微软 MAI-DxO 诊断编排系统在逐步问诊基准 SDBench 上显著优于医生（Science）：NEJM 病例 83% 对 22–36%，并开源评测

这件事意味着什么

【要点】

Microsoft AI 10 月 22 日（UTC 18:01，北京时间 02:01）发文并同日在 Science 发表：诊断编排系统 MAI-DxO 在逐步问诊基准 SDBench 上显著优于医生，并开源部分评测代码。愿景文章同周刊于 BMJ Digital Health and AI。

一、方法：SDBench 把病例做成交互式逐步诊断——模型/医生从有限信息起步，选择下一步问诊或检查，同时计量准确率、证据请求与检查费用。病例集含《新英格兰医学杂志》304 例复杂病例，以及 MIMIC-IV-ED 急诊常见表现。MAI-DxO 不像单模型一次作答，而像「虚拟专家会诊」：多角色提诊断、选题、互相质疑，并按检查性价比取舍。

二、结果（官方数字）：NEJM 复杂病例上 MAI-DxO 准确率 83%，医生无外部资料 22%、有教科书/互联网 36%（约 3.7 倍与 2.3 倍）；急诊常见病例 80% 对医生 47%（约 1.7 倍）。偏成本优化配置在 NEJM 上仍达 81% 准确率且费用不到对照系统一半。换 GPT-5.5 等新模型后增益仍在，说明编排不绑死单一代模型。将与 Mayo Clinic、Beth Israel Deaconess 做真实临床前瞻评估。

三、开源：向选定 NEJM 病例开源 SDBench（含 Gatekeeper、Judge 与费用估计代码），供复现与挑战。

【可核验】

Microsoft AI：https://microsoft.ai/news/building-medical-superintelligence/

Science DOI：https://www.science.org/doi/10.1126/science.aeh7930

The Verge / Techmeme 报道

本站：Google AMIE 前瞻诊所研究 e/766

【我们的判断】

一、背景：医学 AI 长期被 USMLE 式「一次给齐信息选答案」的考题高分误导。Microsoft 把评测改成逐步问诊+费用，方向对；「医疗超级智能」标题很满，正文其实是诊断编排与基准，还需接上治疗、随访与价值观对齐。

二、横向比较：Google 的 AMIE 已有 Lancet 前瞻诊所研究（e/766，98 名患者）；OpenEvidence 宣称美国近三分之二医生在用其检索。MAI-DxO 目前强项是受控基准与 Science 背书，真实世界证据仍落后 AMIE 一截；Microsoft 宣布与 BIDMC 做患者直接交互的前瞻研究，是在补这块。

三、影响：若编排层可随模型换代保留增益，医院 IT 可能更愿意买「会诊工作流」而不是押单一模型。开源 SDBench 会逼竞品用同一把尺子，也可能暴露医生基线过低、病例选择偏难等争议。

四、局限：医生对照是否充分使用决策支持工具、费用模型是否外推到非美体系、以及「4 倍准确」传播口径都易被简化；正式临床部署前，监管与责任归属仍未回答。