Microsoft MAI-DxO w Science. AI trafniej od lekarzy w trudnych przypadkach

Co pokazało badanie MAI-DxO w Science

MAI-DxO (Microsoft AI Diagnostic Orchestrator) to system, w którym kilka agentów AI odgrywa role członków konsylium. Jeden proponuje możliwe diagnozy, inny wybiera kolejne pytania do pacjenta lub badania, jeszcze inny podważa wstępne wnioski. Przy każdym badaniu system porównuje jego spodziewaną wartość diagnostyczną z kosztem. Po kilku rundach zespół ustala ostateczną diagnozę.

Pierwsze wyniki Microsoft pokazał w czerwcu 2025 roku jako preprint, czyli pracę przed recenzją naukową. Teraz badanie przeszło recenzję i ukazało się w Science, jednym z najbardziej wymagających czasopism naukowych. W tym samym tygodniu zespół MAI Health opublikował w BMJ Digital Health and AI tekst o tym, jak rozumie medyczną superinteligencję. Mustafa Suleyman, szef Microsoft AI, definiuje ją jako zdolność przewyższenia najlepszych współczesnych systemów ochrony zdrowia prowadzonych przez ludzi.

System testowano na benchmarku SDBench, który Microsoft zbudował na bazie opisów przypadków publikowanych w NEJM. W odróżnieniu od egzaminów lekarskich z pytaniami wielokrotnego wyboru model nie dostaje od razu pełnego opisu. Musi pytać, zlecać badania i płacić za nie w symulacji, tak jak lekarz w gabinecie.

Wyniki w liczbach

Zestawienie łączy dane z wpisu Microsoft AI z 22 października 2026 roku oraz liczby, które TechCrunch przytacza z publikacji w Science. Różne wartości dla tego samego zbioru wynikają z różnych konfiguracji systemu i modeli.

• Trudne przypadki NEJM (304), MAI-DxO - 83 proc. trafnych diagnoz według Microsoftu.
• Trudne przypadki NEJM, lekarze pracujący samodzielnie - 22 proc. bez materiałów pomocniczych i 36 proc. z dostępem do nich.
• Przypadki z oddziału ratunkowego (MIMIC-IV-ED), MAI-DxO - 80 proc., lekarze - 47 proc. według Microsoftu.
• Wersja nastawiona na niski koszt - 81 proc. na przypadkach NEJM przy mniej niż połowie kosztu porównywanych systemów.
• GPT-5.5 bez orkiestracji - 72 proc. na trudnych przypadkach, z MAI-DxO prawie 87 proc. przy nieco niższym koszcie (dane podane przez TechCrunch).
• Gemini 2.5 Flash - 46,4 proc. samodzielnie i prawie 69 proc. z MAI-DxO (dane podane przez TechCrunch).

Co naprawdę daje orkiestracja

Najciekawsze wnioski płyną z porównania modeli. Microsoft sprawdził MAI-DxO z modelami OpenAI, Google, Anthropic, Meta i DeepSeek, a najlepsze wyniki uzyskał z GPT-5 i GPT-5.5. Według TechCrunch samo GPT-5 z prostym poleceniem osiągnęło 78,9 proc. na trudnych przypadkach przy koszcie symulowanych badań ok. 8400 USD na przypadek. Orkiestracja podniosła trafność o ok. 4 punkty i obniżyła koszt o ok. 3000 USD.

Różnica między słabszym a mocniejszym modelem jest więc większa niż zysk z samego MAI-DxO. Na przypadkach z oddziału ratunkowego GPT-5.5 osiągało ok. 85 proc. zarówno z orkiestracją, jak i bez niej. Microsoft sam przyznaje, że zysk maleje, gdy modele zbliżają się do maksymalnego możliwego wyniku. W naszej ocenie MAI-DxO trzeba czytać przede wszystkim jako sposób na ograniczenie zbędnych badań i kosztów, a nie jako samodzielne źródło przewagi nad lekarzami.

Ograniczenia badania

Wszystkie wyniki pochodzą z symulacji na opisanych przypadkach, a nie z opieki nad prawdziwymi pacjentami. Przypadki z NEJM są celowo nietypowe i trudne, a w praktyce trafiają zwykle do specjalistów lub zespołów lekarzy. Tymczasem w badaniu z systemem porównywano lekarzy podstawowej opieki i internistów, którzy pracowali w pojedynkę. Specjalistów ani zespołów w zestawieniu nie było.

Nie wiadomo też, jak system poradzi sobie z niepełną dokumentacją, sprzecznymi objawami czy pacjentem, który nie potrafi dokładnie opisać dolegliwości. Microsoft pisze wprost, że prawdziwym sprawdzianem będzie działanie w warunkach klinicznych. Prognozy Suleymana o dziesięciokrotnie lepszych modelach medycznych w ciągu 24-36 miesięcy są deklaracją szefa firmy, a nie wynikiem badania.

MAI-DxO nie jest narzędziem dla pacjentów i nie powinien zastępować wizyty u lekarza. Ogólnodostępne czaty AI, nawet oparte na podobnych modelach, nie mają procedur, nadzoru ani odpowiedzialności, jakie obowiązują w diagnostyce.

Co dalej z Beth Israel i Mayo Clinic

Kolejnym krokiem jest prospektywne badanie z Beth Israel Deaconess Medical Center w Bostonie. Pacjenci otrzymują standardową opiekę, a ci, którzy wyrażą zgodę, dodatkowo rozmawiają z MAI-DxO. Rekomendacje systemu badacze porównają z niezależnymi ocenami lekarzy. Dominic King, wiceprezes Microsoft AI ds. zdrowia, określa je jako potencjalnie największe badanie tego typu, ale wyników jeszcze nie ma.

Równolegle Microsoft współpracuje z Mayo Clinic nad dużym modelem AI dla ochrony zdrowia, który ma łączyć wiedzę kliniczną i wieloletnie dane medyczne. Według Suleymana model ma pojawić się w 2027 roku. Podobne prace prowadzą konkurenci. Google testował swój system AMIE również z Beth Israel, a wyniki opisał w The Lancet.

Znaczenie dla Polski

W Polsce systemy wspierające diagnozę podlegają przepisom o wyrobach medycznych (rozporządzenie MDR), a AI Act zalicza systemy AI będące wyrobami medycznymi lub ich elementami bezpieczeństwa do kategorii wysokiego ryzyka. Zanim narzędzie takie jak MAI-DxO trafiłoby do polskiego szpitala, musiałoby przejść ocenę zgodności i spełnić wymogi nadzoru człowieka, dokumentacji i jakości danych. Microsoft nie zapowiedział wprowadzenia systemu w Europie.

Badanie jest jednak ważnym punktem odniesienia dla polskich projektów, takich jak medyczny model AI rozwijany przez Politechnikę Wrocławską i Dolnośląskie Centrum Onkologii, Pulmonologii i Hematologii. Udostępniony benchmark SDBench pozwala porównywać systemy diagnostyczne w podobnych warunkach. Brakuje natomiast danych w języku polskim i przypadków z polskiej praktyki klinicznej, więc wyniki z amerykańskich zbiorów trzeba przenosić na nasze warunki ostrożnie.