Microsoft представила ИИ-систему, которая ставит диагнозы точнее врачей и выбирает более экономичные обследования

Постановка диагноза напоминает детективное расследование. Врач изучает симптомы и историю болезни, формирует список возможных причин недомогания, назначает анализы и инструментальные исследования, а затем корректирует первоначальные предположения с учётом полученных результатов. Чем сложнее случай, тем больше времени и средств может потребоваться для поиска правильного ответа. При этом избыточные обследования увеличивают расходы пациента, а ошибочный диагноз способен привести к задержке необходимого лечения.

Искусственный интеллект уже демонстрировал высокие результаты в отдельных медицинских задачах — например, при анализе маммограмм и выявлении признаков некоторых заболеваний по медицинским изображениям. Языковые модели также успешно справляются с медицинскими экзаменами и тестами на клинические знания. Но подобные проверки обычно предполагают, что вся необходимая информация уже предоставлена: системе остаётся выбрать правильный ответ из нескольких вариантов.

В реальной клинической практике задача значительно сложнее. Необходимо определить, какие вопросы задать пациенту, какие исследования назначить и в какой момент имеющихся данных достаточно для постановки диагноза. Именно эту последовательность действий и попытались оценить исследователи Microsoft.

Результаты работы опубликованы 22 октября 2026 года в журнале Science в статье Sequential diagnosis with language models. Вместе с системой MAI-DxO авторы представили диагностический бенчмарк SDBench, предназначенный для сравнения ИИ и врачей в условиях пошагового клинического обследования.

От медицинского теста к виртуальному приёму пациента

Одним из ограничений традиционных медицинских тестов для ИИ остаётся их искусственная простота. Модель получает готовое описание симптомов, результаты анализов и историю болезни, после чего должна выбрать диагноз. Такой подход позволяет оценить медицинские знания, но практически ничего не говорит о способности системы самостоятельно организовать диагностический процесс.

Чтобы приблизить проверку к реальной работе врача, команда Microsoft создала SDBench — интерактивную среду, в которой участники начинают с ограниченного набора сведений о пациенте. Они могут запрашивать дополнительную информацию, задавать вопросы об истории болезни, назначать лабораторные и инструментальные исследования, а затем пересматривать свои диагностические предположения.

В основу бенчмарка легли две группы клинических случаев. Первая включает 304 сложных случая из клинико-патологических разборов The New England Journal of Medicine (NEJM). Вторая содержит 325 обращений в отделения неотложной помощи из базы MIMIC-IV-ED. Таким образом, исследователи проверяли систему как на редких и диагностически сложных заболеваниях, так и на более типичных ситуациях, с которыми сталкиваются врачи приёмных отделений.

В ходе эксперимента оценивались два основных показателя: правильность окончательного диагноза и стоимость диагностического пути. Последняя рассчитывалась на основе американских больничных тарифов и оценок стоимости исследований. Это не реальные счета пациентов, а модельная оценка затрат на обследования, выбранные участниками.

Как устроена MAI-DxO

MAI-DxO (Microsoft AI Diagnostic Orchestrator) использует GPT-5 в качестве базовой языковой модели, но не ограничивается однократным запросом к ней. Система организует последовательную работу нескольких виртуальных специалистов, каждый из которых выполняет определённую функцию.

Один участник виртуального консилиума предлагает возможные диагнозы. Другой определяет, какие вопросы следует задать пациенту и какие исследования назначить. Ещё один критически оценивает выдвинутые гипотезы, пытаясь выявить противоречия и альтернативные объяснения симптомов. Отдельная роль отведена оценке стоимости диагностических процедур.

Работой виртуального консилиума управляет координатор — диагностический оркестратор. Он сопоставляет новые сведения с уже имеющимися данными, оценивает обоснованность гипотез и решает, стоит ли назначать дополнительные исследования. Таким образом, MAI-DxO пытается не просто найти правильный диагноз, но и выстроить последовательность действий, позволяющую получить его с минимально необходимым объёмом обследований.

Важно, что речь идёт не о нескольких независимых врачах или отдельных медицинских ИИ-системах, работающих в больнице, а об организованном взаимодействии ролей языковой модели в рамках единого диагностического процесса.

В каких случаях ИИ оказался точнее врачей

Наиболее заметное преимущество MAI-DxO продемонстрировала при работе со сложными случаями из NEJM. Точность системы на этой выборке составила 83,2%. Врачи общей практики и специалисты широкого профиля, которым разрешалось пользоваться справочными материалами и интернетом, достигли в среднем 36,1%. Без внешних источников информации их результат составил 22,3%.

Таким образом, преимущество ИИ составило примерно 2,3 раза по сравнению с врачами, имевшими доступ к справочным ресурсам, и около 3,7 раза по сравнению с работавшими без них.

На случаях из отделений неотложной помощи MAI-DxO показала точность 80,3%, тогда как результат врачей составил 46,8%. Здесь преимущество системы было менее выраженным, но всё равно существенным — примерно в 1,7 раза.

В сравнении участвовали 40 врачей с опытом клинической работы порядка 12 лет. Однако важно учитывать характер выборки: сложные случаи NEJM обычно требуют консультаций узких специалистов или работы врачебных команд. В исследовании же результаты ИИ сопоставлялись с результатами отдельных врачей широкого профиля. Поэтому цифры не означают, что MAI-DxO превосходит любую специализированную медицинскую команду.

