Microsoft MAI-DxO transforme le diagnostic en un débat entre un collège de médecins virtuels. Le 22 octobre 2026, Microsoft AI a publié un article sur son blog officiel, présentant deux choses à la fois : le Sequential Diagnosis Benchmark (SDBench) et MAI-DxO (Microsoft AI Diagnostic Orchestrator), le système d'IA en tête sur ce benchmark. Sur 304 cas complexes sélectionnés dans le New England Journal of Medicine, MAI-DxO a atteint 83 % de précision diagnostique — environ 3,7 fois les 22 % des médecins.
D'abord les chiffres : trois comparaisons racontent la même histoire
| Scénario de test | MAI-DxO | Médecins |
|---|---|---|
| Cas complexes NEJM | 83 % | 22 % (sans ressources externes) / 36 % (avec références) |
| Cas typiques des urgences (MIMIC-IV-ED) | 80 % | 47 % |
| Configuration optimisée coût | 81 %, à moins de la moitié du coût des systèmes comparés | — |
Microsoft souligne que, sur les deux jeux de données, aucune autre approche humaine ou IA n'était à la fois plus précise et moins coûteuse.
L'essentiel n'est pas le modèle, mais le « staff » comme procédure
MAI-DxO ne s'en remet pas à un seul modèle pour répondre du premier coup : un collège de « médecins virtuels » propose chacun des diagnostics, choisit questions et examens, conteste l'avis qui émerge puis actualise l'évaluation au fil de plusieurs tours de débat ; chaque examen est soupesé — valeur informative contre coût — avant prescription.
La conception de SDBench est tout aussi centrale : elle rend les cas interactifs — l'IA ou le médecin part d'informations limitées et décide seul de ce qu'il demande et vérifie ensuite, tandis que le benchmark note la précision, les preuves demandées et les coûts estimés. Il teste le « chemin diagnostique », pas seulement la réponse finale.
Ce qui est passé en open source : une partie du code du benchmark est dehors
Microsoft ouvre SDBench en open source pour une sélection de cas NEJM (benchmark, Gatekeeper, Judge et code d'estimation des coûts), afin que les chercheurs reproduisent les résultats ou contestent les conclusions ; lors d'une réévaluation avec des modèles plus récents (dont GPT-5.5), les gains ont persisté — l'orchestration n'est apparemment pas liée à une génération de modèles.
Limites : des résultats d'article ne font pas une maturité clinique
Les cas NEJM sont des cas complexes sélectionnés, pas des consultations quotidiennes ; les 22 % des médecins ont été mesurés sans ressources de référence externes (36 % avec références). Les estimations de coûts sont fondées sur des modèles ; les structures de coûts réelles de la santé sont bien plus complexes. Ce travail est situé comme un article — l'étape suivante est une évaluation plus rigoureuse, pas un déploiement clinique direct.
Ce que les chercheurs peuvent faire maintenant
Reproduire les résultats de MAI-DxO, y faire passer son propre modèle, ou chercher les failles de l'évaluation duale « précision + coût ». Pour les équipes d'IA médicale, la leçon la plus transférable est peut-être méthodologique : à mesure que les écarts entre modèles se réduisent, l'orchestration multi-modèles devient une nouvelle source de performance.
