83% против 36%. Так выглядит главная цифра из публикации Microsoft о медицинском ИИ: система MAI-DxO поставила правильный диагноз в 83% сложных случаев из New England Journal of Medicine, а врачи с учебниками и интернетом справились с 36%. Разница в 2,3 раза, а если отнять у врачей справочники, получается почти четырехкратный разрыв.

Звучит как момент, когда медицина перестала быть человеческой профессией. На деле публикация интереснее и скромнее заголовков. Microsoft показала не «ИИ, который умнее врача», а процедуру: как заставить несколько моделей по очереди заказывать анализы, задавать вопросы и считать стоимость каждого шага. И именно эта процедура, а не новая модель, дала прирост.

Что именно опубликовала Microsoft

22 октября 2026 года команда MAI Health выпустила статью в Science и программную работу в BMJ Digital Health and AI. В блоге Microsoft описала два элемента: бенчмарк SDBench и систему MAI-DxO, которая на этом бенчмарке выступает как диагностический агент.

Бенчмарк SDBench проверяет не финальный ответ, а процесс. Модель получает короткое описание случая без диагноза, а дальше сама решает, какой анализ заказать, какой вопрос задать и когда пора commit диагноз. Каждый ход оценивается по точности, объему запрошенных данных и расчетной стоимости тестов. Это ближе к тому, как работает врач, чем экзамен USMLE, где вся информация лежит на столе, а нужно выбрать один вариант из пяти.

Набор состоит из 304 сложных случаев NEJM Clinical Pathological Conference и набора более типичных обращений в отделение неотложной помощи из MIMIC-IV-ED. NEJM-кейсы лицензируются у журнала, MIMIC требует допуска PhysioNet. В открытом доступе лежат только пять синтетических примеров, которых хватает для запуска кода, но не для воспроизведения заявленных результатов.

Панель виртуальных врачей

MAI-DxO не пытается угадать диагноз одним ответом. Система собирает несколько моделей в панель, где каждая предлагает гипотезы, выбирает следующий тест и оспаривает выводы остальных. Спор идет несколько раундов, оценка обновляется по мере поступления данных, а полезность каждого анализа сравнивается с его ценой.

Архитектура выглядит как оркестр без дирижера: отдельные модели не знают правильного ответа, но обязаны объяснить, почему следующий шаг стоит денег и времени. В какой-то момент панель решает, что дальнейшие тесты уже не изменят картину, и фиксирует диагноз.

Ключевая деталь: авторы утверждают, что метод не привязан к конкретной модели. Когда они повторили оценку на более новых моделях, включая GPT-5.5, прирост сохранился без изменения оркестрации. То есть основная работа происходит не внутри весов, а в цикле «гипотеза, тест, пересмотр».

У панели есть обратная сторона. Несколько моделей означают несколько счетов за токены и больше задержки на каждый ход, а обсуждение может усилить уверенную общую ошибку, если модели учились на похожих данных. Дебаты помогают, когда участники действительно смотрят на задачу по-разному, и превращаются в театр, когда все повторяют один и тот же вывод другими словами.

83%, 80% и 81% за половину цены

На NEJM-кейсах MAI-DxO показал 83% точности. Врачи без внешних справочников набрали 22%, со справочниками и интернетом 36%. Отсюда и берутся множители 3,7 и 2,3. В абсолютных числах это примерно 252 правильных диагноза из 304 у системы против 109 у врачей со справочниками. Разница в 143 случая звучит солиднее процентов, но и она получена на выборке, которую авторы сами отобрали как сложную.

На MIMIC-IV-ED, где случаи ближе к обычному приему в emergency department, разрыв меньше: 80% против 47%, то есть в 1,7 раза. Эта цифра честнее отражает типичную клиническую нагрузку, хотя и она получена на ретроспективных записях, а не на живых пациентах.

Отдельный результат связан с деньгами. В конфигурации с более жесткой оптимизацией расходов система сохранила 81% точности, но выбирала более дешевые обследования. По данным Microsoft, это менее половины стоимости сравнительных систем. Авторы также заявляют, что ни один другой подход, человеческий или машинный, не оказался одновременно точнее и дешевле.

Почему 3,7× это не сравнение с реальным врачом

Разница в 3,7 раза получена в условиях, которых в клинике не бывает. Врач без доступа к справочникам, интернету, коллегам и прошлым записям пациента не работает ни в одной нормальной системе здравоохранения. Даже 36% у врачей с учебниками остаются искусственной планкой: в реальности у доктора есть консилиум, свежие гайдлайны, история болезни и возможность позвонить специалисту.

Честнее сравнивать 80% против 47% на MIMIC. Там разрыв в 1,7 раза, и он всё равно велик, но не превращается в сенсацию. При этом авторы не раскрывают в блоге, сколько врачей участвовало, сколько времени им давали и как ограничивали доступ к информации. Эти детали есть в полной статье Science, но пресс-релиз их опускает. Еще важнее то, что точность диагноза и исход лечения не одно и то же. Правильно названная болезнь не гарантирует правильного лечения, а ошибка в начале цепочки может стоить дороже, чем ошибка в конце. Бенчмарк измеряет промежуточный навык, а не пользу для пациента, и авторы это, кажется, понимают: иначе не запускали бы проспективное исследование.

Есть и вторая проблема, о которой Microsoft говорит меньше. NEJM Clinical Pathological Conference это опубликованные разборы реальных случаев. Такие тексты годами лежат в открытом доступе и почти наверняка попадали в обучающие корпуса языковых моделей. Авторы проверяли устойчивость результата на новых моделях, но не описывают в блоге процедуру фильтрации утечек. Пока независимого аудита нет, нельзя исключить, что часть преимущества объясняется знакомством с текстом кейса, а не клиническим рассуждением.

