System diagnostyczny Microsoftu MAI-DxO postawił prawidłową diagnozę w 83,2 proc. skomplikowanych przypadków klinicznych z „New England Journal of Medicine”, podczas gdy lekarze ogólni korzystający z podręczników i internetu trafili w 36,1 proc. Wyniki ukazały się 22 października 2026 roku w recenzowanym czasopiśmie „Science”, ale wszyscy autorzy pracy są pracownikami Microsoftu, a test odbył się w symulacji, nie na prawdziwych pacjentach.
- System MAI-DxO Microsoftu, połączony z modelem GPT-5, postawił prawidłową diagnozę w 83,2 proc. trudnych przypadków klinicznych z „New England Journal of Medicine", podczas gdy lekarze ogólni korzystający z podręczników i internetu osiągnęli 36,1 proc. trafności.
- Wszyscy 15 autorów pracy opublikowanej w „Science" to pracownicy Microsoftu posiadający akcje firmy – badanie nie miało żadnego finansowania zewnętrznego, a kilku autorów jest współwynalazcami w zgłoszeniu patentowym Microsoftu dotyczącym oceny diagnostyki sekwencyjnej.
- Autorzy pracy przyznają wprost, że wyniki nie pokazują przewagi AI nad specjalistami ani zespołami wielospecjalistycznymi, a system był testowany wyłącznie w symulacji – nie na prawdziwych pacjentach i bez analizy obrazów medycznych, takich jak zdjęcia radiologiczne.
Praca nosi tytuł „Sequential diagnosis with language models” i została opublikowana w tomie 394 „Science” (numer 6822, s. 423-428). Redakcja przyjęła ją 10 sierpnia 2026 roku. To recenzowana wersja badań, które Microsoft pokazał po raz pierwszy w czerwcu 2025 roku jako preprint w serwisie arXiv.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
MAI-DxO diagnozuje krok po kroku, jak lekarz przy łóżku pacjenta
MAI-DxO (Microsoft AI Diagnostic Orchestrator) nie jest nowym modelem językowym, tylko warstwą sterującą, którą można nałożyć na dowolny model. System symuluje panel lekarzy o różnych rolach: jedni proponują rozpoznania, inni dobierają badania, jeszcze inni podważają dominującą hipotezę i pilnują kosztów. Microsoft opisuje to jako kilkurundową debatę wirtualnych lekarzy, w której ocena zmienia się wraz z napływem nowych wyników.
Microsoft zbudował do testów własny benchmark SDBench (Sequential Diagnosis Benchmark). Zamienia on przypadki medyczne w interaktywne scenariusze: diagnosta, człowiek albo AI, dostaje krótki opis pacjenta i sam decyduje, o co dopytać, jakie badanie zlecić i kiedy postawić diagnozę. Benchmark obejmuje dwa zestawy:
- 304 przypadki z konferencji kliniczno-patologicznych publikowanych w „New England Journal of Medicine” (NEJM), czyli celowo trudne przypadki dydaktyczne,
- 325 przyjęć z oddziału ratunkowego z bazy MIMIC-IV-ED, bliższych codziennej praktyce.
Nad przebiegiem testu czuwają dwa dodatkowe agenty AI. „Gatekeeper” udostępnia informacje z dokumentacji tylko na wyraźne żądanie, a gdy danego wyniku w dokumentacji nie ma, generuje neutralny wynik zastępczy, żeby brak danych nie podpowiadał odpowiedzi. „Judge” ocenia diagnozę w pięciostopniowej skali opracowanej przez lekarzy; za trafną uznaje się taką, przy której leczenie byłoby takie samo jak przy diagnozie wzorcowej. Koszty badań szacowano według amerykańskiego cennika szpitala Kaiser Permanente Washington Central Hospital.
Microsoft argumentuje, że egzaminy lekarskie typu USMLE, na których zwykle testuje się medyczne AI, podają wszystkie informacje od razu i każą wybrać jedną odpowiedź. W prawdziwej praktyce obraz choroby buduje się stopniowo.
AI trafiało ponad dwa razy częściej niż lekarze korzystający z internetu
Na przypadkach z NEJM system MAI-DxO połączony z modelem GPT-5 osiągnął 83,2 proc. trafności przy średnim koszcie badań 5431 dolarów na przypadek. Badanie z udziałem lekarzy przeprowadzono na 56 przypadkach wyłączonych z prac nad systemem. Lekarze ogólni bez dostępu do źródeł trafiali w 22,3 proc., z dostępem do podręczników i internetu w 36,1 proc. Najlepszy pojedynczy lekarz osiągnął 51,8 proc.
