MAI-DxO序贯诊断：多智能体大模型准确率83.2%，超全科医生一倍

核心要点

• 问题：真实诊断是"一步步问、一步步查、逐步缩小鉴别诊断"的序贯过程，而现有大模型评测几乎都是"一次性给全信息、选一个答案"的静态选择题，高估了模型能力、也测不出它会乱开检查的毛病。
• 方法：微软提出序贯诊断基准 SDBench（304 个 NEJM 疑难病例 + 325 个急诊入院病例），并给出多智能体编排系统 MAI-DxO——模拟"专家会诊小组"，分工提出假设、选检查、挑毛病、控成本。
• 结果：MAI-DxO 搭配 GPT-5，在 NEJM 疑难病例上诊断准确率 83.2%（全科医生开卷 36.1%）、急诊病例 80.3%（全科医生 46.8%）；预算受限配置 79.6% 时单例成本仅约 1303 美元。
• 意义：用更贴近真实诊疗流程的评估方式，第一次系统测出"序贯诊断 + 多智能体编排"能同时提升准确率、压低成本，是医疗 AI 评估验证思路的一次升级。
• 原文：Sequential diagnosis with language models，Science，2026-10-22，DOI 10.1126/science.aeh7930

1. 诊断不是选择题：临床决策的序贯本质

医生的诊断从来不是"看到全部信息、立刻给答案"的单轮选择题。真实过程是序贯的：先听主诉、问病史、做体格检查，再决定下一步问什么、开什么检查，每拿到一个新结果就修正一次假设，直到证据足够才下结论。这套"边问边查边修正"的循环，正是临床推理的核心。

但现有的医疗大模型评测，几乎都把它压成了一轮静态问答。不管是美国的医师执照考试，还是打包好的临床小插曲（vignette），都是把所有信息一次性摊在模型面前、让它从预设选项里挑一个。这种测法既高估了模型能力，也测不出它的真实短板——比如过早锁定某个诊断（早闭）、不加选择地乱开检查、被早期假设锚定不放。

微软研究团队在 2026 年 10 月 22 日发表于 Science 的这项工作，正是冲着这个缺口来的：他们做了一个序贯诊断基准 SDBench，并配套提出多智能体编排系统 MAI-DxO，让模型像真正的医生那样一步一步地"问"和"查"。这与此前对话式诊断 AI 多模态 AMIE走的"模拟问诊"路线不同，MAI-DxO 更强调检查的开与不开、成本的高与低。

2. MAI-DxO 的核心创新

这项工作有两点实质贡献，一个是"考卷"，一个是"考生"。

第一，造了一张更接近真实诊疗的"考卷" SDBench。 它把 304 个来自《新英格兰医学杂志》（NEJM）临床病理讨论会（CPC）的疑难病例，和 325 个来自 MIMIC-IV-ED 数据库的急诊入院病例，改造成交互式、逐步推进的诊断场景。每个病例只给一段简短主诉开场，诊断者（医生或 AI）得自己决定下一步问什么、查什么、何时下结论。评分不只盯准确率，还盯累计成本——问诊、检查都被折算成费用。

第二，交出了一个"多智能体会诊小组" MAI-DxO。 它不是一个单独的模型，而是模型无关的编排层：让多个扮演不同角色的智能体协同——有的提鉴别诊断假设，有的挑最有信息量的下一个问题或检查，有的专门挑战已有结论、有的负责掂量性价比，最后把独立多次运行的诊断结果聚合起来。这套设计借鉴了团队协作临床推理的思路，用来对冲单个医生（或单个模型）容易犯的锚定、早闭等认知偏差。

3. 技术原理：看门人与评审员怎么撑起一场序贯诊断

整条链路可以拆成三个角色。看门人（Gatekeeper）智能体：站在病例档案背后，诊断者每次提问或要结果，它只披露被明确问到的那部分；当某个检查结果本来就不存在时，它给出一段诊断上中性的合成结果，避免"缺数据"本身变成提示答案的漏洞。评审员（Judge）智能体：按医生撰写的五级评分量表给最终诊断打分，只有评分达到 4 或 5（即"换谁来处理方案都不会变"）才算正确。

输入是一段简短主诉；处理是诊断者一轮轮发出"问诊/检查/下结论"的动作，由看门人逐步释放信息、评审员判定对错；输出则是诊断结论、用掉的检查清单与估算成本。检查价格用美国 CPT 编码体系估算，问诊和查体统一折算成固定诊费。

需要特别说清：这里测的是"研究原型 + 基准测试"，不是已经落地的诊断产品。没有真实患者、没有真实诊疗环境，成本是估算而非实际花费，与"临床可用的成熟软件"之间还隔着真实前瞻验证这一大步。

