На сложных диагностических случаях из архива New England Journal of Medicine система искусственного интеллекта Microsoft угадала болезнь в 83% случаев. Врачи-терапевты, которым дали те же истории, справились втрое хуже — 36%. Результаты не из блога компании, а из журнала Science: один из самых требовательных научных изданий пропустил эту работу через полноценное рецензирование.
Систему зовут MAI-DxO — это не отдельная модель, а оркестратор, который заставляет несколько ИИ спорить друг с другом, как консилиум врачей. Один выдвигает гипотезу, другой проверяет её на совпадение с симптомами, третий настаивает на дополнительном анализе, прежде чем команда согласует финальный диагноз. В тесте участвовали GPT-5 и GPT-5.5 от OpenAI, Gemini 2.5 Flash от Google, а также модели Anthropic, Meta и DeepSeek.
Разница между моделями оказалась заметной. GPT-5.5 сам по себе давал 72% точности, а внутри оркестратора поднимался до 87% — и экономил около 3000 долларов на случай за счёт меньшего числа лишних анализов. Gemini 2.5 Flash выросла с 46,4% до 69%. GPT-5 прибавил всего около четырёх процентных пунктов — показатель того, что оркестрация помогает не всем моделям одинаково.
Глава Microsoft AI Мустафа Сулейман назвал результат «шагом к медицинскому суперинтеллекту» — способности ИИ превзойти даже сильнейшие человеческие медицинские команды в постановке диагноза и координации лечения. Звучит громко, но в самом исследовании есть существенная оговорка: с ИИ сравнивали врачей-терапевтов общего профиля, а не узких специалистов и не целые консилиумы, которые обычно и разбирают такие сложные случаи. На случаях из приёмного покоя заметного преимущества ИИ не показал вовсе.
Пока это лабораторная симуляция на текстовых описаниях болезней, а не работа с живыми пациентами. Следующий шаг — Microsoft договорилась с медицинским центром Beth Israel Deaconess о проверке MAI-DxO в реальных условиях неотложной помощи, с согласия пациентов. Разница между угадыванием диагноза по истории болезни и реальной клиникой, где нужно физически обследовать человека и принимать решения на ходу, может оказаться куда больше, чем разница между 83% и 36%.