Экономия на обследованиях: не всё так однозначно

Важная особенность исследования — оценка не только диагностической точности, но и стоимости пути к диагнозу. Здесь результаты зависят от того, насколько жёсткие ограничения по расходам заданы системе.

При работе со сложными случаями NEJM конфигурация MAI-DxO, ориентированная на максимальную точность, достигла результата 83,2% при расчётной стоимости обследований около 5431 доллара на случай. Для сравнения, средняя оценка затрат врачей, использовавших справочные материалы, составила около 4725 долларов.

Но система могла работать и с ограниченным бюджетом. При более жёстком ограничении расходов она обеспечила точность около 79,6%, затрачивая в среднем 1303 доллара на случай. Таким образом, снижение затрат сопровождалось некоторым уменьшением точности, хотя результат оставался существенно выше показателя врачей.

В случаях из отделений неотложной помощи картина также не сводится к безусловной экономии. Для конфигурации MAI-DxO без жёсткого бюджетного ограничения расчётная стоимость обследований составила около 4980 долларов на случай, тогда как для врачей — около 3400 долларов.

Следовательно, утверждать, что система всегда ставит диагноз дешевле врачей, нельзя. Её преимущество заключается в возможности гибко выбирать компромисс между точностью и стоимостью обследований. В отдельных конфигурациях MAI-DxO действительно позволяет существенно снизить расходы, сохраняя высокую диагностическую точность.

Почему оркестратор эффективнее одной языковой модели

Исследователи отдельно сравнили MAI-DxO с использованием базовой модели без сложной системы координации. В одном из показательных примеров пациент страдал цингой — заболеванием, вызванным дефицитом витамина C. Среди симптомов были кровоточивость дёсен и потеря зубов.

MAI-DxO связала эти проявления с особенностями питания пациента и предложила целенаправленно проверить уровень витамина C в крови. Это позволило прийти к правильному диагнозу без назначения обширного набора дополнительных исследований. Расчётная стоимость обследования составила немногим более 1100 долларов.

При использовании GPT-5 без оркестратора система предложила более широкий диагностический поиск, включая неврологические исследования. В результате расчётная стоимость такого пути оказалась почти в 7,6 раза выше.

MAI-DxO также сравнивали с моделями других разработчиков, включая Claude от Anthropic, Gemini от Google и Grok от xAI. По данным авторов, организация диагностического процесса в виде последовательного взаимодействия специализированных ролей улучшала результаты различных языковых моделей. При замене базовой GPT-5 на более новую GPT-5.5 точность также возрастала.

Почему до медицинской практики ещё далеко

Несмотря на впечатляющие результаты, исследование не доказывает, что ИИ уже способен самостоятельно заменить врача. Эксперименты проводились в контролируемой текстовой среде, а не в условиях реального приёма пациентов.

В клинической практике сведения о состоянии человека могут быть неполными, противоречивыми или неточными. Врач должен учитывать результаты физического осмотра, медицинские изображения, лабораторные данные и множество факторов, которые не всегда удаётся формализовать в текстовом описании. Кроме того, хронические и прогрессирующие заболевания могут требовать наблюдения на протяжении длительного времени, а не однократного диагностического заключения.

Есть и проблема ложноположительных результатов. Если система назначает слишком много исследований, она может обнаружить случайные отклонения, не связанные с основным заболеванием, и запустить цепочку дополнительных процедур. Поэтому одной точности постановки диагноза недостаточно для оценки клинической полезности: необходимо учитывать и ошибочные заключения, и последствия назначений для пациентов.

Наконец, медицинская диагностика не сводится к оптимизации стоимости обследований. Пациент может отказаться от определённой процедуры, иметь противопоказания или собственные предпочтения относительно лечения. В таких ситуациях диагностическая система должна учитывать не только медицинскую целесообразность, но и цели, возможности и решения самого человека.

Эрик Хорвиц (Eric Horvitz), один из авторов исследования, подчёркивает, что при развитии медицинского ИИ необходимо учитывать понимание ситуации пациентом, его цели и предпочтения. Это особенно важно, если система в будущем будет непосредственно взаимодействовать с людьми, а не только помогать врачам анализировать клинические данные.

Следующий этап — проверка в больнице

Microsoft уже договорилась о сотрудничестве с медицинским центром Beth Israel Deaconess Medical Center в Бостоне. Следующий этап предполагает оценку MAI-DxO в различных клинических условиях и изучение того, как систему можно встроить в повседневные рабочие процессы медицинского учреждения.

Исследователи намерены проверить, насколько хорошо алгоритм взаимодействует с пациентами и как его рекомендации соотносятся с заключениями врачей. Это позволит оценить не только точность диагностики в искусственно смоделированных случаях, но и практическую пользу системы в реальной медицине.

Авторы также открыли для исследовательского сообщества часть инструментов SDBench, включая отдельные клинические случаи и программные компоненты, необходимые для воспроизведения экспериментов. Это может помочь независимым группам сравнивать новые модели и проверять результаты Microsoft на других наборах данных.

Результаты MAI-DxO показывают, что перспективное направление медицинского ИИ — не просто обучение моделей постановке диагноза по готовому описанию симптомов, а создание систем, способных последовательно организовывать диагностический поиск. Но до внедрения подобных решений в больницах необходимо доказать, что их преимущества сохраняются при работе с реальными пациентами, неполными данными и ограничениями клинической практики.

Если ИИ действительно сможет находить диагноз точнее врача и при этом сокращать число ненужных обследований, кто должен нести ответственность за ошибку — разработчик алгоритма, медицинское учреждение или врач, который доверился рекомендации системы?