微软 MAI-DxO 把诊断做成了一场虚拟医生团的辩论。2026年10月22日，微软 AI 在官方博客发表论文，一口气拿出两样东西：序贯诊断基准 SDBench，以及在该基准上领先的 AI 系统 MAI-DxO（微软 AI 诊断编排器）。在 304 个精选自《新英格兰医学杂志》的复杂病例上，MAI-DxO 诊断准确率达 83%，约为医生（22%）的 3.7 倍。
先看数字：三组对比都在说同一件事
| 测试场景 | MAI-DxO | 医生 |
|---|---|---|
| NEJM 复杂病例 | 83% | 22%（无外部资源）/ 36%（可查资料） |
| 急诊常见病例（MIMIC-IV-ED） | 80% | 47% |
| 成本优先配置 | 81%，检查成本不到对比系统的一半 | — |
官方强调，在两套数据上，没有任何一种人类或 AI 方法能同时做到“更准且更便宜”。
关键不在模型，而在“会诊”这套流程
MAI-DxO 不依赖单个模型一次给答案，而让一组“虚拟医生”各自提诊断、选问题、开检查，再质疑初步判断、多轮辩论后更新评估；每项检查开出前都要权衡信息价值与成本。
SDBench 的设计同样关键：它把病例做成交互式，AI 或医生从有限信息起步，自己决定下一步问什么、查什么，基准同时考核准确率、索取的证据与预估成本——测的是“诊断路径”，不只是最终答案。
开源了什么：基准的部分代码已放出
微软为部分 NEJM 病例开源 SDBench（含基准、Gatekeeper、Judge 与成本估算代码），供研究者复现或挑战结论；换更新模型（包括 GPT-5.5）重测，增益依然存在，说明编排不绑定某一代模型。
边界：论文成绩不等于临床可用
NEJM 病例是精选复杂病例，不代表日常门诊；医生 22% 是无外部资源下的成绩，有资料可查时为 36%。成本估算基于模型测算，真实医疗成本结构复杂得多。这项工作定位是“论文”，下一步是更严格的评估，而非直接进临床。
研究者现在可以做什么
复现 MAI-DxO 的结果、把自家模型跑一遍，或检查“准确率 + 成本”双维评估的漏洞。对医疗 AI 团队，更值得借鉴的是方法论：模型差距收窄时，“多模型协作”正在成为新的性能来源。
