MAI-DxO は、Microsoft が 2026 年 10 月 22 日に学術誌『Science』で発表した診断システムだ。単一のモデルに直接答えさせるのではなく、仮想の医師団が議論しながら段階的に検証する。同日の Microsoft 公式紹介によれば、このシステムは『New England Journal of Medicine』の難症例で診断精度 83% を記録し、総合医は参考資料を参照できる条件で 36%、参照できない条件では 22% にとどまった。
まず試験形式を、実際の診療に近づける
Microsoft の見立てでは、医師国家試験式の評価は AI を過大評価する。問題は全情報を一度に提示し単一の答えを選ばせるが、実際の診断は限られた情報から始まり、何を聞き何を検査するかを決め、検査のたびにコストがかかる。そこで構築されたのが SDBench だ。NEJM の難症例 304 件と、MIMIC-IV-ED データベース由来のより典型的な救急症例を、対話型の症例に作り替えた。診断者は短い病状提示から出発し、必要な情報を自分で要求していく。ベンチマークは正答率に加え、要求した証拠と推定検査コストも記録し、答えだけでなく過程も評価する。
一つのモデルより、仮想医師団の方がよく調べる
MAI-DxO では複数のエージェントがそれぞれ診断仮説を立て、質問や検査を選び、互いに異議を唱えながら数ラウンド議論し、新しい証拠に合わせて判断を更新する。各検査については期待される価値とコストを天秤にかける。この編成は特定のモデルに縛られない。土台を新しい GPT-5.5 に替えても手法はそのままで、成績はさらに向上した。救急症例では 80% 対医師 47%、コスト重視の設定では NEJM 症例で比較システムの半分未満の検査コストで 81% の精度を維持した。Microsoft は SDBench の一部 NEJM 症例について、ベンチマーク、ゲートキーパー、判定、コスト推定のコードをオープンソース化し、他チームが再現や検証に使えるようにしている。
境界も明確にしておく。これは管理されたテキストベンチマークであり、比較対象は単独で診療する総合医だ。現実の希少な難症例は通常、専門医チームへ回される。また、このシステムは実際の臨床ワークフローではまだ検証されていない。「AI がすでに医師を代替できる」と読むのは誤読である。より正確な読み方は、診断評価が Google AMIE の実診療研究と同様に、「正しく答える」ことから「正しい質問をし、正しいコストをかける」ことへ移りつつあり、マルチエージェント編成がこうした過程型タスクで単一モデルにない強みを示した、という点にある。