| Zestaw / konfiguracja | Trafność | Średni koszt na przypadek |
|---|---|---|
| NEJM: MAI-DxO + GPT-5, bez limitu budżetu | 83,2 proc. | 5431 USD |
| NEJM: MAI-DxO, wariant nastawiony na maksymalną trafność | 84,5 proc. | 8945 USD |
| NEJM: MAI-DxO z ograniczonym budżetem | 80,9 proc. | 2241 USD |
| NEJM: MAI-DxO z mocno ograniczonym budżetem | 79,6 proc. | 1303 USD |
| NEJM: lekarze bez źródeł | 22,3 proc. | 3049 USD |
| NEJM: lekarze ze źródłami | 36,1 proc. | 4725 USD |
| SOR: MAI-DxO bez limitu budżetu | 80,3 proc. | 4979 USD |
| SOR: MAI-DxO z ograniczonym budżetem | 73,2 proc. | 2634 USD |
| SOR: lekarze ogólni | 46,8 proc. | 3400 USD |
Na przypadkach z oddziału ratunkowego przewaga była mniejsza, ale nadal wyraźna: 80,3 proc. dla MAI-DxO wobec 46,8 proc. dla lekarzy, przy czym najlepszy lekarz uzyskał 62,5 proc. Microsoft podaje, że żadne inne testowane podejście, ludzkie ani maszynowe, nie było jednocześnie trafniejsze i tańsze.
Ciekawie wygląda różnica w stylu pracy. Lekarze zadawali średnio 5,6 pytania, zanim zlecili pierwsze badanie. MAI-DxO z GPT-5 zadawał ich średnio 25,5. Autorzy nazywają to rozbudowanym, uporządkowanym zbieraniem wywiadu.
Sama orkiestracja też ma mierzalny efekt. Dla wszystkich testowanych modeli nałożenie MAI-DxO podniosło trafność średnio o 7,9 punktu procentowego na przypadkach z NEJM i o 4,4 punktu na przypadkach z SOR. Przed publikacją Microsoft powtórzył cały zestaw testów z nowszym modelem GPT-5.5 bez zmiany promptów i logiki systemu, a przewaga nad podstawowym promptem wzrosła. Microsoft wyciąga z tego wniosek, że metoda nie jest przywiązana do jednej generacji modeli.
Wypełnij formularz, a my skontaktujemy się z Tobą, aby upewnić się czego potrzebujesz.
Autorzy sami wskazują, czego badanie nie dowodzi
Autorzy pracy w „Science” piszą wprost, że wyniki nie pokazują przewagi AI nad specjalistami, zespołami wielospecjalistycznymi ani nad realną praktyką kliniczną. Spodziewają się, że w starciu ze specjalistami dobranymi do danego przypadku różnica by się zmniejszyła.
Lista ograniczeń, które podają sami badacze, jest długa:
- symulacja pomija niepewny wywiad, niekompletną dokumentację, relację z pacjentem i obserwację w czasie,
- system nie pracował na obrazach, np. zdjęciach radiologicznych czy preparatach histopatologicznych,
- przypadki z NEJM mogą zawyżać udział trudnych, nietypowych rozpoznań,
- lekarze pracowali pojedynczo, a nie w zespołach, jak zwykle przy takich przypadkach,
- „Judge” ocenia trafność rozpoznania choroby, a nie to, czy leczenie byłoby właściwe i bezpieczne.
Do tego dochodzi kwestia konfliktu interesów. Wszystkich 15 autorów to pracownicy Microsoftu posiadający akcje firmy, wśród nich szef Microsoft AI Mustafa Suleyman, Dominic King i Eric Horvitz. Kilku z nich jest współwynalazcami w zgłoszeniu patentowym Microsoftu dotyczącym automatycznej oceny diagnostyki sekwencyjnej, a badania nie miały żadnego finansowania zewnętrznego. Recenzja w „Science” to poważna weryfikacja, ale niezależnej replikacji wyników jeszcze nie ma.
Czytam tę pracę z mieszanymi uczuciami. Z jednej strony to jedna z poważniejszych prób zmierzenia nie tego, czy AI zna odpowiedź, ale czy umie do niej dojść: dopytać, nie zlecać wszystkiego jak leci, wiedzieć, kiedy przestać. To jest właściwe pytanie i dobrze, że Microsoft udostępnił benchmark, bo każdy może teraz spróbować te wyniki podważyć.
Z drugiej strony widzę, jak nagłówek „AI dwa razy lepsze od lekarzy” zaczyna żyć własnym życiem, a tymczasem porównanie dotyczy lekarzy ogólnych rozwiązujących w pojedynkę zagadki diagnostyczne, które w szpitalu trafiłyby do konsylium specjalistów. Zwracam też uwagę na koszty liczone według amerykańskiego cennika. Dla polskiego szpitala „taniej o połowę” może znaczyć coś zupełnie innego.
Najbardziej interesuje mnie nie liczba 83 proc., tylko wynik badania w Bostonie, w którym pacjenci będą rozmawiać z systemem bezpośrednio. Dopiero tam okaże się, czy AI, które świetnie zbiera wywiad z tekstu, poradzi sobie z człowiekiem, który zapomina, myli objawy i boi się powiedzieć prawdę.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Microsoft otwiera kod SDBench i rusza z badaniem na pacjentach w Bostonie
Microsoft udostępnił kod benchmarku SDBench na GitHubie na licencji MIT, razem z agentami Gatekeeper i Judge oraz algorytmem szacowania kosztów. Pełny zestaw przypadków z NEJM wymaga jednak licencji od NEJM Group, dane z MIMIC są dostępne przez PhysioNet po weryfikacji, a w otwartym pakiecie domyślnie jest pięć w pełni syntetycznych przypadków.