Гейткипер придумывает анализы

Самая интересная деталь спрятана в документации SDBench. В цикле участвуют три роли: диагностический агент, гейткипер и судья. Гейткипер отвечает на запросы агента. Если запрошенный результат есть в тексте кейса, он возвращает реальные данные. Если результата нет, гейткипер генерирует «реалистичный синтетический результат».

Это компромисс, без которого интерактивный бенчмарк не построить: в описании случая не может быть всех анализов мира. Но у компромисса есть цена. Агент может заказать тест, которого в реальном случае не делали, получить правдоподобную выдумку и построить на ней цепочку рассуждений, которая никогда не существовала. Чем агрессивнее модель исследует пространство тестов, тем сильнее результат зависит от качества симулятора, а не от медицины. Исправить это можно только прозрачностью: публиковать долю синтетических ответов, ограничивать гейткипер тестами, которые действительно были в кейсе, и проверять результат на независимом наборе, собранном после обучения моделей. Промпты гейткипера и судьи в открытом коде SDBench есть, а вот доля синтетических ответов в заявленных 83% не раскрыта.

Судья тоже устроен проще, чем хотелось бы. Он оценивает диагноз по шкале от 1 до 5, а правильным считается ответ на 4 или 5. Это не точное совпадение с гистологией или финальным диагнозом, а оценка языковой модели. В открытом коде промпты судьи есть, и это плюс. Но 83% это доля случаев, где LLM-судья поставил четыре или пять, а не доля случаев с абсолютно верным диагнозом.

Что результат всё-таки доказывает

Если убрать маркетинг, остаются три содержательных вывода.

Первый: медицина плохо ложится на формат «один вопрос, один ответ». В разборе от 26 октября мы писали, как GPT-6 и Claude проиграли старой сверточной сети на дерматологии, когда обеим моделям дали два снимка и попросили назвать диагноз. Там ошибка была не в нехватке интеллекта, а в постановке задачи: модель не могла попросить дополнительные данные. MAI-DxO как раз строит процесс, в котором данные можно добывать.

Второй: стоимость обследования становится частью интеллекта. Система, которая ставит диагноз на 2% точнее, но заказывает втрое больше анализов, для больницы может быть хуже. То, что Microsoft измеряет цену каждого шага и показывает Pareto-фронт «точность против затрат», важнее самого рекорда.

Третий: оркестрация переносится между моделями. Если панель из нескольких моделей с дебатами дает прирост на GPT-5.5 так же, как на предыдущем поколении, то гонка за одной самой умной моделью это не вся история. Иногда правильная процедура важнее следующего релиза.

Где это будут проверять на людях

Microsoft не выпускает продукт. Компания начала проспективное исследование с Beth Israel Deaconess Medical Center в Бостоне: пациенты будут взаимодействовать с системой напрямую, а результат сравнят с независимыми оценками врачей. Одновременно объявлено партнерство с Mayo Clinic по объединению клинической экспертизы и продольных мультимодальных данных.

Это правильный следующий шаг, но он же и признание того, что ретроспективный бенчмарк ничего не говорит о реальной практике. В клинике добавятся шумные данные, неполный анамнез, языковой барьер, редкие болезни, судебная ответственность и врач, который не обязан следовать совету модели. Проспективное исследование ответит на вопрос, который бенчмарк обойти не может: улучшает ли система исходы, а не только процент совпадений с опубликованным разбором.

Слово «superintelligence» в названии статьи из BMJ тоже стоит читать как обозначение амбиции, а не достигнутого состояния. Сегодняшняя MAI-DxO это узкий диагностический цикл с гейткипером, судьей и панелью моделей. Она не ведет пациента годами, не назначает лечение и не несет ответственности за ошибку.

Часто задаваемые вопросы

MAI-DxO уже можно использовать в клинике?

Нет. Это исследовательская система, а не медицинский продукт. Microsoft начала проспективное исследование с Beth Israel Deaconess, но результатов по живым пациентам пока нет. До регуляторного одобрения и валидации на независимых данных говорить о клиническом применении рано.

83% значит, что ИИ заменит врача?

Нет. 83% это доля случаев, где LLM-судья поставил диагнозу MAI-DxO четыре или пять баллов из пяти на отобранных NEJM-кейсах. В выборке нет обычных пациентов с насморком, а система не несет ответственности, не объясняет решение пациенту и не работает в условиях реальной больницы.

Чем SDBench отличается от обычных медицинских экзаменов?

USMLE проверяет знание: вся информация дана заранее, нужно выбрать один ответ. SDBench проверяет процесс: агент получает краткое описание, сам заказывает анализы и вопросы, а оценка учитывает точность, объем данных и стоимость. Именно поэтому на SDBench можно увидеть, что модель угадала диагноз, но потратила на это в пять раз больше денег.

Итог

MAI-DxO показала важную вещь: медицинский ИИ выигрывает не тогда, когда отвечает вместо врача, а когда умеет вести расследование, заказывать нужные тесты и останавливаться вовремя. Цифра 83% на сложных случаях NEJM впечатляет, но сравнивать ее нужно с 36% у врачей со справочниками и помнить про синтетические анализы, LLM-судью и опубликованные кейсы в обучающих данных. Следующий шаг для тех, кто хочет разобраться глубже, простой: открыть код SDBench и прочитать, как гейткипер принимает решения. Именно там видно, что именно измеряла Microsoft.