Robocikowo>ROBOCIKOWO
healthcare-medicine

Medical Superintelligence

2025BadawczyOpublikowano: 24 października 2026Aktualizacja: 24 października 2026Opublikowany
Paradygmat, w którym systemy AI orkiestrujące wiele modeli przewyższają lekarzy w trafności i kosztach diagnozy złożonych przypadków klinicznych.
Kluczowa innowacja
Przeniesienie celu AI w medycynie z pojedynczego modelu na orkiestrację wielu modeli, która na trudnych przypadkach NEJM-CPC przewyższa trafność i efektywność kosztową lekarzy ogólnych.
Kategoria
healthcare-medicine
Poziom abstrakcji
Paradygmat
Poziom operacji
SystemOrkiestracjaAplikacja
Zastosowania
Diagnostyka różnicowa złożonych przypadkówWsparcie decyzji klinicznychOptymalizacja kosztów badań diagnostycznychBenchmarking zdolności diagnostycznych AI

Jak działa

Zademonstrowana realizacja opiera się na orkiestratorze (MAI-DxO), który symuluje panel lekarzy: proponuje diagnozy różnicowe, dobiera wartościowe i opłacalne badania oraz iteracyjnie odpytuje model-strażnika ujawniający dane tylko na żądanie. Wydajność mierzy się nie tylko trafnością rozpoznania, ale też kosztem wizyt i badań. Podejście jest niezależne od modelu bazowego — działa z modelami OpenAI, Google Gemini, Anthropic Claude, xAI Grok, DeepSeek i Meta Llama.

Rozwiązany problem

Większość ocen modeli językowych w medycynie opiera się na statycznych winietach i pytaniach wielokrotnego wyboru, które nie oddają iteracyjnego, kosztowego charakteru rzeczywistej diagnostyki. Pojęcie odpowiada na pytanie, czy i jak AI może dorównać ekspertom w realistycznym, sekwencyjnym procesie stawiania diagnozy.

Komponenty

MAI Diagnostic OrchestratorOrkiestrator symulujący panel lekarzy

Model-agnostyczny orkiestrator, który proponuje diagnozy różnicowe i strategicznie wybiera wartościowe, opłacalne badania, prowadząc sekwencyjny proces diagnostyczny.

Sequential Diagnosis BenchmarkŚrodowisko oceny

Benchmark przekształcający 304 trudne przypadki NEJM-CPC w sekwencyjne spotkania diagnostyczne z modelem-strażnikiem ujawniającym dane tylko na żądanie; ocenia trafność i koszt.

Implementacja

Pułapki implementacyjne
Nietypowo złożone przypadki i symulowany strażnikWysoka

Wyniki uzyskano na 304 trudnych przypadkach NEJM-CPC i z symulowanym modelem-strażnikiem; nie są reprezentatywne dla rutynowej praktyki klinicznej ani zwalidowane klinicznie.

Rozwiązanie:Traktować jako demonstrację badawczą; przed zastosowaniem wymagana walidacja na reprezentatywnych danych i w warunkach klinicznych.

Ewolucja

Oryginalny paper · 2025 · arXiv (preprint, Microsoft AI, 2025) · Harsha Nori
Sequential Diagnosis with Language Models
Harsha Nori, Mayank Daswani, Christopher Kelly, Scott Lundberg, Marco Tulio Ribeiro, Marc Wilson, Xiaoxuan Liu, Viknesh Sounderajah, Jonathan Carlson, Matthew P. Lungren, Bay Gross, Peter Hames
2025
Microsoft AI prezentuje MAI-DxO i Sequential Diagnosis Benchmark oraz określa drogę do „medical superintelligence”
Punkt przełomowy

MAI-DxO z modelem OpenAI o3 osiąga 80% trafności diagnostycznej (wobec ok. 20% u lekarzy ogólnych) i obniża koszty badań; w trybie maksymalnej trafności 85,5%.

Sequential Diagnosis with Language Models (artykuł)

Hiperparametry (konfigurowalne osie)

Model bazowyWysoka

Model językowy napędzający orkiestrator; podejście jest model-agnostyczne (m.in. o3, Gemini, Claude, Grok, DeepSeek, Llama).

OpenAI o380% trafności w Sequential Diagnosis Benchmark
Tryb pracyWysoka

Kompromis między trafnością a kosztem badań; konfiguracja nastawiona na maksymalną trafność osiąga 85,5%.

Maksymalna trafność85,5% trafności diagnostycznej
Efektywny kosztowook. 20% niższe koszty niż u lekarzy