医疗AI如何像医生一样一步步问诊开检查？微软DxO多智能体编排在Science基准把复杂病例诊断准确率从全科医生36%拉到83%、成本还更低
现在的医疗AI评测大多是「一次性给全信息、选个答案」的静态选择题，测不出真实诊断里「该问什么、该查什么、何时该停」。微软团队在Science发表的DxO多智能体编排系统，用SDBench顺序诊断基准验证：复杂病例诊断准确率83%，是全科医生的2.3倍以上，成本还更低。
研究背景：静态选择题，考不出「真诊断能力」
医疗 AI 的评测长期靠「静态基准」——比如美国执业医师考试（USMLE）这类执照题：一次性把病例信息全摆出来，让模型选一个答案。可真实看病不是这样：医生先听主诉，再决定问什么、查什么，每拿到一个新结果就修正一次判断，最后在「证据够不够」和「成本划不划算」之间权衡着收口。
这就带来一个尴尬的落差：模型能在选择题上考高分，不代表它真的会「问对问题、查对检查」。因为静态基准把「诊断路径」这条最关键的线索抹掉了，只看「答案对不对」。
2026 年 10 月 22 日，微软团队在《Science》正刊发表的这项研究，就是冲着这个落差来的。他们提出一个「顺序诊断基准」（Sequential Diagnosis Benchmark，SDBench）和一个多智能体编排系统 DxO，把评测和系统一起升级。
创新点：从「答对一道题」到「走对一条路」
研究做了两件互为表里的事：
-
SDBench——会「交互」的诊断基准。它把 304 个《新英格兰医学杂志》（NEJM）临床病理会议病例 和 325 个急诊就诊（MIMIC-IV-ED）病例，改写成一步步的「问诊闯关」。诊断者（医生或 AI）从一段简短病例摘要出发，每次只能主动请求下一项信息——问病史、查体、开检查，或直接下诊断；系统既记「答案对不对」，也记「开了多少检查、花了多少钱」。
-
MAI-DxO——模拟「会诊团」的多智能体编排器。它不靠单个大模型一次作答，而是让多个 AI 智能体各自扮演「虚拟医生」：有人提鉴别诊断、有人挑高价值的检查、有人专挑毛病挑战既有判断、有人盯着成本。几个智能体多轮「辩论」，随证据更新结论。
这套思路的落点很清楚：把评测从「答对一道题」升级成「走对一条路」，正好命中了智能体类医疗 AI 的核心能力——会不会拆步骤、会不会权衡。
技术原理：Gatekeeper 把关、Judge 打分
DxO 背后是一套清晰的医疗多智能体工作流，可以拆成三层理解：
- 会诊团（orchestrator）：多个角色互补的智能体围绕同一病例，各提假设、互证互驳，几轮下来收敛到最优鉴别诊断；
- Gatekeeper（守门智能体）：调解每一次信息请求，只按底层病例记录「有问才有答」；当请求的检查结果在病例里不存在时，它生成诊断上中立的合成结果，避免「缺失数据」本身变成泄题信号；
- Judge（裁判智能体）：用一份医生撰写的五级评分表给最终诊断打分，4 分或 5 分（即「治疗方案无需改变」的诊断）记为正确。
检查成本则按 CPT 编码（美国医疗服务计费编码）估算。也就是说，DxO 作为一个临床决策智能体，每一步都在「信息价值 vs 检查成本」之间做显式权衡——这正是真实临床决策的滋味。
数据说话：准确率 83% vs 36%，成本还更低
在 SDBench 上，DxO 搭配 GPT-5 与全科医生做了同题对决，结果是压倒性的：
| 场景 | DxO（无预算限制） | 全科医生 | 最佳单个医生 |
|---|---|---|---|
| NEJM 复杂病例 | 83.2% @ $5,431/例 | 开卷 36.1% @ $4,725、闭卷 22.3% @ $3,049 | 51.8% |
| 急诊病例 | 80.3% @ $4,979/例 | 46.8% @ $3,400 | 62.5% |
几个关键结论值得单独拎出来：
- 准确率与成本「双赢」：NEJM 复杂病例上，DxO 是开卷全科医生的 2.3 倍、闭卷的近 4 倍，急诊病例约 1.7 倍，同时单例成本更低；
- 越省越值：成本受限配置下，DxO 在 NEJM 病例上仍能保持 80.9%（$2,241）与 79.6%（$1,303） 的准确率，追求卓越模式则做到 84.5%；
- 编排本身有增益：无论底层模型换成哪家，DxO 的编排平均带来 7.9 个百分点（NEJM）/ 4.4 个百分点（急诊） 的准确率提升——说明收益来自「多智能体协作」而非单一模型；
- 问诊风格大不同：全科医生平均只问 5.6 个问题就开第一项检查，而 DxO 平均问 25.5 个——作者把这解读为「更彻底的结构化病史采集」。
应用前景与局限
