AREX Feed Article
纳德拉宣布微软诊断编排器研究登上《Science》：NEJM 疑难病例准确率 83.2%，更低成本下仍超过全部参与医生
北京时间 10 月 23 日凌晨，微软董事长兼 CEO Satya Nadella ，宣布其团队在《Science》发表了一项诊断编排器（Diagnostic Orchestrator）研究，称该系统能对复杂医学病例进行推理，「在实现更高诊断准确率的同时降低检测成本」。这篇帖文本身没有附论文链接和数据，但论文确实已见刊：《Science》第 394 卷第 6822 期第 423～428 页刊出了论文，的作者单位均为微软雷德蒙德园区，，确认论文「今天发表在《Science》」。
论文给出了比帖文具体得多的数字：在 SDBench 顺序诊断基准上，这套论文中简称 DxO、微软公告中称 MAI-DxO（Microsoft AI Diagnostic Orchestrator）的系统搭配 GPT-5，在 304 个《新英格兰医学杂志》（NEJM）临床病理会议（CPC）疑难病例中取得 83.2% 的诊断准确率，而参与研究的通科医生开卷（可查教科书和网络）平均只有 36.1%；预算受限配置以平均 2,241 美元的检测费用取得 80.9% 的准确率，低于开卷医生平均 4,725 美元的花费。
配图来源：unite.ai 对本研究的报道页面。
同一天的三个动作：论文见刊、微软公告、纳德拉发帖
按时间顺序，10 月 22 日 18:00 前后（UTC），Crossref 登记了这篇论文，微软 AI 的公告页「Building Medical Superintelligence」上线；约一小时后的 19:10（UTC），纳德拉发帖。截至北京时间 23 日上午 8 时的查询，这条帖文约有 4.7 万次浏览、289 个赞和 30 次转发。
论文的作者名单确认了「我们的团队」所指：据 ，15 名作者全部是微软员工，署名包括 Microsoft AI 首席执行官 Mustafa Suleyman，以及 Dominic King、Eric Horvitz，第一作者为 Harsha Nori。论文 2026 年 4 月 4 日投稿、8 月 10 日录用。它与此前的版本相比有明显扩充：2025 年 6 月底，微软把这项工作放上 并在首度公布时，主打的还是 o3 模型配对下 80% 的准确率和最高 85.5% 的配置；当时的版本只测了 NEJM 病例，见刊版新增了 325 个急诊病例，并用 GPT-5、GPT-5.5 重做了全部评测。
微软在同一份公告里还指向本周发表于《BMJ Digital Health and AI》的配套文章，阐述「医疗超级智能」的愿景。
《Science》的编辑摘要把这项工作概括得很直白。编辑 Yevgeniya Nusinovich 写道，医疗 AI 评测大多依赖整理好的病例文本，而病人不会带着一份干净的病历走进诊室；Nori 等人让系统从病人的主诉出发，自己决定追问什么、开什么检查，在多个测试设定下以更低的总成本取得了比人类应答者更高的准确率。
SDBench：把一次性「开卷考试」还原成逐步问诊
论文认为，此前的医学基准测不出真实诊断的一个核心特征：医生是从少量信息起步的。此类静态基准把主诉、病史、查体、检验结果一次性塞进一个提示词，压缩成单步作答，因此无法衡量一个系统会不会问对问题、会不会克制地不做无关检查、会不会随证据更新鉴别诊断、知不知道何时该收手。微软的公告补了一句背景：USMLE 等执照考试考察的是知识而非真实诊断过程，却长期被用作医疗 AI 的主要评测。
SDBench（Sequential Diagnosis Benchmark）为此把 304 个 NEJM CPC 病例和 325 个 MIMIC-IV-ED 急诊入院病例改造成交互式接诊：每个病例从一段简短主诉开始，诊断者——无论是医生还是 AI——可以追问病史或查体发现、开具检查、或给出最终诊断，得分由准确率和累计检测费用两个维度共同决定。论文在图 1 里给了一道例题：一个 29 岁女性，咽喉痛伴扁桃体周围肿胀出血，抗感染治疗后不见好转，系统要从这里开始推理。
两个辅助代理把守流程。Gatekeeper 代理调停一切信息请求，只返回该问题或检查临床上能拿到的信息；当病例记录里没有所要求的发现时，它会生成「诊断学中性」的合成结果，避免「查无此项」本身泄露答案。Judge 代理用一份五级的医生编制评分表判定最终诊断，4 到 5 分（即诊断不改变治疗决策）算对。检测费用按 CPT（Current Procedural Terminology，美国通用的医疗操作项目编码）定价、取自一家大型医疗系统的价目表——据 unite.ai 整理，具体是 Kaiser Permanente 华盛顿中心医院的标准收费文件——问诊和查体则折算成固定的门诊费用。
