Что такое MAI-DxO и как работает AI-консилиум
MAI-DxO (сокращённо DxO) - диагностическая система Microsoft, построенная вокруг идеи врачебного консилиума. Несколько AI-агентов получают разные задачи, обмениваются промежуточными выводами и вместе приходят к диагнозу. TechCrunch описывает работу так: агенты расспрашивают пациента, назначают анализы и спорят о диагнозе.
Цикл для клиники привычный: сбор анамнеза, выдвижение гипотез, назначение тестов, обсуждение расхождений, итоговый диагноз. Новизна не в медицинской логике, а в инженерной обвязке. DxO - оркестрация поверх обычной языковой модели, а не отдельная медицинская модель, дообученная на историях болезней.
Роли агентов и логика оркестрации
Точный список ролей и промптов Microsoft публично не раскрывает, поэтому смотреть стоит на функциональную схему, типичную для мультиагентной диагностики.
- Агенты-«специалисты» предлагают конкурирующие гипотезы и обосновывают их.
- Модератор сводит обсуждение к следующему шагу: какой анализ назначить, какую версию отбросить.
- Критик ищет противоречия в чужих рассуждениях и проверяет, не пропущены ли альтернативные объяснения.
Оркестрация AI-агентов означает управление порядком вызовов модели, передачу контекста между шагами и агрегацию ответов в один вывод. Отличие от одиночного запроса в том, что у каждого шага свой узкий фокус и свой короткий контекст вместо одной длинной инструкции «поставь диагноз».
Чем это отличается от одного промпта к LLM
Один запрос к LLM - один проход модели. Модель получает описание кейса и отвечает, опираясь на то, что попало в контекст. Мультиагентная схема делает несколько проходов и на каждом сужает задачу: собрать анамнез, выбрать тест, оспорить гипотезу.
Стоимость при этом может снижаться, хотя вызовов становится больше. Механику источник не раскрывает, но логика такая: один длинный проход с большим контекстом и перебором вариантов обходится дороже, чем несколько коротких шагов с конкретной задачей. На сложных случаях с GPT-5 вариант без DxO давал 78,9% верных диагнозов при цене около $8 400 за кейс, а с DxO стоимость падала примерно на $3 000 при приросте точности около 4 п.п.
Что именно измерялось: методика симуляции на кейсах NEJM
Эксперимент - симуляция. Взяли сложные клинические случаи, опубликованные в New England Journal of Medicine, и прогнали их через систему в формате диалога: агенты задавали вопросы виртуальному пациенту и назначали исследования. Реальные пациенты, живые врачи у постели и ответственность за ошибку в схему не входили.
Ответ сверяли с верным диагнозом из разбора кейса: без эталона долю правильных ответов не измерить. Это бенчмарк на текстовых описаниях, а не измерение клинического исхода.
Сложные случаи NEJM vs кейсы приёмных отделений
Тип кейса меняет результат сильнее, чем кажется. На диагностически трудных многошаговых случаях DxO даёт прирост. На кейсах приёмных отделений выигрыша нет.
| Сценарий | Без DxO | С DxO | Стоимость |
|---|---|---|---|
| GPT-5, сложные случаи NEJM | 78,9% | примерно +4 п.п. | около $8 400 за кейс, с DxO дешевле примерно на $3 000 |
| GPT-5.5, сложные случаи | 72% | почти 87% | немного дешевле с DxO |
| GPT-5, приёмные отделения | заметного преимущества нет | заметного преимущества нет | экономии нет |
| GPT-5.5, приёмные отделения | около 85% | около 85% | сопоставимая |
| Gemini 2.5 Flash, сложные случаи | 46,4% | почти 69% | не раскрыта |
Читается таблица однозначно: оркестрация помогает там, где нужна длинная цепочка рассуждений и перебор гипотез. Там, где диагноз укладывается в короткий протокол, лишние шаги ничего не добавляют.
С кем сравнивали систему и кого в сравнении не было
Соперниками выступили терапевты и общие интернисты, работавшие поодиночке со справочными материалами. Деталь важная: кейсы уровня NEJM в реальной практике обычно ведут профильные специалисты и врачебные команды, и они в сравнении не участвовали. То есть 36% - результат одиночного врача общей практики на материале, который для его повседневной работы не типичен.
83% против 36%: что на самом деле показывает сравнение
Цифра 83% относится к симуляции, 36% - к одиночным терапевтам с ограниченным набором справочных материалов. Из этой пары чисел не вывести, что система точнее врача в клинике: сравнивались участники с разными ресурсами и разной ролью.
Корректная формулировка такая: MAI-DxO показала высокую точность на трудных текстовых кейсах и заметно превзошла одиночного врача общей практики в тех же условиях симуляции. Данных о превосходстве над специалистами или командой нет, потому что таких участников не было.
Публикуя результаты, Microsoft присоединяется к Google и OpenAI в заявлениях, что их AI может соответствовать врачам или превосходить их. Заявление и клиническое испытание - разные жанры: первое описывает результат на бенчмарке, второе проверяет исходы на пациентах. Разбор похожих заявлений о замене врачей показывает, где обычно ломается логика: качество ответа на вопрос путают с ответственностью за решение.
Вклад базовой модели и вклад оркестрации: где настоящий прирост
Данные самого исследования говорят: значительную часть улучшения дают более мощные базовые модели, а оркестрация добавляет прирост сверху. Проверялись модели OpenAI, Google, Anthropic, Meta и DeepSeek; лучшие результаты показали GPT-5 и GPT-5.5 от OpenAI.
