Microsoft MAI-DxO verwandelt die Diagnose in eine Debatte eines virtuellen Ärzteteams. Am 22. Oktober 2026 veröffentlichte Microsoft AI im offiziellen Blog ein Paper und stellte gleich zwei Dinge vor: den Sequential Diagnosis Benchmark (SDBench) sowie MAI-DxO (Microsoft AI Diagnostic Orchestrator), das führende KI-System auf diesem Benchmark. Bei 304 komplexen Fällen aus dem New England Journal of Medicine erreichte MAI-DxO eine diagnostische Genauigkeit von 83 % – etwa das 3,7-Fache der Ärzte (22 %).
Zuerst die Zahlen: Drei Vergleiche erzählen dieselbe Geschichte
| Testszenario | MAI-DxO | Ärzte |
|---|---|---|
| Komplexe NEJM-Fälle | 83 % | 22 % (ohne externe Ressourcen) / 36 % (mit Nachschlagewerken) |
| Typische Notaufnahme-Fälle (MIMIC-IV-ED) | 80 % | 47 % |
| Kostenoptimierte Konfiguration | 81 %, bei weniger als der Hälfte der Testkosten der Vergleichssysteme | — |
Microsoft betont: In beiden Datensätzen gab es keinen anderen menschlichen oder KI-Ansatz, der zugleich genauer und günstiger war.
Entscheidend ist nicht das Modell, sondern der „Konsil"-Ablauf
MAI-DxO verlässt sich nicht auf ein einzelnes Modell für die Antwort auf Anhieb: Ein Panel „virtueller Ärzte" schlägt jeweils Diagnosen vor, wählt Fragen und Untersuchungen, stellt die sich abzeichnende Einschätzung infrage und aktualisiert die Bewertung über mehrere Diskussionsrunden; jede Untersuchung wird vor der Anordnung auf Informationswert gegen Kosten abgewogen.
Auch das Design von SDBench ist zentral: Es macht Fälle interaktiv – KI oder Arzt starten mit begrenzten Informationen und entscheiden selbst, was sie als Nächstes fragen und prüfen; der Benchmark bewertet Genauigkeit, angeforderte Evidenz und geschätzte Kosten. Gemessen wird der „Diagnoseweg", nicht nur die finale Antwort.
Was Open Source wurde: Teile des Benchmark-Codes sind draußen
Microsoft veröffentlicht SDBench für ausgewählte NEJM-Fälle als Open Source (Benchmark, Gatekeeper, Judge und Kostenschätzungs-Code), damit Forscher Ergebnisse reproduzieren oder die Befunde anfechten können; bei Wiederholung mit neueren Modellen (einschließlich GPT-5.5) blieben die Zugewinne bestehen – die Orchestrierung ist offenbar nicht an eine Modellgeneration gebunden.
Grenzen: Paper-Ergebnisse sind keine Klinikreife
Die NEJM-Fälle sind ausgewählte komplexe Fälle, keine alltäglichen Sprechstunden; die 22 % der Ärzte wurden ohne externe Ressourcen gemessen (36 % mit Nachschlagewerken). Kostenschätzungen sind modellbasiert; reale Kostenstrukturen im Gesundheitswesen sind weitaus komplexer. Die Arbeit ist als Paper verortet – nächster Schritt ist eine strengere Evaluation, kein direkter klinischer Einsatz.
Was Forscher jetzt tun können
MAI-DxOs Ergebnisse reproduzieren, das eigene Modell durchlaufen lassen oder die duale „Genauigkeit + Kosten"-Bewertung auf Lücken prüfen. Für Medical-AI-Teams ist die übertragbarere Lektion vielleicht methodischer Natur: Während sich die Modellabstände verringern, wird Multi-Modell-Orchestrierung zu einer neuen Leistungsquelle.
