发生了什么
美国时间 10 月 22 日，微软 MAI-DxO 诊断系统的论文《Sequential diagnosis with language models》正式发表于《Science》（第 394 卷 6822 期，423 至 428 页）。在取自《新英格兰医学杂志》的 304 例疑难病例上，系统诊断准确率为 83.2%；同一批病例中，允许查阅教材与互联网的全科医生为 36.1%，不允许查资料时为 22.3%。急诊常见病例（MIMIC-IV-ED，325 例）上，系统为 80.3%，医生为 46.8%。
- 评分不只看答案：SDBench 同时记录问诊与检查路径，并按 CPT 口径估算单例检查成本
- 成本：疑难病例组无预算约束 83.2%、每例 5431 美元；成本受限配置 79.6%、每例 1303 美元；医生开卷组每例 4725 美元
- 路径差异：医生在开第一项检查前平均问 5.6 个问题，配 GPT-5 的 DxO 平均问 25.5 个
它是怎么工作的
MAI-DxO 本身不做推理，它编排一个现成的基础模型，让同一个模型扮演五个角色互相辩论：一个维护三档鉴别诊断清单并随新证据更新，一个挑选最能区分候选的诊断项目，一个专门寻找锚定偏差，一个盯成本、在效果等效时推荐更便宜的检查，最后一个核对每次请求是否合理。每轮辩论后可选择继续问诊、开检查或提交诊断。论文报告配合 GPT-5 时成绩最好；换到 GPT-5.5 且不改编排方法，增益仍然存在。
哪些结论不能外推
论文自己列出的边界比宣传口径严格得多：对照组是单独作业的全科与内科医生，没有专科医生，也没有多学科团队，而这恰恰是现实中处理此类病例的常态；所有病例都由历史数据改造为模拟环境，衡量的是理想信息条件下的诊断推理，不是床旁表现与患者结局；成本为估算值，不是真实医疗支出；15 位作者全部为微软员工。
- 该研究 2025 年曾以预印本形式公开，本次是同行评审后的正式发表；SDBench 的部分病例、Gatekeeper、Judge 与成本估算代码同步开源
- 下一步是与波士顿贝斯以色列女执事医疗中心合作，在急诊等真实场景让系统与医生并行给出建议，此前尚无一位真实患者接入
对采购方的意义
这条新闻的价值不在「AI 超过医生」，而在评估口径的更换。过去医疗模型比拼的是执业考试式选择题，全部信息一次性给出；SDBench 把「先问什么、再开什么检查、什么时候可以收手」变成可计分的路径问题，并把成本纳入评分。对准备引入临床决策支持的医院，评估清单至少要加两项：系统在信息不全时是否会主动追问，它开出的检查是否比现有路径更贵。责任边界也需提前划定，系统给出的是建议，签字与后果仍在医生一侧。