DxO 本身是与模型无关的编排层：它模拟一组角色互补的临床专家，每一步做成本感知的检查把关，再把多次独立运行的诊断结果汇总。微软的公告把它形容成「一组虚拟医生」：各自提出诊断、挑选有用的问题或检查、互相挑战，系统在多轮辩论中随证据更新判断，并为每项检查权衡预期收益与费用。
成本-准确率前沿：参与医生的成绩整体落在 DxO 曲线之内
在 NEJM 病例上，DxO 搭配 GPT-5 的无预算约束配置取得 83.2% 准确率、平均每例检测费用 5,431 美元；逐步收紧预算后，80.9% 对应 2,241 美元，79.6% 对应 1,303 美元；冲准确率的配置把数字推到 84.5%，代价是 8,945 美元。对照组方面，参与医生闭卷平均 22.3%、花费 3,049 美元，开卷 36.1%、花费 4,725 美元；成绩最高的参与医生达到 51.8%，论文明确写道，即便是他，也同时在准确率和成本上被超过。
急诊病例的结果类似：DxO 无预算约束 80.3%、费用 4,979 美元，预算约束下 73.2% 对应 2,634 美元、69.5% 对应 2,037 美元；通科医生平均 46.8%、花费 3,400 美元，成绩最高的参与医生达到 62.5%。论文的总结是，DxO 加 GPT-5 建立了一条新的帕累托前沿——不存在一个被评估的方法同时比它更准且更省——而且这一优势在独立的急诊病例集上保持住了。微软公告把话说得更满：跨两个数据集，「没有任何其他人类或 AI 方法同时比 MAI-DxO 更准且成本更低」。
微软 AI 官方公告页面中的统计图，给出的说法是：在 MIMIC-IV-ED 急诊病例上准确率为医生的 1.7 倍。
这套优势不完全绑定在某一代模型上。论文报告，在所有受测模型上，DxO 编排平均把急诊病例的准确率抬升 4.4 个百分点、NEJM 病例抬升 7.9 个百分点；DxO 最初在 GPT-4.1 时代开发，随后用 GPT-5 评测，发表前又不改提示词、不改编排，用 GPT-5.5 重跑了全部评测，对基线提示的准确率优势反而扩大了。
工作方式上也有一个明显差别：在 NEJM 病例上，参与医生平均先问 5.6 个问题才开第一项检查，DxO 是 25.5 个。论文把这描述为一种「大规模结构化问诊」策略——DxO 相对基线模型的优势恰好集中在依赖病史的病例上，比如罕见暴露和旅行相关感染，靠深挖病史拿到散落在宽泛检查套餐里找不到的鉴别线索。错误形态也不同：DxO 的错答多是「临床相邻但粒度不对」，选了同一疾病在错误层级上的名称；医生错了，往往离参考诊断更远。
论文自己写下的边界，和一张利益披露清单
这些数字的适用范围，论文作者划得很清楚。文中的原话是：这些比较不确立对专科医生、多学科团队或真实临床实践的优越性；如果对照的是与病例内容匹配的专家团队，作者预期差距会收窄。CPC 病例本就是为教学价值挑选的疑难典型；受控模拟抹去了不确定的口述病史、不完整的记录、医患关系的建立和纵向随访，时间压力、行政负担和伦理考量也不在考察之列。unite.ai 整理的限制清单还补充了三点：评测未纳入影像、病理切片等多模态数据；对照是个体医生而非多专科协作；Judge 评分表只判疾病层面的诊断对错，不评估治疗是否恰当、安全性或长期管理。
利益披露部分同样直接：15 名作者均为微软员工并持有公司股权，其中数人是一项「自动顺序诊断评估框架」专利申请的发明人，研究没有获得微软之外的资助。纳德拉帖文里那句「更高准确率、更低成本」，对应的是这项微软自研、自建基准并自行评测的工作在受控条件下的结果；论文把它表述为对「支持更准确、更低成本诊断」的前景展示，而非临床验证。
开源基准之后：波士顿一家医院里的下一步检验
微软在公告里列出的几项后续都有可核查的落点。SDBench 的部分 NEJM 病例连同基准、Gatekeeper、Judge 和计费代码已经下（MIT 许可），unite.ai 报告其中有一个名为「science」的配置，固定了论文结果所用的 Gatekeeper 和 Judge，外部研究者可以用同一套判分复现或挑战这批数字；数据本身有门槛，NEJM 部分需向 NEJM Group 获取许可，MIMIC 子集经 PhysioNet 凭证分发，默认开放的是五个全合成病例。
更实质的检验在波士顿。微软与 Beth Israel Deaconess Medical Center 达成新合作，将开展一项前瞻研究：患者将直接与系统交互，表现以医生的独立评估为参照。公告同时宣布，微软正把 Microsoft Research 的科学家和 Dragon Copilot、PowerScribe 团队整合进 Microsoft AI 的统一医疗团队；与 Mayo Clinic 的合作则在 6 月 2 日已经宣布——双方共建一个医疗前沿 AI 模型，梅奥拥有该模型，微软计划通过 Azure Foundry API 提供。受控基准上的帕累托前沿能不能延伸到真实诊室，要等 Beth Israel 那项让患者坐到系统对面的研究给出数据。