Kolejnym etapem ma być badanie prospektywne z Beth Israel Deaconess Medical Center w Bostonie. Pacjenci mają rozmawiać z systemem bezpośrednio, a jego oceny będą porównywane z niezależnymi ocenami lekarzy. Zespół Microsoft AI Health pisze w komunikacie:
„Benchmarki mają znaczenie, ale prawdziwym sprawdzianem jest skuteczność w rzeczywistych warunkach klinicznych.” / „Benchmarks matter, but the true test is performance in real clinical environments.”
MAI-DxO pozostaje systemem badawczym. Microsoft w komunikacie z 22 października nie zapowiedział produktu, API ani terminu udostępnienia narzędzia lekarzom czy pacjentom.
Microsoft łączy zespoły medyczne i buduje model z Mayo Clinic
Publikacja w „Science” jest częścią szerszej strategii Microsoftu w medycynie. Firma ogłosiła, że łączy zespoły zdrowotne z całej korporacji, w tym naukowców z Microsoft Research oraz twórców Dragon Copilot i PowerScribe, w jedną strukturę w ramach Microsoft AI. Jednocześnie ukazał się artykuł programowy „Medical Superintelligence: Foundations and Aspirations” w „BMJ Digital Health and AI”, w którym Microsoft definiuje „medyczną superinteligencję” jako systemy przewyższające najlepsze dziś systemy opieki zdrowotnej prowadzone przez ludzi.
Skala zainteresowania pacjentów jest po stronie Microsoftu ogromna. Już w czerwcu 2025 roku firma podawała, że w jej produktach konsumenckich, takich jak Bing i Copilot, odnotowuje ponad 50 mln sesji związanych ze zdrowiem dziennie. Od 2 czerwca 2026 roku Microsoft rozwija też z Mayo Clinic model AI dla medycyny, którego właścicielem będzie Mayo Clinic, a Microsoft planuje udostępnić go przez API w Azure Foundry.
Warto też zobaczyć, jak zmieniły się liczby od preprintu. W wersji z czerwca 2025 roku MAI-DxO z modelem o3 osiągał 80 proc. trafności przy średniej lekarzy 20 proc., a w wariancie maksymalnej trafności 85,5 proc. Wersja z „Science” dodała zestaw przypadków z SOR i testy na GPT-5 oraz GPT-5.5, a różnica między AI a lekarzami na przypadkach z NEJM zmalała z czterokrotnej do nieco ponad dwukrotnej, gdy lekarze mogą korzystać ze źródeł.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Polskie szpitale korzystają z AI głównie przy badaniach obrazowych
W Polsce sztuczna inteligencja trafia do szpitali przede wszystkim jako wsparcie diagnostyki obrazowej, a nie jako system prowadzący całe rozpoznanie. Według VIII edycji „Badania stopnia informatyzacji podmiotów leczniczych” Centrum e-Zdrowia AI w pracy wykorzystywało 13,2 proc. przebadanych szpitali, wobec 6,5 proc. rok wcześniej.
Kolejny krok ma przyjść z centralnej Platformy Usług Inteligentnych (PUI), którą Centrum e-Zdrowia określa jako cyfrowego asystenta radiologa. Zgodnie z ustawą o e-zdrowiu platforma ma ruszyć do 1 grudnia 2026 roku i objąć do 400 podmiotów leczniczych. W pierwszej kolejności zaoferuje m.in. wykrywanie zmian w tomografii klatki piersiowej i w mammografii.
Narzędzie typu MAI-DxO, które samodzielnie prowadzi wywiad i zleca badania, to zupełnie inna kategoria. W Unii Europejskiej takie oprogramowanie podlegałoby regulacjom dla wyrobów medycznych i AI Act, a polski Kodeks Etyki Lekarskiej wymaga, by lekarz informował pacjenta o użyciu AI w diagnozie, przy czym decyzja zostaje po stronie lekarza. Do polskich gabinetów system Microsoftu w obecnej formie nie trafi, ale benchmark SDBench może posłużyć polskim zespołom badawczym do porównania własnych rozwiązań.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym publikacji naukowej „Sequential diagnosis with language models” w czasopiśmie Science z dnia 22.10.2026, oficjalnego komunikatu Microsoft AI „Building Medical Superintelligence” z dnia 22.10.2026 oraz strony projektu SDBench. Do weryfikacji wykorzystano również preprint pracy w serwisie arXiv z czerwca 2025 roku, publikacje Unite.AI, Reuters i Gizmodo. Polski kontekst: ITwiz oraz Rynek Zdrowia.
Cytat zespołu Microsoft AI Health został zweryfikowany z oryginalnym anglojęzycznym komunikatem.
Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl.
Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o systemie MAI-DxO i wynikach badania w Beth Israel Deaconess Medical Center.
