ИИ оказался точнее врачей в эксперименте. Значит ли это, что скоро лечиться будем у нейросетей?

Что произошло?

22 октября 2026 года в научном журнале Science было опубликовано исследование команды Microsoft под названием Sequential Diagnosis with Language Models.

Авторы изучали, насколько современные языковые модели способны решать не обычные медицинские тесты с готовыми вариантами ответа, а более реалистичную задачу: постепенно собирать информацию о пациенте и на её основе приходить к диагнозу.

Для этого исследователи разработали специальный бенчмарк — SDBench, Sequential Diagnosis Benchmark.

И результаты действительно получились впечатляющими.

ИИ — 83,2%, врачи — 36,1%. Что означают эти цифры?

На сложных клинических случаях из New England Journal of Medicine система Microsoft MAI-DxO на базе GPT-5 достигла 83,2% диагностической точности.

Врачи в open-book режиме — то есть с доступом к справочным клиническим ресурсам — показали в среднем 36,1%.

Без внешних справочных ресурсов средняя точность врачей составляла 22,3%.

Но именно здесь особенно важно разобраться в методике.

Нельзя корректно пересказать исследование как: «ИИ и врачам дали 304 одинаковых пациента, и ИИ победил 83% против 36%».

Это упрощение.

Откуда взялись 304 случая?

Исследователи преобразовали в интерактивный диагностический формат:

• 304 сложных клинических случая из конференций Clinicopathological Conference журнала New England Journal of Medicine;
• 325 госпитализаций через отделение неотложной помощи из базы MIMIC-IV-ED.

Случаи NEJM специально публикуются из-за их диагностической сложности и образовательной ценности.

То есть это не 304 случайных пациента из обычной районной поликлиники.

Среди таких материалов часто встречаются редкие, неоднозначные или особенно сложные заболевания.

Авторы исследования сами подчёркивают, что NEJM-CPC представляет набор сложных случаев, представляющих интерес для узких специальностей.

А сколько случаев решали врачи?

Для корректного сравнения это принципиальный момент.

Из 304 случаев NEJM исследователи выделили 56 наиболее новых случаев 2024–2025 годов в отдельную тестовую выборку.

Именно на этих 56 случаях оценивалась работа участвовавших врачей.

В open-book этапе участвовали 19 практикующих врачей из США и Великобритании.

Среди них:

• 8 врачей первичного звена;
• 11 госпитальных врачей общего профиля.

Медианный опыт работы составлял 12 лет.

Каждый врач решал столько случаев, сколько успевал за период исследования. В сумме исследователи получили 662 open-book диагностических ответа по 56 тестовым случаям.

Поэтому в статье нельзя писать, что каждый врач решил все 304 случая.

Чем эксперимент отличался от обычного медицинского теста?

Именно это делает исследование интересным.

Обычный тест для ИИ может выглядеть примерно так: у пациента такие-то симптомы, такие-то анализы и такие-то результаты обследований. Выберите диагноз из четырёх вариантов.

Но настоящий врач редко получает всю информацию сразу.

Сначала он знает только часть истории.

Затем:

• задаёт вопросы;
• проводит осмотр;
• назначает анализы;
• получает новые данные;
• пересматривает первоначальную гипотезу;
• назначает дополнительные исследования;
• постепенно сужает круг диагнозов.

SDBench попытался воспроизвести именно такой процесс.

Как проходил эксперимент?

В начале ИИ или врачу давали короткое описание пациента.

После этого можно было:

• задать дополнительный вопрос;
• запросить результаты обследования;
• заказать диагностический тест;
• продолжить сбор информации;
• назвать окончательный диагноз.

Специальная модель Gatekeeper открывала информацию из истории болезни только в ответ на соответствующий запрос.

После окончательного ответа другая система оценивала, насколько диагноз соответствует установленному в исходном клиническом случае.

То есть нейросети не показывали сразу всю историю пациента.

Ей приходилось решать: «Что мне нужно узнать дальше?»

И это уже намного ближе к процессу диагностического мышления, чем стандартный тест с готовыми вариантами ответов.

Что такое MAI-DxO?

MAI-DxO — Microsoft AI Diagnostic Orchestrator.

Это не просто один запрос к чат-боту: «Вот симптомы. Какой диагноз?»

Система организует работу языковой модели так, как будто внутри работает виртуальный врачебный консилиум.

Исследователи выделили несколько виртуальных ролей.

Dr. Hypothesis

Формирует и постоянно обновляет список наиболее вероятных диагнозов.