- GPT-5: 78,9% без DxO, примерно +4 п.п. с DxO, экономия около $3 000 на кейс.
- GPT-5.5: 72% без DxO, почти 87% с DxO, стоимость немного ниже.
- Gemini 2.5 Flash: 46,4% без DxO, почти 69% с DxO.
Разрыв между слабыми и сильными моделями всё равно больше, чем вклад оркестрации. Проще говоря, смена базовой модели сдвигает результат сильнее, чем включение консилиума.
Почему на слабых моделях DxO помогает сильнее
Слабая модель чаще ошибается в цепочке рассуждений: теряет условие, пропускает очевидную альтернативу, делает вывод по одному признаку. Обсуждение нескольких агентов это частично компенсирует, потому что критика ловит провалы до финального ответа. Отсюда примерно 22 п.п. прироста у Gemini 2.5 Flash. У GPT-5 запас меньше: модель уже близко к потолку, добавка составляет около 4 п.п. Исследователи Microsoft прямо объясняют сокращение прироста приближением к теоретическому максимуму.
Стоимость AI-диагностики: сколько стоит один кейс
Порядок затрат: около $8 400 за кейс у GPT-5 без оркестрации и примерно на $3 000 меньше с DxO. У GPT-5.5 вариант с DxO оказался немного дешевле варианта без неё. На кейсах приёмных отделений экономии не было вовсе.
Стоимость складывается из числа вызовов модели и длины контекста. Каждый шаг консилиума - отдельный вызов, и если он не сокращает перебор, затраты растут без отдачи. Практическое правило простое: оркестрация окупается, когда задача действительно многошаговая.
Где заканчиваются бенчмарки и начинается клиническая практика
Ограничения лучше держать перед глазами целиком.
- Симуляция на текстовых кейсах, а не работа с реальными пациентами.
- Сравнение с одиночными терапевтами и интернистами, без специалистов и врачебных команд.
- Отсутствие выигрыша на кейсах приёмных отделений и по точности, и по стоимости.
- Нет данных о вреде: ложноположительных диагнозах, лишних обследованиях, поведении на редких случаях.
- Нет данных о поведении при неполном анамнезе, ошибках в данных и нестандартных ответах пациента.
Microsoft планирует оценивать DxO в реальных условиях с Beth Israel Deaconess Medical Center в Бостоне. Клиническая валидация ещё впереди, а текущие 83% - верхняя граница оптимистичного сценария на бенчмарке.
Тот же урок виден на других медицинских AI-продуктах. ChatGPT Health собирает сотни миллионов запросов в неделю, но OpenAI прямо предупреждает, что сервис не предназначен для диагностики и лечения. Опыт NHS England с Microsoft Copilot показывает, что реальная польза ассистента чаще лежит в административных задачах, а граница с клиническими решениями остаётся жёсткой.
Отдельный слой - приватность. Локальные модели в медицине обсуждают именно потому, что медицинские команды относятся к данным пациентов строго, и для части клиник контроль над инфраструктурой важнее пары процентов на бенчмарке.
«Медицинский суперинтеллект» и планы Microsoft: что стоит за формулировками
Mustafa Suleyman, CEO Microsoft AI, назвал результат шагом к «медицинскому суперинтеллекту». Dominic King, вице-президент по здоровью Microsoft AI, объясняет мотивацию иначе: главный вызов здравоохранения - растущий разрыв между спросом на медицинскую экспертизу и её предложением. В публикации TechCrunch приводятся обе формулировки.
Инженерные планы конкретнее риторики. Microsoft вместе с Mayo Clinic обучает фундаментальную модель для здравоохранения, выпуск запланирован на следующий год. Модели пока нет в доступе, оценивать нечего. Плюс заявленная проверка DxO в реальных условиях с Beth Israel Deaconess Medical Center.
«Суперинтеллект» в этой рамке работает как маркетинговый зонтик. Измеримый результат скромнее: прирост точности в симуляции на сложных кейсах, причём большая часть прироста приходится на базовую модель. Это не отменяет ценности работы, но задаёт масштаб: перед нами аккуратный инженерный эксперимент, а не смена парадигмы.
Практический вывод: как относиться к мультиагентной диагностике
Для тех, кто строит мультиагентные системы, вывод из данных DxO переносимый.
- Оркестрация оправдана на сложных многошаговых задачах, где нужно перебирать гипотезы и проверять их.
- При сильной базовой модели дельта мала, а число вызовов и стоимость растут.
- На слабых моделях мультиагентная схема даёт заметный прирост, но не догоняет сильную модель.
- Первый шаг - апгрейд базовой модели, второй - оркестрация. Обратный порядок даёт меньше.
Для медицинского применения критичны другие вещи: реальные клинические испытания, сравнение со специалистами и командами, оценка вреда и ложных диагнозов. Пока этих данных нет, систему нельзя рассматривать как замену врачу или как основу для самостоятельной диагностики.
MAI-DxO - полезный инженерный паттерн: несколько агентов с разными ролями в части случаев доводят трудный кейс до ответа дешевле, чем один длинный промпт к модели. И одновременно напоминание, что «суперинтеллект» из пресс-релиза и прирост в 4 п.п. из таблицы живут в разных системах координат.