Microsoft AI kontra lekarze: 83% vs 36% w testach

Wyobraź sobie wizytę u lekarza, po której wychodzisz z większą liczbą pytań niż odpowiedzi. Seria badań, konsultacji i wciąż brak jasnej diagnozy. Microsoft twierdzi, że jego nowy system sztucznej inteligencji może pomóc medykom rozwiązywać właśnie takie trudne zagadki diagnostyczne — a wstępne wyniki brzmią imponująco. Jednocześnie badanie kryje w sobie istotne zastrzeżenia, które warto zrozumieć, zanim ogłosimy koniec ery ludzkich diagnostów.

Co pokazało badanie opublikowane w „Science”

W październiku w czasopiśmie naukowym „Science” ukazała się praca opisująca eksperyment z udziałem systemu diagnostycznego Microsoftu. Algorytm poprawnie zidentyfikował 83% złożonych przypadków medycznych. Dla porównania lekarze rodzinni, którzy mogli korzystać z materiałów referencyjnych, osiągnęli wynik 36%. Bez dostępu do tych źródeł ich skuteczność spadała do 22%. To różnica, która robi wrażenie — ponad dwukrotnie wyższa trafność w warunkach testowych.

Badacze wykorzystali 304 skomplikowane przypadki opisane wcześniej na łamach „The New England Journal of Medicine”. Chodzi o historie chorób rzadkich i nietypowych, które stanowią wyzwanie nawet dla doświadczonych klinicystów. System sprawdzono również na archiwalnych przypadkach z oddziałów ratunkowych — tam AI osiągnęła około 80% trafności, podczas gdy grupa porównawcza lekarzy uzyskała 47%.

Jak działa MAI Diagnostic Orchestrator

Microsoft nazwał swoją technologię MAI Diagnostic Orchestrator, w skrócie MAI-DxO. Zamiast jednego modelu odpowiadającego na pytanie, system wykorzystuje kilka współpracujących agentów AI. Można to porównać do konsylium lekarskiego, które wspólnie analizuje trudny przypadek.

Wieloetapowe wnioskowanie zamiast szybkiej odpowiedzi

System nie strzela od razu odpowiedzią. Zaczyna od ograniczonej wiedzy, zadaje pytania uzupełniające i zastanawia się, jakie badania mogą pomóc zawęzić pole poszukiwań. W miarę napływu nowych informacji poszczególni agenci kwestionują wzajemnie swoje wnioski. To podejście przypomina pracę doświadczonego diagnosty, który rozważa kilka hipotez jednocześnie i weryfikuje je wraz z kolejnymi wynikami.

Modele różnych producentów pod jednym dachem

Ciekawostką jest to, że badacze testowali modele od kilku dostawców — OpenAI, Google i Anthropic. Sam GPT-5 firmy OpenAI rozwiązał około 79% trudnych przypadków przy prostym zapytaniu, bez systemu orkiestracji Microsoftu. Dodanie MAI-DxO podniosło ten wynik do około 83%. W nowszej wersji modelu GPT-5.5 zyski były większe: z około 72% do blisko 87%. To pokazuje, że lwia część zdolności diagnostycznych tkwi w samych modelach, a warstwa orkiestracji jedynie ją wzmacnia.

Dlaczego porównanie z lekarzami wymaga ostrożności

Zanim ktokolwiek odwoła wizytę u specjalisty, warto przyjrzeć się metodologii. W badaniu lekarze z grupy porównawczej to głównie osoby ogólne — lekarze rodzinni i interniści. Analizowali przypadki indywidualnie, nawet gdy mieli dostęp do literatury medycznej. W rzeczywistości szpitalnej przy trudnych diagnozach angażuje się zwykle zespół specjalistów, którzy wspólnie weryfikują dowody. Microsoft nie porównał swojego systemu bezpośrednio z takimi zespołami.