Dr. Test-Chooser

Решает, какие исследования лучше всего помогут различить возможные диагнозы.

Dr. Challenger

Специально ищет слабые места текущей гипотезы и пытается проверить, не ошиблась ли система слишком рано.

Dr. Stewardship

Следит за стоимостью исследований и предлагает более дешёвые варианты, если они дают сопоставимую диагностическую информацию.

Dr. Checklist

Проверяет внутреннюю согласованность процесса.

После нескольких раундов такого обсуждения система решает:

• задать ещё вопросы;
• назначить исследование;
• либо уже сформулировать диагноз.

Иными словами, значительная часть идеи исследования заключается не просто в мощности языковой модели, а в организации процесса её рассуждения и последовательного получения медицинской информации.

А обычный GPT-5 справился хуже?

Да, хотя разница оказалась не огромной.

GPT-5 без MAI-DxO показал на NEJM-бенчмарке около 78,9% точности.

MAI-DxO на GPT-5 — 83,2%.

При этом средняя оценочная стоимость назначенных исследований уменьшилась с $8 409 у обычного GPT-5 до примерно $5 430 у MAI-DxO.

Это важный результат исследования.

Цель заключалась не только в том, чтобы система назвала правильный диагноз, но и в том, чтобы она разумнее выбирала, какую информацию собирать для его подтверждения.

Проверяли ли ИИ на более обычных пациентах?

Исследователи использовали второй набор данных — 325 случаев MIMIC-IV-ED, связанных с пациентами, которые поступили через отделение неотложной помощи и затем были госпитализированы.

Такие истории ближе к реальной клинической документации, чем специально отобранные сложные случаи NEJM.

На этом наборе MAI-DxO показал 80,3% точности, врачи — 46,8%.

Это усиливает интерес к результату, однако и этот эксперимент оставался моделированием на медицинских записях, а не обычной работой ИИ с живыми пациентами.

Что исследование НЕ доказало

Оно не доказало, что:

• ИИ лучше всех врачей;
• нейросеть лучше профильного специалиста;
• ИИ лучше врачебного консилиума;
• система безопаснее врача;
• система лучше лечит пациентов;
• применение ИИ улучшает реальные исходы лечения;
• нейросеть может самостоятельно заменить медицинский приём.

Авторы сравнивали систему с отдельными врачами общего профиля, а не с командами профильных специалистов.

Исследование проходило в контролируемой текстовой среде.

Почему реальный пациент сложнее текстовой задачи?

В настоящей медицине врач работает не только с текстом.

Он может:

• видеть человека;
• оценивать его общее состояние;
• проводить физикальный осмотр;
• замечать невербальные признаки;
• самостоятельно оценивать медицинские изображения;
• учитывать качество полученных данных;
• разговаривать с родственниками;
• наблюдать изменение состояния во времени;
• принимать решения при неполной или противоречивой информации.

В SDBench взаимодействие происходило преимущественно через текстовый интерфейс.

Например, ни ИИ, ни врач не осматривали реального пациента перед собой.

Поэтому результат исследования нельзя напрямую переводить в утверждение: «ИИ ставит диагноз реальным пациентам в 83% случаев».

Такого результата исследование не получало.

А что с медицинскими снимками?

В рамках самого тестового интерфейса диагностический агент запрашивал информацию и результаты исследований, но это не равнозначно полноценной работе врача с исходными изображениями, сигналами и пациентом.

Это ещё одна причина аккуратно интерпретировать результаты.

Кто участвовал со стороны врачей?

В NEJM-сравнении участвовали практикующие врачи из США и Великобритании.

Для первоначального closed-book этапа исследователи привлекли 21 врача:

• 17 врачей первичного звена;
• 4 госпитальных генералиста.

Для отдельного open-book этапа — новую группу из 19 врачей:

• 8 врачей первичного звена;
• 11 госпитальных генералистов.

Медианный опыт обеих групп составлял около 12 лет.

В open-book режиме врачам разрешались обычные клинические справочные ресурсы, например UpToDate и рекомендации NICE.

Генеративные системы вроде ChatGPT в этой части эксперимента использовать не разрешалось.

Это важно, потому что исследование фактически сравнивало не модель «врач + современный ИИ» с MAI-DxO, а индивидуального врача со справочниками против AI-системы.

Почему не сравнили ИИ с узкими специалистами?

Сложные материалы NEJM часто посвящены заболеваниям, которые в реальной практике могут потребовать участия нескольких специалистов.

