Майже через рік після того, як компанія Microsoft створила команду для розробки спеціалізованого «гуманістичного суперінтелекту», який сфокусується на проривах у медичній діагностиці та наукових дослідженнях, стало відомо, що система Microsoft AI Diagnostic Orchestrator (MAI-DxO) перевершила лікарів у тестах на діагностику складних захворювань. У дослідженні вона правильно визначила діагноз у 83% складних клінічних випадків, а в типових ситуаціях у відділеннях невідкладної допомоги її точність становила 80%. Розробники стверджують, що система також допомагає зменшити витрати на обстеження завдяки раціональнішому вибору медичних тестів.
Microsoft представила результати дослідження MAI-DxO в журналі Science. Система більш ніж удвічі перевершила лікарів у діагностиці складних випадків, опублікованих у The New England Journal of Medicine (NEJM), якщо медики могли користуватися довідковими матеріалами, та майже вчетверо — якщо працювали без них. Водночас витрати на встановлення правильного діагнозу були вдвічі-втричі нижчими.
Як працює системаНа відміну від традиційних тестів для медичних систем штучного інтелекту,
MAI-DxO оцінює не лише правильність кінцевого діагнозу, а й шлях до нього. У реальній практиці лікарі поступово збирають інформацію про пацієнта, вирішують, які запитання поставити та які обстеження призначити, а потім коригують свої припущення залежно від отриманих результатів.
ШІ допоміг створити препарат, який знизив біологічний вік пацієнтів на шість років
Для оцінювання такого підходу Microsoft розробила бенчмарк SDBench — інструмент для перевірки послідовного діагностичного мислення. Він охоплює дві групи випадків: 304 складні клінічні історії з NEJM та типові звернення до відділень невідкладної допомоги з бази даних MIMIC-IV-ED (Medical Information Mart for Intensive Care IV – Emergency Department).
У межах тестування системи починають із обмеженої інформації та самостійно визначають, які дані їм потрібні для постановки діагнозу. SDBench оцінює точність відповідей, обсяг запитуваних доказів і приблизну вартість обстежень, враховуючи як результат, так і спосіб його досягнення.
MAI-DxO працює як група віртуальних лікарів, які:
- пропонують різні діагнози;
- обирають запитання та тести;
- перевіряють припущення одне одного;
- координують кілька раундів обговорення;
- оновлюють оцінки після отримання нових даних;
- враховують співвідношення між очікуваною користю обстеження та його вартістю.
Точність системиУ складних випадках із NEJM MAI-DxO досягла точності 83%. Для порівняння, лікарі правильно діагностували захворювання у 22% випадків без зовнішніх довідкових матеріалів і у 36% — за можливості користуватися ними.
У типових випадках із бази MIMIC-IV-ED система показала точність 80%, тоді як результат лікарів становив 47%. Таким чином, у цьому наборі даних MAI-DxO діагностувала захворювання більш ніж у 1,7 раза точніше.
Розробники також перевірили, чи можна зберегти високу точність, оптимізувавши витрати. В одній із конфігурацій система досягла результату 81% у складних випадках NEJM, витрачаючи менш ніж половину грошей порівняно із системами, з якими її зіставляли. За даними Microsoft, у двох наборах даних жоден інший перевірений підхід — людський або заснований на штучному інтелекті — не поєднав вищої точності з нижчими витратами.
ШІ допоміг подружжю знайти причину безпліддя, яку лікарі не помічали шість років
Microsoft планує відкрити вихідний код SDBench для вибраних клінічних випадків із NEJM. Дослідникам стануть доступні сам бенчмарк, компоненти Gatekeeper і Judge, а також код для оцінювання вартості, щоб вони могли відтворити експерименти, перевірити інші моделі та розширити дослідження.
Наступним етапом стане перевірка технології в реальних клінічних умовах. Для цього Microsoft співпрацюватиме з медичним центром Beth Israel Deaconess у Бостоні, де оцінюватимуть здатність системи міркувати в різних лікарняних ситуаціях.
Водночас дослідження в науковому журналі BMJ Open виявило, що близько половини відповідей популярних ШІ-платформ, зокрема ChatGPT, Gemini, Grok та DeepSeek, на медичні запитання є сумнівними або оманливими а майже 20% — украй суперечливими. Науковці застерегли, що чат-боти генерують авторитетні за тоном рекомендації без клінічного судження чи ліцензій, створюючи ризики для сотень мільйонів користувачів.