Jest jeszcze jedna różnica. Algorytm oceniano na 304 przypadkach, a lekarze pracowali na mniejszym zbiorze 56 historii wydzielonych z procesu tworzenia systemu. To oznacza, że nagłówkowe procenty nie dotyczą dokładnie tej samej liczby przypadków. Do tego badanie opierało się na istniejących opisach, a nie na pacjentach w czasie rzeczywistym. Prawdziwa opieka medyczna bywa znacznie bardziej nieprzewidywalna — pacjenci mają trudności z opisem objawów, dokumentacja bywa niepełna, a badanie fizykalne ujawnia sygnały, których nie ma w żadnym streszczeniu.

Autorzy pracy są zatrudnieni w Microsoft, co dodatkowo podkreśla potrzebę niezależnej weryfikacji, zanim szpitale rozważą oparcie na tej technologii realnej opieki nad pacjentami. Trafna diagnoza to zresztą tylko część procesu leczenia — trzeba jeszcze dobrać terapię i uwzględnić indywidualną sytuację chorego.

Koszty, ambicje i pierwsze testy w szpitalach

Microsoft przekonuje, że technologia może pomóc ograniczyć zbędne badania. W badaniu przypisano procedurom diagnostycznym szacunkowe koszty i sprawdzano, czy AI potrafi dojść do trafnych wniosków bez nadmiarowych testów. W jednej z konfiguracji zorientowanej na oszczędność system osiągnął około 81% trafności przy szacowanym koszcie 2241 dolarów na przypadek. Lekarze korzystający z materiałów referencyjnych generowali średnio około 4725 dolarów. Warto jednak zaznaczyć, że inne konfiguracje, nastawione na maksymalną dokładność, podnosiły koszty. Same kwoty to szacunki symulacyjne, a nie rzeczywiste rachunki pacjentów.

Kolejny etap to wyjście z laboratorium. Microsoft ogłosił współpracę z Beth Israel Deaconess Medical Center w Bostonie, gdzie system będzie oceniany w warunkach klinicznych. Pacjenci, którzy wyrażą zgodę, pozostaną pod standardową opieką, a badacze porównają rekomendacje AI z niezależnymi ocenami lekarzy. Odpowiedzialność za leczenie nadal będzie spoczywać na medykach.

Konkurencja nie śpi. Google opublikowało w „The Lancet” badanie własnego konwersacyjnego systemu medycznego AMIE, w którym 98 pacjentów rozmawiało z AI przed pilnymi wizytami w podstawowej opiece. Lekarze monitorowali rozmowy na bieżąco i według wstępnie ustalonych kryteriów żadna nie wymagała przerwania ze względów bezpieczeństwa. To niewielkie badanie, ale daje przedsmak tego, jak konwersacyjna AI mogłaby współpracować z personelem medycznym.

Mustafa Suleyman, dyrektor AI w Microsofcie, opisuje szerszą ambicję firmy jako „medyczną superinteligencję” — systemy, które mogłyby w przyszłości przewyższać najlepsze zespoły kliniczne w rozumowaniu i koordynacji. Microsoft współpracuje też z Mayo Clinic nad technologią wspierającą przewidywanie rozwoju chorób. To cele znacznie wykraczające poza to, co pokazało omawiane badanie.

Co to oznacza dla pacjentów

Na razie system diagnostyczny Microsoftu pozostaje technologią badawczą. Nie zastąpi wizyty u lekarza i nie należy tak go traktować. Jeśli jednak kolejne testy potwierdzą wyniki, Twój lekarz może zyskać cyfrowego asystenta, który przeanalizuje trudny przypadek i podpowie pominięte możliwości. Dla osób spędzających miesiące na poszukiwaniu przyczyny niejasnych objawów to potencjalnie duża zmiana.

Pozostają jednak pytania, na które odpowiedzi jeszcze nie ma. Czy system sprawdzi się w realnym szpitalnym chaosie? Jak często się myli i czy lekarze potrafią to rozpoznać? Kto odpowiada za rekomendacje AI i jak chronione są dane medyczne? Zanim szpitale zdecydują się na wdrożenie, potrzebne będą niezależne badania kliniczne i jasne zasady dotyczące prywatności. Najbardziej obiecująca rola tej technologii to wspieranie lekarzy w podejmowaniu lepszych decyzji — z pacjentem w centrum procesu, a nie na jego marginesie.