Например:

• инфекциониста;
• ревматолога;
• онколога;
• невролога;
• гематолога;
• радиолога;
• патоморфолога.

В реальной больнице особенно сложный случай может разбираться консилиумом.

Авторы исследования прямо указывают, что результаты сравнения не устанавливают превосходство над профильными специалистами, мультидисциплинарными командами или реальной клинической практикой.

Поэтому заголовок «ИИ оказался точнее врачей» допустим как вход в материал, но внутри обязательно нужно объяснять: точнее каких врачей, в какой задаче и в каких условиях.

Значит ли это, что врачи скоро станут не нужны?

Пока исследование скорее говорит об обратном сценарии.

Наиболее реалистичный путь развития таких систем — не обязательно «ИИ вместо врача», а «врач + ИИ».

Например, система может помогать:

• составлять более широкий список возможных диагнозов;
• напоминать о редких вариантах;
• искать противоречия в первоначальной гипотезе;
• предлагать дополнительные вопросы;
• сравнивать варианты обследования;
• работать с большим объёмом медицинской информации;
• помогать не пропустить потенциально важную деталь.

Microsoft также планирует проверять диагностические возможности системы в реальных условиях совместно с Beth Israel Deaconess Medical Center в Бостоне.

Именно такие исследования будут значительно важнее для понимания того, насколько результаты лабораторного бенчмарка переносятся на реальную медицину.

Что ИИ может делать для пациента уже сейчас?

Обычная нейросеть и исследовательская MAI-DxO — не одно и то же.

Пользователь ChatGPT, Copilot, Алисы или другого AI-сервиса не получает автоматически доступ к системе, которая показала 83,2% в исследовании.

Это принципиально важно.

Но обычные AI-помощники уже могут быть полезны в более безопасных задачах.

Объяснить медицинский термин

Если в заключении встретилась незнакомая формулировка, ИИ может помочь перевести её с медицинского языка на обычный.

Подготовить вопросы врачу

ИИ может помочь сформулировать вопросы: что означает этот показатель, какие причины нужно исключить, нужны ли дополнительные обследования и какие симптомы требуют срочного обращения. Полезно также заранее структурировать жалобы — подробнее об этом рассказано в статье о поиске симптомов в интернете.

Структурировать жалобы

ИИ может помочь составить понятный список:

• когда появились симптомы;
• как часто они возникают;
• что их усиливает;
• какие лекарства принимает человек;
• какие исследования уже были проведены.

Объяснить уже полученное назначение

Можно попросить понятнее объяснить медицинские термины из назначения или инструкции.

При этом окончательные решения о диагнозе и лечении должны оставаться за медицинским специалистом.

Что не стоит поручать обычному чат-боту?

Не стоит использовать нейросеть как единственный источник для решения:

• какой у вас диагноз;
• какой препарат нужно начать принимать;
• какую дозировку выбрать;
• можно ли отменить назначенное лекарство;
• чем заменить назначенный препарат;
• нужна ли операция;
• можно ли игнорировать тревожный симптом.

ИИ может ошибаться, неправильно понимать контекст или выдавать убедительно сформулированную, но неверную информацию.

Даже высокие результаты специализированной экспериментальной системы не означают, что любой медицинский ответ обычного чат-бота достоверен.

Почему это исследование всё равно важно?

Ограничения не делают результат неинтересным.

Наоборот, исследование показывает, что современные языковые модели начинают решать значительно более сложные медицинские задачи, чем тесты с вариантами ответа.

Особенно интересно, что система должна была сама решать: что спросить → что проверить → какой тест заказать → когда информации уже достаточно для диагноза.

То есть исследователи проверяли не только медицинские знания модели, но и способность последовательно собирать информацию.

MAI-DxO улучшила показатели GPT-5 и одновременно уменьшила оценочную стоимость диагностического поиска по сравнению с обычным использованием модели.

Это делает направление потенциально важным для будущих систем поддержки врачебных решений.

Ещё одно ограничение: кто проводил исследование?

Это тоже нужно учитывать.

Разработчиком MAI-DxO является Microsoft, и исследование выполнено исследователями Microsoft.

Авторы публикации являются сотрудниками Microsoft; в опубликованных сведениях также указано наличие финансового интереса в компании.

Сам факт корпоративного финансирования не делает результаты автоматически неверными.

Кроме того, работа прошла рецензирование и опубликована в Science.

Но при оценке результатов корректно учитывать, что разработчик системы одновременно является автором её исследования.

Независимое воспроизведение результатов и реальные клинические испытания дадут более сильные основания для выводов о практической эффективности.