微软新出多智能体将医疗诊断准确率提到85%，比人类医生高出4倍！

近日微软人工智能团队分享了一项研究，展示了多智能体如何逐步调查和解决医学上最复杂的诊断挑战——专家医生难以回答的病例。以《新英格兰医学杂志》 (NEJM) 每周发布的真实病例记录为基准，微软提出的人工智能诊断协调器 (MAI-DxO) 对 NEJM 病例的诊断准确率高达 85%，比经验丰富的医生团队高出四倍以上。此外， MAI-DxO 还能比医生更经济高效地获得正确诊断。

虽然这是一个医疗智能体，不过其设计思路值得我们学习，如何将现实世界的流程模拟为多智能程序。

那么他们如何做到的呢？

他们根据 NEJM 的病例系列创建了交互式病例挑战，称之为“序贯诊断基准”（SD Bench）。该基准将 304 例近期《新英格兰医学杂志》病例转化为分步诊断，模型（或人类医生）可以迭代提问并安排检查。随着新信息的出现，模型或临床医生会更新其推理，逐步缩小诊断范围。然后，可以将该诊断与《新英格兰医学杂志》上发表的金标准结果进行比较。

全球领先的医学期刊之一《新英格兰医学杂志》（NEJM）每周都会发表麻省总医院的病例记录，以详尽的叙述形式呈现患者的诊疗历程。这些病例是临床医学中诊断最复杂、智力要求最高的病例之一，通常需要多位专家的诊疗和多项诊断测试才能得出确诊。

简单讲，就是按照人类诊断流程，分步诊断。比如你去医院，医生先做初步整段，然后可能是要验血或者拍片，然后将验血完成，根据验血结果进一步判定等等。

所以你在开发智能体程序过程中，千万不要闭门造车，而是模拟原本的工作流程，而不是一股脑的把所有输入都给大语言模型判断。如果这个工作是专员 A 做的，那么 A 就是智能体 A，专业化负责某件事，是流水线还是并行也一样依据现实的流程来就可以了。

微软开发的这套诊断 Agent，命名为人工智能诊断协调器 MAX-DXO，它模拟了一个虚拟的医生专家组，协同合作以解决诊断案例。如下图所示，单个语言模型会扮演五个不同的医疗角色，每个角色都为诊断过程贡献其专业知识。这种精心编排 (orchestrated) 的方法旨在复现团队临床推理的优势，同时减轻个体的认知偏见，并最大限度地降低成本和侵入性。

这个虚拟专家组由 5 个专家组成：

• 假设生成医生 (Dr. Hypothesis) – 维护一个按概率排序的鉴别诊断列表，列出最可能的三种病症，并在每次获得新发现后，以贝叶斯方式更新概率。
• 检查选择医生 (Dr. Test-Chooser) – 每轮选择最多三个诊断性检查，这些检查要能够最大程度地区分当前最有可能的几种假设。
• 挑战者医生 (Dr. Challenger) – 扮演“魔鬼代言人”（唱反调）的角色，通过识别潜在的锚定偏见，指出相互矛盾的证据，并提出可以证伪当前主要诊断的检查。
• 成本管控医生 (Dr. Stewardship) – 强制推行有成本意识的医疗服务，当存在诊断效果相当的方案时，倡导选择更便宜的替代方案，并否决那些效益低下的昂贵检查。
• 质控核查医生 (Dr. Checklist) – 执行静默的质量控制，确保模型生成有效的检查名称，并保持专家组内部推理逻辑的一致性。

然后经过辩论链 (Chain of Debate)达成共识，是要继续问询，还是安排检查，做出最终检查。可以看到这套架构是模型无关的，即支持大部分模型。

通过这种多角色协作和迭代式推理，MAI-DxO 能够有效避免单一模型可能出现的思维局限，并以更经济、更高效的方式逼近正确诊断。

诊断流程如下图所示：

诊断流程

性能测试

MAI-DxO 提升了测试的每个模型的诊断性能。性能最佳的设置是 MAI-DxO 与 OpenAI 的 o3 搭配使用，正确解决了 85.5% 的 NEJM 基准病例。为了进行比较，还评估了来自美国和英国的 21 位执业医师，每位医师都有 5 至 20 年的临床经验。在相同的任务中，这些专家 在已完成病例中的平均准确率只有 20%，只有 MAI-DxO 的1/4。具体如下图所示。

也可以看到 OpenAI o3 虽然也能达到 78%左右的准确率，但是其医疗成本高达 8000 刀，因为没有限制的 AI 它会采用各种各样的检查。而多智能体则会根据预算控制检查项目，MAX-DxO 在 2500 左右的成本下就已经实现了 80%的准确率。成本下降 1/4。而 Gemini-2.5-Pro 和 Cluade 也非常强大，而我们国产 DeepSeek-R1 在此项评分中表现一般。

多说一句 gemini-2.5-flash 这么强吗？有同学测试过么？

总结

论文今日刚刚发表Sequential Diagnosis with Language Models[1]，论文中表示代码可能后续会放出。我在想，其实多智能体就是模拟人类分工合作的，测试也表明，多智能体的效率也远比单个模型的效率高的多。而且随着大语言模型的发展，多智能体的程序的准确率和效率只会进一步提高。

参考资料

[1] 

Sequential Diagnosis with Language Models: https://arxiv.org/pdf/2506.22405