заявила, что ИИ диагностирует лучше врачей. Что именно показало исследование

Microsoft заявила о сильном преимуществе своей системы диагностики над врачами. В публикациях об исследовании в Science фигурирует точность 83,2% против 36,1% на сложных случаях. Но заголовок про «в четыре раза» требует оговорки: результат зависит от того, с чем сравнивать, а эксперимент проходил на подготовленных историях болезни, не с пациентами в клинике.

MAI-DxO получала краткое описание состояния пациента, затем сама выбирала вопросы и обследования, обновляла диагностические версии по мере появления данных. Схема напоминает виртуальный консилиум: одни части системы предлагают диагнозы, другие критикуют их и выбирают следующий шаг. В основных тестах под этой системой работала GPT-5.

На наборе из 304 сложных историй болезни MAI-DxO правильно определила диагноз в 83,2% случаев. Врачи общей практики, которым разрешили пользоваться интернетом и справочниками, достигли 36,1%. Сама GPT-5 без оркестрации уже показала 78,9%, так что дополнительный вклад схемы MAI-DxO составил около четырёх процентных пунктов. Значительная часть разрыва с врачами связана с базовой моделью.

Авторы провели отдельную проверку на 325 случаях из отделений неотложной помощи. Там система показала точность 80,3%, врачи — 46,8%. Важно учитывать состав сравнения: медики работали поодиночке, среди них были специалисты общей практики, стационаров и неотложной помощи. Система не проходила сравнение с профильными специалистами или полноценным врачебным консилиумом.

Истории пациентов были заранее подготовлены. Система не осматривала людей, не анализировала снимки и не сталкивалась с неполными ответами. В каждом случае из сложного набора уже было заболевание, поэтому эксперимент проверял выбор диагноза среди заданных случаев. Он мало говорит о работе в обычном потоке, где врачу нужно сначала оценить, есть ли вообще серьёзная проблема.

Система также не всегда выбирала более дешёвый путь. Без жёсткого контроля бюджета расчётная стоимость обследований составила около $5431 на случай, у врачей — $4725. При ограничении расходов стоимость для MAI-DxO снизилась, однако вместе с ней менялась и точность: в одном из режимов она составила 80,9%, в другом — 79,6%. Значит, экономичность зависит от настроек и компромисса между расходами и точностью.

Есть и вопрос независимой проверки. Все 15 авторов исследования работают в Microsoft и владеют акциями компании. Независимого повторения результатов пока нет. Следующий этап, по публикации SecurityLab, Microsoft планирует провести с реальными пациентами в медицинском центре Бостона: люди будут получать обычную помощь параллельно с взаимодействием с системой.

Я бы прочитал результат как серьёзный сигнал о возможностях языковых моделей в структурированной диагностической задаче. Особенно интересен процесс: система собирает информацию постепенно, выбирает следующий вопрос и пересматривает гипотезы. Такой подход можно проверять и в рабочих процессах за пределами медицины, например в поддержке или анализе заявок, где решение зависит от уточняющих данных.

Но переносить результат на практику стоит через собственную проверку. Для рабочего ИИ полезно отдельно измерять качество базовой модели и эффект надстройки вокруг неё, учитывать цену дополнительных действий и проверять типичные и сложные случаи. В медицинском контексте к этому добавляются безопасность назначений и последствия ошибки. Исследование их не оценивало.

По-моему, убедительнее всего здесь сравнение на интерактивных историях и заметный результат GPT-5 ещё до добавления оркестрации. Громкое заявление о превосходстве пока описывает лабораторную проверку конкретного формата. Я бы дождался результатов теста с пациентами и независимой оценки, прежде чем говорить о готовности системы к клинической работе.