微软诊断 AI 登上 Science：跑分之外，更该看懂它怎么被测试

2026年10月22日，微软宣布，诊断系统 MAI-DxO 与序贯诊断基准 SDBench 的研究正式发表于《Science》。这一项目在2025年已公开过早期成果；此次值得关注的是扩展后的评测、公开的评测工具，以及下一步真实医疗场景验证计划。微软最新说明｜早期研究介绍

这项进展把一个问题摆得更清楚：评价医疗 AI，除了看最后答对没有，还需要追问它如何获取证据、为答案付出多少代价，以及测试中的优势能否带进诊室。

把选答案改成逐步找证据

传统医学选择题通常一次性给齐信息。SDBench 则只提供简短病例摘要，让被测系统自行决定下一步问什么、做什么检查，何时提交诊断。MAI-DxO 是其中的诊断编排系统，通过多个虚拟角色提出假设、选择检查并互相质疑。按微软的描述，它会随着证据更新判断，同时考虑检查的价值与费用。微软系统介绍

这种设计对 AI 产品有直接启发：一个回答正确的系统，可能走了冗长而昂贵的路径；一个表达流畅的系统，也可能过早停止追问。把中间步骤纳入评价，才能发现单一正确率掩盖的差别。

但这里的问诊发生在文本模拟环境。负责提供信息的 Gatekeeper 会读取病例记录；记录没有的结果，可能由它合成。最终诊断由 Judge 对照参考答案评分，五级量表中的四、五分计为正确。SDBench 官方方法说明

因此，成绩同时受到诊断系统、信息反馈方式和评分机制影响。比较模型时，应固定这些条件；评估真实用途时，则要继续检验模拟过程遗漏了什么。

急诊病例更贴近日常 但仍有筛选边界

此次研究除了使用 NEJM 疑难病例，还引入 MIMIC 来源的病例。它让评价范围向常见就诊情境靠近，但“来自急诊”不能直接理解为“覆盖所有急诊患者”。

官方数据说明显示，这组病例选自急诊后住院的患者，排除了直接进入 ICU 的入院病例，并筛选了主诉、临床信息和最终诊断较明确的记录。公布的评测使用254例验证集与71例测试集，后者经过临床人员复核。PhysioNet 数据说明

这个范围会影响结果的解释。已经形成明确出院诊断的病例，可以检验系统能否沿着信息线索找到答案；现实接诊还包括症状模糊、记录不全、暂时无法确诊的人。把前一种任务做得更好，值得肯定；后一种能力仍需要对应证据。

同样，比较医生时，也要看医生能使用哪些资源。微软这次分别报告了允许与不允许外部参考资料的医生结果。脱离参照条件，只保留“超过医生几倍”，会让读者高估结论覆盖的范围。微软评测说明

更准和更省 要放在同一配置下比较

成本是这项研究的重要维度，也最容易在传播中被压缩成一句口号。

PhysioNet 页面给出了一组具体对照：在上述325例验证与测试病例中，无预算约束的 DxO 准确率为80.3%，GPT-5 基线为76.6%；两者平均估算诊断检查费用分别约为4,980美元和4,240美元。在这组配置中，准确率提高伴随着费用增加。同组结果与费用

这说明，评价编排系统应看一系列成本与准确率的取舍，不能把不同配置各自的最好结果拼成一个“既最准又最便宜”的产品承诺。采购方还要问：为了额外识别一些病例，增加的检查是否值得？对高风险漏诊与一般错误，是否应该采用同一种权重？这些是应用决策，单一排行榜无法代答。

费用口径也需要对齐。官方代码说明区分模型估价和参照医院公开价目表的估价，两者不能直接混用；这些数字更不能直接换算成患者最终账单，或中国医院能节省的金额。SDBench 成本方法

开放评测工具 还要看复现条件

开放代码让研究者能够检查提问、评分与成本计算的实现，但完整复现仍有数据门槛。NEJM 病例需要另行许可；MIMIC 数据需要相应资质、培训及数据使用协议。仓库自带的五例合成病例只用于开发测试，不能用于报告诊断性能。官方仓库的数据说明

这也给技术团队一个实用提醒：跑通示例只能证明流程可运行。真正比较自家系统，应交代使用的病例、数据划分、模型版本、评分配置与成本算法，并报告失败和未完成的病例，而非只展示成功案例。

下一步应追问诊室里发生了什么

微软宣布与波士顿 Beth Israel Deaconess Medical Center 合作，计划通过前瞻性研究，让患者直接与系统交互，并与医生的独立评估对照。这是后续验证方向，不能写成已经完成的临床试验。微软研究计划

对普通读者，可以用三问判断下一次医疗 AI 新闻：测试的是哪类人？对照方获得了什么信息与工具？改善的是评分，还是已经观察到的诊疗结果？

对产品团队，问题还应更具体：系统什么时候必须交给医生？错误建议是否增加复核负担？减少检查会不会延误关键判断？这些问题需要真实工作流程与患者随访提供答案。

MAI-DxO 的价值，在于把诊断过程中的信息选择和资源消耗推到了评测前台。接下来最值得关注的，是这种优势能否在真实的人、真实的时间压力和医疗责任之下保持下来。