四倍，AI 医生的诊断准确率远超过人类医生。

这可能有点难以置信，但微软人工智能团队日前发布的一项 AI 诊断协调系统 MAI-DxO（MAI Diagnostic Orchestrator）真的做到了。

它在《新英格兰医学杂志》每周发布共计 304 个真实复杂病例上进行了基准测试。测试结果显示，准确率达到了 85.5%。

这个基准测试不再是之前光凭借记忆，就可以做到的试卷答题，而是微软创建的全新的评测标准，「顺序诊断基准」（SD Bench）。它高度还原了真实诊疗过程的互动挑战：

从患者的初步症状描述入手。

通过多轮提问，选择各种检验检查，逐步手机病情信息。

每开一项检查，同时记录检查项目的费用；评估必要性和成本。

给出最终诊断。

同样面对这个 304 个复杂病例，微软选择了另外 21 位来自美国和英国，具有 5 年至 20 年临床经验的执业医生，测试结果显示，真实医生的平均准确率仅为 20%，这与 「AI 医生」的差距足足有四倍之大。

同时，与人类医生相比，这个「AI 医生」还少开了很多不必要的检查，减少了 20%-70% 的诊断成本。

▲顺序诊断基准测试介绍图，「守门人」回应来自诊断代理的信息请求，评估模型则评估诊断代理的最终诊断与病例报告准确度。

MAI-DxO 究竟是如何做到人类医生的准确率四倍之高呢，它不是一个新出现的大语言模型，它也不依赖某个单一的模型。

MAI-DxO 是一个模拟现实中多名医生合作诊断过程的系统。得益于当前大语言模型的持续发展，在 MAI-DxO 系统中，有不同的语言模型去扮演五种不同的医疗角色。

这些医疗角色包括推测各种结果的假设医生、选择医生、质疑当前诊断假设的挑战医生、避免不必要检查的成本管理医生、以及确保诊断步骤和选择逻辑一致的检查表医生。

这些「医生」协作工作，充分地模拟了人类医生团队的工作流程，还弥补了单一 AI 模型在复杂诊断中可能出现的缺陷。

▲ MAI-DxO 系统概览图

如上图描述的系统概览图所示，MAI-DxO 完全模拟了我们去医院看病的流程。

首先从问诊开始，MAIN-DxO 会得到一个简短的临床小故事，通常为 2-3 句话，包含病例的基本情况。

接着，MAI-DxO 会开始总结患者的主要诉求，选择下一步操作，是继续向患者提问，还是申请开检查。

每开一项检查会计算检查费用，同时持续进行多轮互动，直到给出最后诊断结果。

在测试过程中，MAI-DxO 利用 o4-mini 和专业医生设置了一个「守门人」，确保系统给 AI 的信息是与正常医生在问诊和临床上能够得到的信息一样。

MAI-DxO 的出现，为大语言模型在医疗诊断上取得明显的性能提升。微软测试了来自 OpenAI、Gemini、Claude、Grok、DeepSeek 以及 Llama 系列的不同模型，表现均优于仅使用单一的 AI 模型，而表现最好的组合是 MAI-DxO 与 OpenAI 的 o3 配对。

由于不受大语言模型的限制，MAI-DxO 还能够在将来有更好的模型出现时，同步适配。

▲不同人工智能模型的准确性和每例平均诊断测试成本对比

尽管看起来 「AI 医生」已经有模有样，不过 AI 要真正做一个好医生可不是那么容易的。

微软在该项目论文最后提到，这次的研究存在显著局限性，包括像参与对比实验的 21 位医生并没有获得同行的讨论协助、参考书籍以及生成式 AI 等资源。此外，微软这次实验也仅仅只讨论了最具挑战性的病例难题，而对我们一般的日常性疾病诊断没有做进一步的测试。

微软强调 AI 不会取代医生，它将成为医生与患者共同的助手。

但就是这个医生和患者共同的助手，也持续地吸引着全世界范围的关注；早在今年 3 月，微软就发布了医疗界首个用于临床工作流程的 AI 助手 Microsoft Dragon Copilot，它能帮助医生更好的整理病例的临床文件。

IBM 推出 IBM Watson Health 医疗人工智能平台、谷歌的 DeepMind、以及英伟达的 NVIDIA Clara 等，都正从导诊、问诊、病理等医疗场景中带来新的变革。

前段时间，阿里达摩院也发布了全球首个胃癌影像筛查 AI 模型 DAMO GRAPE，首次利用平扫 CT 影像结合深度学习识别早期胃癌病灶。

华为今年才组建组建医疗卫生军团，上周也联合瑞金医院，宣布开源 RuiPath 病理模型，具备临床验证能力，覆盖肺癌等 7 个常见癌种。

医学需要极高的精准度，0.01% 的失误也有可能造成严重的后果，它完全不同于程序员写代码时出现的 bug。

MAI-DxO 模拟真实问诊的过程，看起来这条 AI 医疗之路越来越清晰。

从百度问诊，到 ChatGPT 问诊，我想未来除了拿着普通医院的检查结果，查医院排行榜，付费问在线医生，还可以先看看这个「AI 医生」。