微软的 AI 诊断系统在模拟临床环境中表现亮眼：根据本周四发表于《科学》（Science）的一项研究，其对复杂医学病例的诊断正确率超过通用内科医生两倍。微软 AI 业务 CEO Mustafa Suleyman 将这一结果视为迈向「医疗超级智能」的一步。
系统机制：多智能体「专家组」协同问诊
这套系统名为 MAI-DxO（简称 DxO），其运行方式不是单一模型作答，而是协调多个 AI 智能体，模拟一个专家会诊组：向患者提问、下达检查医嘱，然后就诊断结论展开辩论与质证。
测试使用的是《新英格兰医学杂志》（NEJM）上的复杂病例，在模拟环境下 DxO 的诊断正确率为 83%；而拿到参考资料、单独作答的全科医生与普通内科医生正确率仅为 36%。需要说明的是，这类复杂病例在真实临床中通常由专科医生或多学科团队处理，本次对比并未包含这些更强的对手。
微软 AI 健康业务副总裁 Dominic King 对 TechCrunch 表示：「这里有非常实质性、令人兴奋的东西。当前医疗服务面临的最大挑战，是医疗专业知识的供给与需求之间缺口正在不断扩大。」
模型能力是主因，编排系统是增益
微软在公布这些结果时，与 Google、OpenAI等公司一道，宣称自家 AI 已能追平甚至超过医生。
研究自身数据给出的结论是：大部分提升来自底层模型能力的增强，DxO 编排系统在其之上又加了一层增益。
微软用多家公司的模型测试了 DxO，包括 OpenAI、Google、Anthropic、Meta 和 DeepSeek，但最佳成绩来自 OpenAI 的 GPT-5 与 GPT-5.5。
成本与准确率：一次并不划算的算账
除准确率外，微软还衡量了 DxO 的运行成本，即模型处理单个病例的估算开销。
- GPT-5 单独运行：在复杂病例上得分 78.9%，每个病例成本约 8,400 美元。接入 DxO 后成本下降约 3,000 美元，但准确率只提升约 4 个百分点。
- 急诊科病例：GPT-5 单独运行与接入 DxO 之间，在准确率和成本上均几乎没有差别。
- GPT-5.5（2026 年 4 月发布的新模型）：结果出现分化。复杂病例上，DxO 将准确率从 72% 提升到接近 87%，成本还略有下降；但同样的增益在急诊科病例上再次消失——有无 DxO 的得分都在 85% 左右，成本相近。
- 较弱模型受益更明显：Gemini 2.5 Flash 单独运行得分 46.4%，接入 DxO 后接近 69%。不过即使如此，弱模型与强模型之间的差距仍大于 DxO 带来的提升幅度。
微软研究人员表示，随着模型逼近理论上限，准确率增益自然会收窄。一位发言人补充道：「DxO 编排所帮助解决的，是同时优化准确率与成本这一更宏观的挑战。」
下一步：从模拟走向临床一线
Suleyman 主导微软自研前沿 AI 的路线。他透露，公司正与梅奥诊所（Mayo Clinic）合作训练医疗健康领域的基础模型，计划于明年发布。他认为该模型将使公司「在这里取得真正巨大的飞跃」，而 DxO 正是微软为实现医疗突破所构建的基础设施之一。
「我真心相信，到 2027 年，我们就会处在医疗病历『编程式突破』的边缘，」Suleyman 表示，「我认为我们将能够持续输出关于病历可能如何演变的高准确度预测，而对临床医生来说，这种前瞻性判断无价。」 他同时提到，生成式 AI 在医疗领域的应用仍处早期，但预计医疗模型「将在未来 24 到 36 个月内，能力提升一个数量级」。
「过去五六年我们已经多次看到，一旦形成飞轮，进展就会非常快，」Suleyman 说，「所谓飞轮，就是有一个已经上生产的模型，我们用真实世界的使用去迭代、找出模型的缺口，再修补并改进它。编码领域是这样，之前的对话领域也是这样。我认为明年这件事会开始在医疗病历和临床决策支持领域上演。」 他还提到，自己职业生涯一直在尝试用 AI 解决医疗问题——他曾是 DeepMind 联合创始人，该公司于 2014 年被 Google 收购；次年 Google DeepMind 收购了 King 的临床任务管理应用 Hark，两人共同创立了 DeepMind Health。Suleyman 于 2024 年加入微软执掌 AI 部门，King 几个月后加入。
