ИИ 24 октября 2026, 02:25 МСК

Microsoft опубликовала в Science результаты системы диагностики MAI-DxO

Microsoft опубликовала в Science исследование MAI-DxO: на сложных случаях NEJM система показала около 83% верных диагнозов против примерно 36% у врачей со справочными ресурсами.

MAI-DxO — оркестратор на базе языковой модели, который пошагово разбирает клинический случай: запрашивает сведения, выбирает обследования и обсуждает диагнозы как виртуальный консилиум. По описанию авторов, одна модель выполняет пять ролей: формирует гипотезы, выбирает обследования, ищет противоречия, контролирует расходы и проверяет согласованность рассуждений. Подход исследовали на моделях семейств GPT, Claude, Gemini, Llama, Grok и DeepSeek.

Для оценки создали среду SDBench: участник получает информацию постепенно и сам решает, что запросить. Выдачей данных занимается модель Gatekeeper, а диагноз сверяет модель Judge; верными считаются оценки 4–5 баллов из 5. Если нужного результата нет в истории болезни, Gatekeeper может сформировать синтетический ответ. В выборку вошли 304 случая NEJM и 325 случаев из MIMIC-IV-ED.

На NEJM базовый GPT-5 без оркестратора достиг 78,9% при оценочных расходах $8 409 на случай. MAI-DxO с той же моделью без бюджетных ограничений показала 83,2% при расходах около $5 430; у врачей оценка расходов составила $4 725. На MIMIC-IV-ED результат — 80,3% при около $4 980. Это расчётная стоимость обследований в эксперименте. Microsoft также сообщает о повторной оценке с GPT-5.5, где преимущество сохранилось.

Результаты получены в симуляции по текстовым историям болезни. Microsoft опубликовала код SDBench; данные NEJM требуют лицензии, MIMIC доступен через PhysioNet. Следующий шаг — проспективное исследование с Beth Israel Deaconess Medical Center в Бостоне, где результаты системы сравнят с независимыми оценками врачей.

• NEJM: около 83% у MAI-DxO против около 36% у врачей
• GPT-5 без оркестратора: 78,9% при $8 409 на случай
• Набор: 304 случая NEJM и 325 случаев MIMIC-IV-ED