MAI-DxO ist das Diagnosesystem, das Microsoft am 22. Oktober 2026 in der Fachzeitschrift Science veröffentlicht hat. Statt ein einzelnes Modell direkt antworten zu lassen, organisiert es ein Gremium virtueller Ärzte, das debattiert und Schritt für Schritt überprüft. Laut Microsofts offizieller Vorstellung vom selben Tag erreichte das System bei komplexen Fällen des New England Journal of Medicine eine diagnostische Genauigkeit von 83 %, während Allgemeinmediziner mit Zugriff auf Nachschlagewerke auf 36 % und ohne auf nur 22 % kamen.
Zuerst wird die Prüfung der echten Diagnose angenähert
Microsoft argumentiert, dass Tests im Stil von Zulassungsprüfungen KI überschätzen: Die Fragen präsentieren alle Informationen auf einmal und verlangen eine einzige Antwort, während echte Diagnosen mit begrenzten Informationen beginnen und Entscheidungen erfordern, was zu fragen und was zu testen ist – wobei jeder zusätzliche Test Kosten verursacht. Dafür baute das Team SDBench: 304 komplexe NEJM-Fälle plus typischere Notaufnahmefälle aus der Datenbank MIMIC-IV-ED, alle in interaktive Fälle verwandelt. Der Diagnostiker beginnt mit einer kurzen Fallvorstellung und muss jede weitere Information selbst anfordern; gemessen werden Genauigkeit, angeforderte Befunde und geschätzte Testkosten – also der Weg, nicht nur die Antwort.
Ein virtuelles Ärzteteam ermittelt besser als ein einzelnes Modell
In MAI-DxO schlagen mehrere Agenten jeweils Diagnosen vor, wählen Fragen und Tests aus und widersprechen einander über mehrere Debattenrunden, wobei sie ihre Einschätzung mit jeder neuen Evidenz aktualisieren und den erwarteten Wert jedes Tests gegen seine Kosten abwägen. Die Orchestrierung hängt nicht an einem Modell: Mit dem neueren GPT-5.5 darunter und unveränderter Methode verbesserten sich die Ergebnisse weiter. Bei Notaufnahmefällen erreichte das System 80 % gegenüber 47 % der Ärzte, und eine kostenoptimierte Konfiguration hielt bei NEJM-Fällen 81 % Genauigkeit bei weniger als der Hälfte der Testkosten der Vergleichssysteme. Microsoft hat die SDBench-Werkzeuge für eine Auswahl von NEJM-Fällen – Benchmark, Gatekeeper, Judge und Kostenschätzung – als Open Source veröffentlicht, damit andere Teams die Ergebnisse reproduzieren oder anfechten können.
Die Grenzen gehören dazu: Dies ist ein kontrollierter Text-Benchmark, die Vergleichsgruppe sind allein arbeitende Allgemeinmediziner, und seltene komplexe Fälle gehen in der Realität normalerweise an Spezialistenteams; im echten klinischen Ablauf wurde das System noch nicht validiert. Daraus zu lesen, KI könne Ärzte bereits ersetzen, wäre ein Fehlschluss. Die treffendere Lesart: Die Diagnosebewertung bewegt sich – wie bei Googles AMIE-Studie in echten Kliniken – vom richtigen Beantworten hin zum richtigen Fragen zum richtigen Preis, und die Orchestrierung mehrerer Agenten zeigt bei dieser Art prozesslastiger Aufgaben einen echten Vorteil.