DxO 最有想象力的场景，是复杂、罕见、易误诊病例的「第二意见」：多智能体互相挑战，天然能对冲单个医生常见的「锚定」等认知偏误。微软已宣布将开源 SDBench（含 Gatekeeper、Judge 与成本估算代码）供复现，并计划在波士顿贝斯以色列女执事医疗中心（BIDMC）启动临床测试。
但必须把局限讲透，不能把「83% 打败医生」当成「AI 可以替代医生」：
- 这是回顾性文本基准，用既往病例纸面推演，不是真实患者、未在真实临床工作流验证；
- 对照组是单打独斗的全科医生，而真实世界里复杂罕见病例通常交给专科会诊团队——作者也承认，与专科专家比，差距预计会收窄；
- 「成本更低」基于 CPT 估算，不等于实际医院运营成本能下降；
- 病例偏「复杂少见」，对日常高发、简单病例的普适性尚未检验。
结论
这篇《Science》论文的价值，不在「AI 又一次赢了医生」的标题党，而在它把医疗 AI 的评测标尺往前推了一步：从「答对一道题」升级到「问对、查对、花对钱」。
它用一场干净的同题对决证明：在多智能体编排下，医疗 AI 能像会诊团一样一步步问诊、权衡成本，在复杂诊断这类「过程密集」任务上跑出真实优势。但「纸面上的 83%」要变成「诊室里的 83%」，还差一场真实世界的前瞻试验——微软自己也把话说在了前头。医疗 AI 落地，从来不是「替代医生」的全自动诊断机，而是「帮医生少漏、少错、更省钱」的决策支持助手。
| 论文标题 | Sequential diagnosis with language models（用语言模型做顺序诊断） |
| 作者 | Harsha Nori（第一作者）、Mayank Daswani、Christopher Kelly、Scott Lundberg、Marco Tulio Ribeiro、Marc Wilson、Xiaoxuan Liu、Viknesh Sounderajah、Jonathan M. Carlson、Matthew P. Lungren、Bay Gross、Peter Hames、Mustafa Suleyman、Dominic King、Eric Horvitz（共 15 位作者，均为微软员工） |
| 机构 | Microsoft（微软，美国华盛顿州雷德蒙德） |
| 期刊 | Science（《科学》正刊），第 394 卷，第 6822 期，第 423–428 页 |
| 发表时间 | 2026 年 10 月 22 日 |
| DOI | 10.1126/science.aeh7930 |
| PubMed | PubMed 检索（2026-10-22 刚发表，暂未索引，无 PMID） |
论文原文信息地址：https://www.simoagent.com/blog/2026-10-23-microsoft-dxo-sequential-diagnosis/
参考文献
- Nori H, Daswani M, Kelly C, et al. Sequential diagnosis with language models. Science, 2026;394(6822):423-428. DOI: 10.1126/science.aeh7930
相关问题
什么是临床决策智能体？
临床决策智能体（clinical decision agent）是一种嵌入真实临床工作流的医疗 AI——它不只在你提问后给一段答案，还会自己拆步骤、调工具、串联多个环节，模拟医生「查资料—推理—下判断」的过程，并把最终判断留给医生。本文的 DxO 就是一种典型的临床决策智能体：它模拟「会诊团」一步步问诊、开检查、权衡成本，最终给出诊断，但结论仍属「辅助」，真实临床还需前瞻试验验证。
为什么「静态选择题」测不出真实诊断能力？
静态基准（如美国执业医师考试 USMLE）一次性把病例信息全部给出、让模型选一个答案，它测的是「知识记忆」，不是「诊断过程」。真实诊断是顺序的：医生先听主诉，再决定问什么、查什么，每拿到一个新结果就修正一次判断，还要在「证据够不够」和「成本划不划算」之间权衡。微软这项研究正是因此提出 SDBench 顺序诊断基准——把病例改成一步步的交互式问诊，既记「答案对不对」也记「查了多少钱」，从而测出模型「会不会问对问题、查对检查、知道何时该停」。
多智能体编排和单个大模型诊断有什么区别？
单个大模型诊断是「一次作答」：喂一段病例，直接出诊断，容易犯「锚定」等偏误。多智能体编排则让多个 AI 智能体各司其职——有的提鉴别诊断、有的挑高价值检查、有的专挑毛病挑战既有判断、有的盯成本，几轮「辩论」后再收敛。微软这项研究发现，无论底层模型换成哪家，DxO 的编排平均都能带来 7.9 个（NEJM 病例）到 4.4 个百分点（急诊病例）的准确率提升，说明这部分收益来自「多智能体协作」而非单一模型。