Microsoft разработала систему искусственного интеллекта, которая диагностирует заболевания точнее, чем врачи

Спустя почти год после того, как компания Microsoft создала команду для разработки специализированного «гуманистического суперинтеллекта», который будет сосредоточен на прорывах в области медицинской диагностики и научных исследований, стало известно, что система Microsoft AI Diagnostic Orchestrator (MAI-DxO) превзошла врачей в тестах по диагностике сложных заболеваний. В ходе исследования она правильно поставила диагноз в 83% сложных клинических случаев, а в типичных ситуациях в отделениях неотложной помощи её точность составила 80%. Разработчики утверждают, что система также помогает сократить расходы на обследование благодаря более рациональному выбору медицинских тестов.

Microsoft представила результаты исследования MAI-DxO в журнале Science. Система более чем вдвое превзошла врачей в диагностике сложных случаев, опубликованных в The New England Journal of Medicine (NEJM), если медики могли пользоваться справочными материалами, и почти в четыре раза — если работали без них. При этом затраты на постановку правильного диагноза были в два-три раза ниже.

Как работает система

В отличие от традиционных тестов для медицинских систем искусственного интеллекта, MAI-DxO оценивает не только правильность конечного диагноза, но и путь к нему. В реальной практике врачи постепенно собирают информацию о пациенте, решают, какие вопросы задать и какие обследования назначить, а затем корректируют свои предположения в зависимости от полученных результатов.

Для оценки такого подхода Microsoft разработала бенчмарк SDBench — инструмент для проверки последовательного диагностического мышления. Он охватывает две группы случаев: 304 сложных клинических истории из NEJM и типичные обращения в отделения неотложной помощи из базы данных MIMIC-IV-ED (Medical Information Mart for Intensive Care IV – Emergency Department).

В рамках тестирования системы начинают с ограниченной информации и самостоятельно определяют, какие данные им нужны для постановки диагноза. SDBench оценивает точность ответов, объем запрашиваемых доказательств и приблизительную стоимость обследований, учитывая как результат, так и способ его достижения.

MAI-DxO работает как группа виртуальных врачей, которые:

• предлагают различные диагнозы;

• выбирают вопросы и тесты;

• проверяют предположения друг друга;

• координируют несколько раундов обсуждения;

• обновляют оценки после получения новых данных;

• учитывают соотношение между ожидаемой пользой обследования и его стоимостью.

Точность системы

В сложных случаях из базы данных NEJM система MAI-DxO достигла точности 83%. Для сравнения: врачи правильно диагностировали заболевание в 22% случаев без использования внешних справочных материалов и в 36% — при возможности пользоваться ими.

В типичных случаях из базы MIMIC-IV-ED система показала точность 80%, тогда как результат врачей составил 47%. Таким образом, в этом наборе данных MAI-DxO диагностировала заболевание более чем в 1,7 раза точнее.

Разработчики также проверили, можно ли сохранить высокую точность, оптимизировав затраты. В одной из конфигураций система достигла результата 81% в сложных случаях NEJM, затрачивая менее половины средств по сравнению с системами, с которыми её сравнивали. По данным Microsoft, в двух наборах данных ни один другой проверенный подход — человеческий или основанный на искусственном интеллекте — не смог совместить более высокую точность с более низкими затратами.

Microsoft планирует открыть исходный код SDBench для выбранных клинических случаев из NEJM. Исследователям станут доступны сам бенчмарк, компоненты Gatekeeper и Judge, а также код для оценки стоимости, чтобы они могли воспроизвести эксперименты, проверить другие модели и расширить исследования.

Следующим этапом станет проверка технологии в реальных клинических условиях. Для этого Microsoft будет сотрудничать с медицинским центром Beth Israel Deaconess в Бостоне, где будут оценивать способность системы рассуждать в различных больничных ситуациях.

В то же время исследование, опубликованное в научном журнале BMJ Open, показало, что около половины ответов популярных ИИ-платформ, в частности ChatGPT, Gemini, Grok и DeepSeek, на медицинские вопросы являются сомнительными или вводящими в заблуждение, а почти 20% — крайне противоречивыми. Ученые предупредили, что чат-боты генерируют рекомендации, звучащие авторитетно, без клинического суждения или лицензий, создавая риски для сотен миллионов пользователей.