Microsoftの診断AI MAI-DxO、難症例で正答率83%

Microsoft AIは、複数のAIが医師団のように議論して診断を下すシステム「MAI-DxO」の研究成果を、科学誌Scienceに掲載しました。医学誌NEJMの難しい症例304件で正答率83%となり、参考資料を使える一般医の36%を大きく上回っています。検査費用も比較対象の半分から3分の1に抑えました。一方で、伸びの多くは中身のモデルの進化によるもので、実際の患者での検証もこれからです。Microsoft AIのCEO、Mustafa Suleyman氏が掲げる「医療の超知能」に向けた一歩ですが、数字の読み方には注意が要ります。

背景と文脈
技術/ビジネス面
これからどうなるか
まとめ
参考リンク

背景と文脈

AIの医療診断は、これまで選択式の医学試験で測られることが多くありました。正解の選択肢が最初から並んでいるため、実際の診察とはかけ離れています。現場の医師は少ない情報から始め、問診や検査を重ねて答えに近づくからです。

Microsoftはこの差を埋めるため、SDBench（段階的に情報を集めて診断する過程を再現する評価環境）を作りました。モデルや医師は限られた情報から出発し、次に何を聞くか、どの検査をするかを自分で選びます。評価するのは正答率だけでなく、要求した情報と検査費用の見積もりも含みます。

症例には2種類を使いました。1つはNEJM（米国の代表的な医学誌）の症例検討から選んだ難しい304件です。もう1つはMIMIC-IV-ED（米国の病院の救急外来記録を匿名化した研究用データ）の典型的な救急症例でした。

競合も同じ方向を向いています。GoogleはAMIEという診断AIの研究をThe Lancetに載せ、OpenAIも似た主張をしています。大手各社が「AIは医師より診断がうまいか」を競う構図です。

技術/ビジネス面

clear glass bottle in a medical laboratory — Photo by Raghav Bhasin on Unsplash

MAI-DxOの核はオーケストレーター（複数のAIの役割分担と進行を管理する指揮役の仕組み）です。1つのモデルに丸投げせず、「仮想の医師団」を組みます。それぞれが診断の候補を出し、役に立つ質問や検査を選び、浮かんできた見立てに反論します。議論を何周も重ね、新しい結果が出るたびに判断を更新する流れです。

各検査の価値と費用も天秤にかけます。Microsoftの発表によると、主な結果は次のとおりです。

NEJM症例：MAI-DxOは83%。医師は資料なしで22%、資料ありで36%
救急症例：MAI-DxOは80%、医師は47%
費用を抑える設定でもNEJM症例で81%、費用は比較対象の半分未満

ただしTechCrunchの分析は、別の見方も示しています。GPT-5を短い指示で単独に使っても78.9%に達し、MAI-DxOの上乗せは約4ポイントでした。GPT-5.5では単独72%が組み合わせで約87%に伸びた一方、救急症例では両者とも約85%で差がほぼありません。弱いモデルほど効き、強いモデルでは伸びが縮む傾向です。

比較相手にも限りがあります。医師側は一般医が1人で臨んだ結果で、本来こうした難症例を扱う専門医やチームは含まれていません。

これからどうなるか

次の焦点は実際の患者での検証です。Microsoftはボストンのベス・イスラエル・ディーコネス医療センターと組み、同意した救急・急患の患者にMAI-DxOと並行して対応する研究を始めます。Mayo Clinicとは医療向けの基盤モデルを共同で開発し、来年の公開を予定しています。SDBenchの一部症例と採点用コードも公開する計画です。

開発者にとって参考になるのは、モデルを複数の役割に分けて議論させる設計の効き方です。弱いモデルや安いモデルほど伸びが大きく、Gemini 2.5 Flashは46.4%から約69%まで上がりました。社内のRAG（Retrieval-Augmented Generation：外部資料を検索して回答に使う手法）や判定系の処理で、安いモデルに役割分担を組み合わせる方式は費用対効果を試す価値がありそうです。

逆に、最上位モデルを使うなら仕組みの複雑さに見合う上乗せが小さい場合もあります。まずは単独モデルの性能を測り、差分を確かめてから組み立てるのが現実的でしょう。