4. 数据说话：83.2% 对 36.1%，还更省钱

最值得记住的是这组对比：在 304 个 NEJM 疑难病例上，MAI-DxO 配 GPT-5 拿到 83.2% 的诊断准确率，而全科医生开卷（可查资料）是 36.1%、闭卷仅 22.3%，最佳个体医生 51.8%；换到 325 个急诊病例，两者是 80.3% 对 46.8%。作者特别强调，这套增益能跨模型复现——在 OpenAI、Gemini、Claude、Grok、DeepSeek、Llama 各家族模型上都成立，Gemini 2.5 Flash 这类较弱模型单跑只有 46.4%，配上编排后接近 69%。

但要冷静看待这组数字。第一，这是模拟基准，不是真实诊疗，作者自己也承认若对比的是专科医生而非全科医生，“差距预计会缩小”。第二，大头增益来自更强的底层模型——GPT-5 单模型、仅用基础提示就已经 78.9%，编排层再加的是 4 个多点；急诊病例上编排带来的提升尤其有限。第三，成本是估算值：无预算约束时 NEJM 单例约 5431 美元，其实比医生开卷的 4725 美元还高，只有预算受限配置（79.6% @ 1303 美元）才真正"又准又省"。

5. 从实验室到临床：应用前景与局限

方向上，这套思路可能有三类用途。一是辅助鉴别诊断：把"下一步该问什么、该查什么"的决策结构化，帮助基层或年轻医生拓宽鉴别思路、避免过早锁定；二是检查合理性的守门：把成本纳入决策，可能用于评估与约束不必要的检查开单；三是作为评估基础设施：SDBench 这种序贯、带成本的考法，可作为医疗大模型临床推理能力评测的新范式，让"医疗 AI 评估验证"更贴近真实。

局限同样必须摆出来。第一，纯模拟、无真实患者，急诊场景尤其如此，任何"临床获益"都尚未被前瞻或随机研究证明；微软后续计划在波士顿 Beth Israel Deaconess 医疗中心做真实临床评估，那才是关键证据。第二，对比对象是全科医生而非专科医生或团队，这一选择天然放大了 AI 的相对优势。第三，主要增益来自基础模型，编排层的增量在急诊等相对简单场景里很有限，不能把它神化成"编排万能"。第四，成本是估算，真实收费、地区差异、医疗体系差异都未纳入。

6. 结论与产业启示

这项研究最核心的结论是：把诊断还原成"边问边查边修正"的序贯过程，再用多智能体编排去组织它，能在模拟基准上同时把准确率做到 83.2%（约为全科医生两倍）、把成本压到更低——但这一切仍是模拟结果，真实临床价值有待前瞻验证。

对医疗 AI 产业有三点启示。其一，评估范式该升级了：静态选择题早已测不出诊断大模型的真实水平，像 SDBench 这样"序贯 + 成本"的评测，才是大模型安全护栏这类临床决策系统落地前应当对齐的验证思路。其二，多智能体编排是把"好模型"变成"会看病的流程"的抓手：正如大模型辅助医生决策的随机试验提示的那样，把能力组织进临床工作流，比单纯堆模型参数更接近落地。其三，别把基准高分当临床能力——区分"研究原型"与"获批产品"、坚持真实前瞻验证，是这条路上最不能省的一步。

相关问题

问：MAI-DxO 现在就能用于临床诊断吗？ 答：不能。它是模拟基准测试结果，没有真实患者、没有真实诊疗环境，成本也是估算的。微软已计划在医院做真实临床评估，在那之前只能看作"研究原型"，不能直接用于临床诊断。

问：它会替代医生吗？ 答：不会。它的定位是辅助——帮医生拓宽鉴别诊断、约束不必要的检查，最终诊断仍需医生把关。而且论文对比的是全科医生，若对比专科团队，AI 的相对优势会明显缩小。

问：这个研究测的是完整产品，还是研究原型？ 答：测的是研究原型加基准测试。MAI-DxO 是模型无关的编排层，本身不是获批软件；且大部分增益来自更强的底层模型（GPT-5 单跑已 78.9%），编排层是锦上添花，不能等同于一个成熟可用的临床决策支持产品。

参考文献

1. Nori H, Daswani M, Kelly C, et al. Sequential diagnosis with language models. Science, 2026, 394(6822): 423–428. https://doi.org/10.1126/science.aeh7930
2. Saab K, Park C, Strother T, et al. Advancing conversational diagnostic AI with multimodal reasoning. Nature Medicine, 2026. https://doi.org/10.1038/s41591-026-04371-0
3. Rounding N, Levels M, et al. Impact of LLM assistance on physician decision-making: a multi-country randomized controlled trial. npj Digital Medicine, 2026. https://doi.org/10.1038/s41746-026-03111-5

本文基于该论文的独立解读，仅供学术交流，不构成临床建议。