看到微軟搞出來的這個(gè)“MAI-DxO” AI醫(yī)生系統(tǒng)，我只能說一句話——真的可以封神了??！
先亮個(gè)結(jié)論：這不是簡(jiǎn)單的“AI醫(yī)生”，而是一個(gè)能挑戰(zhàn)多位專家、還能控制成本、還能多輪推理的虛擬醫(yī)生團(tuán)隊(duì)。準(zhǔn)確率直接干到了85%，遠(yuǎn)遠(yuǎn)碾壓人類醫(yī)生的20%平均水平。這不是在炒概念，這是真刀真槍跑了304個(gè)真實(shí)雜志病例干出來的結(jié)果！
下面我來詳細(xì)拆一下它到底厲害在哪，怎么做到的。
這個(gè)點(diǎn)我覺得是整個(gè)系統(tǒng)的核心創(chuàng)新。
傳統(tǒng)AI問診系統(tǒng)是“一個(gè)模型回答所有問題”，就跟讓一個(gè)醫(yī)生既當(dāng)內(nèi)科又當(dāng)外科還當(dāng)心理科一樣，怎么可能面面俱到？
但MAI-DxO反其道而行之，搞成了一個(gè)“AI醫(yī)生團(tuán)隊(duì)”：
就像你去醫(yī)院看疑難雜癥時(shí)，幾個(gè)專家圍在一起討論一樣，它也模擬了這套機(jī)制。不是“誰快誰準(zhǔn)”，而是“大家分工+集體智慧”。
我看了一下它的工作機(jī)制，明顯是受到了Agent多智能體架構(gòu)啟發(fā)，背后搞不好是調(diào)度了像GPT-4、Claude、MedPaLM這種多個(gè)大模型協(xié)同工作。
這個(gè)系統(tǒng)思路真的牛逼——讓不同模型扮演不同角色，然后通過對(duì)話方式互相補(bǔ)充信息，像“虛擬會(huì)診”一樣推進(jìn)整個(gè)診療過程。
我之前接觸過一些醫(yī)療AI，它們最大的問題就是“一問一答”，就像你去醫(yī)院醫(yī)生看你幾秒就告訴你結(jié)果，一臉問號(hào)吧？
但MAI-DxO不是這樣——它是：
這個(gè)和我做系統(tǒng)設(shè)計(jì)時(shí)常用的“樹狀推理結(jié)構(gòu)”有點(diǎn)像，它不會(huì)一上來就說“你得了肺炎”，而是先問你有沒有咳嗽、發(fā)燒，然后讓你做血常規(guī)、拍片，再結(jié)合這些數(shù)據(jù)不斷迭代分析，最后才下判斷。
這才像個(gè)真正的醫(yī)生思維??！
而且它還會(huì)自己考慮：是不是檢查太多了？有沒有更便宜的檢查路徑？這個(gè)我后面還要重點(diǎn)說！
這個(gè)對(duì)比數(shù)據(jù)真的看傻我了。
微軟找了304個(gè)來自真實(shí)醫(yī)學(xué)期刊的疑難雜癥案例，不是那種“發(fā)燒感冒”級(jí)別，而是那種醫(yī)生都抓耳撓腮的那種復(fù)雜病。
結(jié)果：
整整差了四倍有余！
這已經(jīng)不是“人機(jī)差距小”，這是“AI全面碾壓”了。以前我們都說AI輔助醫(yī)生，現(xiàn)在得反過來了——醫(yī)生輔助AI吧。
而且這85%不是靠運(yùn)氣，它是一步步問、一項(xiàng)項(xiàng)查出來的，關(guān)鍵還不會(huì)像醫(yī)生那樣感情用事、經(jīng)驗(yàn)偏差。
這個(gè)點(diǎn)我真的太喜歡了！
現(xiàn)實(shí)中去醫(yī)院，醫(yī)生最煩的一點(diǎn)是什么？你一進(jìn)去，劈頭蓋臉一堆檢查，抽血、CT、彩超、磁共振，花錢如流水。
MAI-DxO完全不是這種套路！
它會(huì)：
也就是說，它自己會(huì)算賬：這個(gè)病的可能性A/B/C，現(xiàn)在如果做檢查X可以同時(shí)排除A和B，那就去做X；但如果X太貴，它可能轉(zhuǎn)頭做一個(gè)便宜的Y加個(gè)Z來覆蓋差不多信息。
這是典型的最優(yōu)化決策樹策略！
我之前做數(shù)據(jù)決策系統(tǒng)時(shí)也遇到過類似問題，如何在成本最小下獲得最大信息量，確實(shí)挺難搞的，而它居然能搞得這么好！
這個(gè)點(diǎn)最讓我感興趣——微軟說這個(gè)MAI-DxO不僅自己準(zhǔn)，還能帶著別的模型一起變準(zhǔn)。
什么意思？
它等于變成了一個(gè)“調(diào)度員”，讓Claude、GPT-4、Gemini等多個(gè)大模型協(xié)同工作，每個(gè)模型根據(jù)擅長(zhǎng)任務(wù)分配工作，結(jié)果是：在304個(gè)案例上，所有模型準(zhǔn)確率都有所提升！
這簡(jiǎn)直像現(xiàn)實(shí)中“高手帶新手”的模式。
而且這還說明一件事：模型并不一定要越來越大，關(guān)鍵是怎么組合和調(diào)度。
這點(diǎn)我在本地部署大模型（像deepseek-r1、Qwen）時(shí)也發(fā)現(xiàn)了，單個(gè)模型能力再強(qiáng)，架不住任務(wù)復(fù)雜度高，必須協(xié)同才行。
我只能說，這種技術(shù)，一旦落地，最先受益的絕對(duì)是基層醫(yī)療機(jī)構(gòu)和偏遠(yuǎn)地區(qū)，真正的技術(shù)普惠??！
特別聲明：智慧醫(yī)療網(wǎng)轉(zhuǎn)載其他網(wǎng)站內(nèi)容，出于傳遞更多信息而非盈利之目的，同時(shí)并不代表贊成其觀點(diǎn)或證實(shí)其描述，內(nèi)容僅供參考。版權(quán)歸原作者所有，若有侵權(quán)，請(qǐng)聯(lián)系我們刪除。
凡來源注明智慧醫(yī)療網(wǎng)的內(nèi)容為智慧醫(yī)療網(wǎng)原創(chuàng)，轉(zhuǎn)載需獲授權(quán)。
智慧醫(yī)療網(wǎng) ? 2022 版權(quán)所有 ICP備案號(hào)：滬ICP備17004559號(hào)-5