「我们就是坚定的信念者，」Suleyman 说。
真实世界评估：波士顿急诊室
通过与波士顿 Beth Israel Deaconess 医疗中心（Beth Israel Deaconess Medical Center）的新合作，微软将在不同医院场景下评估 DxO 的临床推理能力。
King 解释道：「这项技术已经准备好接受真实世界评估，你可以想象波士顿急诊室周五晚上那种问题复杂性与多样性。」 评估方式为：患者接受标准诊疗流程，包括分诊、专家问诊、治疗、检查，以及是否可以安全出院的决策；与此同时，同意参与的患者会同时与 DxO 交互，微软与合作方将把 DxO 的建议与人类医生的判断进行对比。
作为对照，Google 本月也与 Beth Israel 合作，在《柳叶刀》（The Lancet）发表了针对 AMIE 对话式诊断 AI 在真实急诊问诊中的临床研究，由人类医生实时监看交互过程。
微软把医疗 AI 的赌注押在「临床可部署」上
微软一项覆盖急诊与 urgent care 环境的研究，被视为同类研究中规模最大的一次。研究负责人 King 表示：「我们认为这将是同类研究中规模最大的一项。它不只覆盖急诊场景，还会覆盖 urgent care 环境，并在研究期结束时给出非常有说服力的证据，说明这类系统未来具备更大规模部署的能力。」 过去几年，医疗 AI 的评估重心多集中在单项任务上——比如回答医学考试题、生成诊断建议。微软研究院（MSR）高级副研究员、微软 AI 负责人 Mustafa Suleyman 在接受 TechCrunch 采访时提到，微软希望把评测方式从「比模型单项能力」推进到「与临床医生和医疗系统真正结合」，用最终效果而非基准分数来衡量价值。
这项发表于《Science》的研究正好印证了这一转向：它的验证场域不是实验室，而是医院急诊科和 urgent care 这种高流量、高不确定性的真实环境。
核心变化：论文之外，还有一份「医疗超级智能」宣言
研究发布的同时，微软抛出了一份关于「如何构建医疗超级智能」的宣言式文件，将其定义为：
「在医疗推理与协同的全流程中，超越当下最强的人类主导医疗体系的能力。」
这句话划出了两条战线：
- 论文给出实证证据，说明现有临床决策支持系统在真实高强度场景中是否站得住；
- 宣言给出方向性主张，说明微软打算在医疗领域追求的不是「更强的答题机器」，而是「能嵌进医疗组织的协作者」。
Suleyman 补充说，「这是全世界都想要的技术，所以我们会竭尽所能加速它走向世界」，并认为这一押注会成为微软相较其他前沿实验室的差异化点。
微软的既有落点：DxO 与临床工具矩阵
这项研究与微软已有的临床业务形成延续：
- 微软已经在向临床医生销售听写（dictation）和放射影像（radiology）相关工具；
- 收购 DxO 后，微软将其定位为上述临床产品线的扩展，而非孤立能力；
- Suleyman 给出了明确目标：「未来几年，我们必须拥有关于顶尖水平的医疗临床决策支持产品，市场第一。」
从产品节奏看，听写与影像工具解决的是医生日常效率问题，DxO 更偏向诊断判断支持，而《Science》论文验证的则是决策支持在真实临床流程中的落地有效性——三者构成同一条链路。
影响与建议
对医疗系统采购方： 判断一款临床决策支持系统是否可用，基准测试分数的价值正在下降。更有效的评估方式是把系统放进真实工作流，观察它是否改变医生行为、是否减少误报，以及是否能在高流量急诊环境中保持稳定。后续评估中，可以主动要求供应商提供真实环境部署数据，而非只提供回顾性数据集上的指标。
对医疗 AI 创业者： 「与临床系统整合」正在取代「单点准确率」成为新的竞争维度。文档互操作、工作流嵌入、责任边界划分，可能比模型本身的能力更能决定商业化成败。
对关注者： 需要保持清醒的一点是——大规模研究「即将」给出证据，与已经给出证据，是两件事。在研究期结束前，跨场景、跨机构规模化部署的可行性仍属于待验证命题，而不是已兑现的产品承诺。
同时，宣言中「超越最强人类主导医疗体系」这类表述属于愿景性目标，不宜直接读作已达成的性能指标。
评论