Стандартные медицинские лицензионные экзамены проверяют статические знания с помощью готовых ответов, в то время как клиническая реальность требует итеративных последовательных рассуждений, которые традиционные инструменты не способны зафиксировать. Чтобы устранить это структурное несоответствие, команда MAI Health Team разработала диагностическую систему на базе искусственного интеллекта под названием MAI-DxO, представив бенчмарк Sequential Diagnosis Benchmark для оценки пошаговых диагностических рассуждений на сложных клинических кейсах. Как отмечает Microsoft AI, бенчмарк оценивает эффективность на 304 сложных кейсах из материалов журнала The New England Journal of Medicine и наборе обращений в отделения неотложной помощи из базы MIMIC-IV-ED.
Вместо того чтобы полагаться на одну модель для получения немедленного ответа, система функционирует как группа виртуальных врачей, которые проводят обмен мнениями в течение нескольких раундов дискуссии, обновляя оценки по мере поступления данных и сопоставляя вероятную ценность каждого теста с его стоимостью. MAI-DxO достигла 83 процентов точности диагностики в сложных кейсах NEJM, в то время как врачи показали 22 процента без внешних справочных ресурсов и 36 процентов с ними. На более типичных кейсах отделений неотложной помощи из MIMIC-IV-ED MAI-DxO продемонстрировала точность в 80 процентов против 47 процентов у врачей. При более жесткой оптимизации затрат одна из конфигураций достигла 81 процента точности на кейсах NEJM при стоимости менее половины затрат сравниваемых систем, продемонстрировав, что точность и экономическая эффективность могут масштабироваться одновременно в клинических условиях.
Систематически оценивая вероятную диагностическую ценность каждого теста в сравнении с его финансовыми затратами в ходе многоагентного обсуждения, система напрямую устраняет главную неэффективность в работе больниц: избыточные и малоэффективные диагностические обследования. В моделях оплаты за оказанные услуги ненужное тестирование традиционно выполнялось в качестве буфера маржи, зависящего от объема, но по мере расширения возмещения расходов на основе ценности и пакетов с фиксированной оплатой клиники сталкиваются со строгими финансовыми штрафами за диагностическую избыточность. Снижая стоимость сравниваемых систем более чем в два раза при сохранении 81-процентного уровня точности, многоагентные диагностические архитектуры меняют базовую экономику единицы клинического ухода, превращая то, что раньше было непредсказуемыми операционными расходами, в контролируемую оптимизированную переменную.
MAI-DxO достигает диагностической точности на сложных кейсах NEJM, которая существенно превосходит показатели человека, при этом умудряясь работать за малую долю затрат благодаря оптимизированным обследованиям.
Эта архитектура обходит традиционные узкие места клинических рабочих процессов, координируя работу нескольких агентов искусственного интеллекта для выбора полезных вопросов и назначения тестов шаг за шагом. На обоих наборах данных ни один другой подход — будь то человеческий или основанный на искусственном интеллекте — не был одновременно более точным и менее затратным, чем MAI-DxO, что сигнализирует о глубоком сдвиге в том, как можно автоматизировать клиническую валидацию. Эти результаты сохранились и улучшились при замене или повторении оценки с использованием более новых моделей, включая GPT-5.5, без изменения метода координации, что указывает на отсутствие жесткой привязки подхода к одному поколению моделей.
Команда MAI Health Team открывает исходный код SDBench для отдельных кейсов NEJM, включая бенчмарк, компоненты Gatekeeper, Judge и код для оценки затрат, чтобы позволить исследователям воспроизвести оценку и протестировать другие модели. Кроме того, организация стремится объединить передовой искусственный интеллект с клинической практикой для оценки возможностей клинических рассуждений в различных больничных условиях. Как отмечает команда MAI Health Team, эта работа опубликована в журнале Science вместе с более широким видением медицинского суперинтеллекта, опубликованным в BMJ Digital Health and AI.
Вопрос о том, как именно системы здравоохранения будут поглощать капитальные затраты, необходимые для развертывания автономных диагностических координаторов в масштабах всей отрасли при одновременной реструктуризации работы больниц, остается открытым.
Анализ редакции
### Как развивался сюжет
В июле 2026 года тестирование 32 систем в симуляции гематологии и онкологии показало скромный результат — лучшая выбила лишь 68% точности; следом в августе Google представила видеодиагноста AMIE. Теперь команда MAI Health выкатила систему MAI-DxO вместе с бенчмарком Sequential Diagnosis Benchmark, чтобы оценивать пошаговые рассуждения на 304 кейсах The New England Journal of Medicine и базе неотложки MIMIC-IV-ED. Microsoft смещает фокус с зубрежки тестов на реальную цепочку рассуждений в клинике — именно здесь проверяется готовность алгоритмов к настоящим пациентам.
### Что подтверждено
По данным компании, MAI-DxO достигла 83 процентов точности диагностики в сложных кейсах NEJM; на кейсах отделений неотложной помощи из MIMIC-IV-ED MAI-DxO продемонстрировала точность в 80 процентов против 47 процентов у врачей; одна из конфигураций системы при жесткой оптимизации затрат достигла 81 процента точности на кейсах NEJM при стоимости менее половины затрат сравниваемых систем.
Материалы: наши статьи от 17.07.2026, 12.08.2026