微软AI诊断系统MAI-DxO登《科学》：疑难病例准确率83%，人类医生36%。
先撂个结论，免得你白读：AI看病，这次是真的能打了。但你现在去医院，还是得挂人类的号。
10月22日，微软把自家AI诊断系统MAI-DxO的研究成果，发表在了《科学》杂志上。数字很扎眼：在304个出自《新英格兰医学杂志》的疑难病例上，AI的诊断准确率83%，参与对比的人类医生，36%（据财联社、IT之家等报道，论文见《科学》）。
同一套考题，一个83分，一个36分。这还是AI看病头一回登上顶刊——不在AI公司的发布会里，在科学家自己的阵地上。
听诊器和笔记本电脑放到了一起，这回是真的同框（图源：美国国家癌症研究所，公有领域）
两场考试，一次对账
MAI-DxO不是第一次交卷。
2025年6月，它的初版成绩单发在《自然·医学》：同样304个疑难病例，AI准确率79.9%；对照组是21位来自美国和英国的经验丰富的医生，平均只答对19.9%。论花钱，医生一例平均2963美元，AI一例2397美元。
成本这栏还有个更狠的对照。裸用大模型（OpenAI的o3），准确率也有78.6%，但一例要花7850美元——模型不管三七二十一，检查单开到底。套上MAI-DxO这层"会诊编排"之后，准确率略升，开销砍掉近70%。
论文里有个病例我印象很深。一个裸用的大模型接诊，怀疑抗生素中毒，开出3431美元的检查，最后还诊断错了；MAI-DxO多问了一句毒物接触史，花795美元锁定真凶——病人误食了洗手液。
多问一句话，省下两千多美元，还救对了。看病的差距，很多时候就差在这一句问话上。
两场考试对账：AI稳定在八成，医生停在两成到三成六
它赢在慢，不在快
这套系统最反直觉的地方：它像好医生的地方，恰恰是它慢的地方。
以前的AI医疗评测，本质是选择题——病例资料一次性摊开，AI挑答案。真实门诊没这种好事，医生只拿到一句主诉，剩下的信息要靠一步步问诊、一项项检查，一点一点要出来。微软这次连考试方式都改了：它的评测基准模拟真实问诊，AI想拿到更多信息，必须像医生一样主动提问、开检查，再由一个"守门人"模型决定放行多少。
诊断过程本身，论文的方案是一场模拟联合会诊，五个角色由同一个模型扮演：
- 假设医生：维护"最可能是什么病"的清单
- 开单医生：挑最能区分病情的检查
- 挑战医生：专职唱反调，防止死磕第一个假设
- 管钱医生：盯住成本，砍掉性价比低的检查
- 查清单医生：最后过一遍质控
注意"挑战医生"这个设计，它防的是人类医生的经典失误——锚定在第一印象上，一路检查到底。前面那笔3431美元的冤枉账，就是死磕第一个假设的下场。
AI虚拟会诊团：五个角色，一个模型，专治死磕第一印象
十五年，从Watson到《科学》
AI看病这个故事，十五年前就上演过第一幕。
2011年，IBM的Watson在智力问答节目里击败人类冠军，转头高调进军医疗，口号是终结误诊。2022年，IBM把整个Watson Health业务卖掉了，收场潦草。
Watson没走通的路，这代模型换了个走法：先把"问诊"这个动作学会，再谈下结论。考试方式对齐真实世界，分数才开始有意义。
微软雷德蒙德园区，这回押注的是
中国这边，AI进医院早就是进行时。CT读片找肺结节，AI辅助在国内医院已经不新鲜；雷锋网这周的报道说，百度健康的AI服务月活已超过5000万。疑难病例的"问诊推理"环节，微软这次算是把成绩单拍在了顶刊桌上。
AI看病十五年：从Watson的教训，到《科学》的83分（码哈鱼制图）
当然，得泼点冷水。论文测的304个病例是教学级疑难杂症，不等于日常门诊的病种分布；急诊场景用的是MIMIC-IV-ED数据集做模拟评估，还不是真实临床。微软给出的下一步，是启动临床试验（AIBase报道）。
也就是说，83分是模拟考的成绩。真实考场——急诊室，门诊，你的医保卡——还没开考。
远程问诊的日常一幕，AI要进的正是这道门（图源：Wikimedia Commons，CC BY 2.0）
这篇讲的是产业进展，别拿它当就医指南。身体不舒服，去医院，找医生。
下一个可验证的节点，就是那场临床试验：AI会诊进了真实急诊室，还能剩多少分。到那天，这个话题才轮得到一个"慌"字。
码哈鱼聊AI，只挑和你饭碗、钱包、身体有关的那部分。
假如医院同时开两个号：8块钱的AI初诊，80块的医生初诊——你挂哪个？评论区报个数。