پژوهش تشخیصی واحد هوش مصنوعی مایکروسافت از داوری علمی گذشت. مقاله‌ای که ۲۲ اکتبر در مجله ساینس منتشر شد، سامانه MAI-DxO یا هماهنگ‌کننده تشخیص این شرکت را معرفی می‌کند و نشان می‌دهد که این سامانه روی پرونده‌های گذشته بسیار بیشتر از پزشکان عمومی به تشخیص درست رسیده است. مصطفی سلیمان، مدیرعامل این واحد، این نتیجه را گامی به سوی چیزی خواند که شرکت «ابرهوش پزشکی» می‌نامد، اما پذیرفت که سامانه هنوز به اعتبارسنجی بالینی نیاز دارد.
این سامانه یک مدل واحد نیست. چند عامل هوش مصنوعی را هماهنگ می‌کند که مانند یک گروه کوچک پزشک رفتار می‌کنند: از بیمار شبیه‌سازی‌شده سؤال می‌پرسند، آزمایش‌ها را انتخاب می‌کنند، درباره احتمال‌ها بحث می‌کنند و در نهایت تشخیص می‌دهند. مطالعه هم دقت و هم هزینه برآوردی آزمایش‌های درخواستی را می‌سنجد. مایکروسافت برای این کار محک ویژه خود را با نام SDBench ساخت؛ با پرونده‌هایی که در مجله پزشکی نیوانگلند منتشر شده و پذیرش‌های اورژانس از پایگاه داده بزرگ مرکز پزشکی بث اسرائیل دیکونس در بوستون. به گزارش ورج، شرکت قصد دارد این محک را متن‌باز کند.
در پرونده‌های پیچیده آن مجله، سامانه در حدود ۸۳ درصد موارد درست گفت. پزشکان مراقبت اولیه و متخصصان داخلی که تنها کار می‌کردند، با منابع کمکی به ۳۶ درصد و بدون آن به ۲۲ درصد رسیدند. در پرونده‌های اورژانس، سامانه به ۸۰ درصد رسید در حالی که میانگین پزشکان حدود ۴۷ درصد بود و به گفته مایکروسافت با آزمایش‌های کمتر و ارزان‌تر. تک‌کرانچ به محدودیت مهمی اشاره می‌کند: چنین پرونده‌های دشواری معمولاً به متخصصان یا تیم‌های پزشکی سپرده می‌شود که در این مقایسه حضور نداشتند.
مقاله همچنین نشان می‌دهد چه اندازه به مدل پایه بستگی دارد. پیکربندی منتشرشده روی GPT-5 از OpenAI اجرا می‌شد و مایکروسافت مدل‌هایی از OpenAI، گوگل، Anthropic، متا و DeepSeek را هم آزمود. بر اساس ارقامی که تک‌کرانچ نقل کرده، GPT-5 با یک پرامپت ساده به‌تنهایی در پرونده‌های پیچیده به ۷۸٫۹ درصد با هزینه برآوردی حدود ۸۴۰۰ دلار برای هر پرونده رسید؛ هماهنگ‌کننده این هزینه را حدود ۳۰۰۰ دلار کم کرد و تنها حدود چهار واحد درصد به دقت افزود. با GPT-5.5 دقت در پرونده‌های پیچیده از ۷۲ به نزدیک ۸۷ درصد رسید، اما در اورژانس سودی نداشت و هر دو حالت حدود ۸۵ درصد ماندند. ضعیف‌ترین مدل‌ها بیشترین بهره را بردند: Gemini 2.5 Flash از ۴۶٫۴ به نزدیک ۶۹ درصد رسید.
گام بعدی از بایگانی به سراغ بیماران می‌رود. مایکروسافت در قالب همکاری تازه با بث اسرائیل دیکونس یک مطالعه آینده‌نگر اجرا می‌کند که در آن بیماران مستقیماً با سامانه تعامل دارند و نتیجه‌گیری آن با ارزیابی مستقل پزشکان در بخش‌های مختلف بیمارستان مقایسه می‌شود. سلیمان همچنین به تک‌کرانچ گفت مایکروسافت با مایو کلینیک روی یک مدل پایه حوزه سلامت کار می‌کند که امیدوار است سال آینده عرضه شود.
برای پزشکان و مدیران بیمارستان‌ها، این مقاله چارچوبی ساختارمند پیش می‌نهد تا هوش مصنوعی را به‌عنوان نظر دوم تشخیصی ببینند که هم با درستی و هم با هزینه سنجیده می‌شود. برای سازندگان هوش مصنوعی هم نشانه‌ای است که هماهنگ کردن چند عامل در مسائل استدلالی دشوار ارزش افزوده دارد، هرچند این مزیت با بهتر شدن مدل‌های پایه کوچک‌تر می‌شود.
این ارقام با چند احتیاط همراه است. همه نویسندگان کارمند مایکروسافت‌اند، محک ساخت خود شرکت است، متخصصان در مقایسه نبودند و همه پرونده‌ها مربوط به گذشته‌اند. تازه‌ترین مدل‌های پیشرو هم در مقاله بررسی نشده‌اند. تا زمانی که نتایج آزمایش آینده‌نگر منتشر نشود، عملکرد واقعی بالینی همچنان آزموده‌نشده می‌ماند.