患者需要可靠的诊断和清晰的治疗路径。对于医疗行业的管理者而言，Microsoft 最新的医疗人工智能研究提出了一个实际问题：当一个系统分多个步骤收集证据并作出决策时，机构应该如何评估它？
在我看来，MAI-DxO 值得关注的不只是准确率，还有它的决策过程。首席执行官和首席技术官应该研究这一过程，同时明确区分研究中的表现与已经在临床实践中得到证实的价值。
《Sequential diagnosis with language models》于2026年10月22日发表在《Science》上。采用 GPT-5 的 MAI-DxO 在304个来自《NEJM》的疑难病例中，诊断准确率达到83.2%。能够使用参考资料的全科或综合诊疗医生准确率为36.1%，未使用这些资源的医生准确率为22.3%。在325个经急诊入院的病例中，系统准确率为80.3%，医生为46.8%。这些结果来自对病例记录进行的受控评估。[1, 2]
这些医生的百分比反映的是他们在研究任务中的表现，绝不能被当作医生在日常诊疗中的总体准确率。总体基准分数也没有回答一个关键问题：哪些错误可能造成最严重的伤害？
MAI-DxO 协调一个虚拟小组，由其提出可能的诊断、质疑假设，并选择要询问的问题或进行的检查。随着新信息到来，系统会调整判断。该基准评估通向诊断的过程，包括检查的估算费用。Microsoft 还评估了成本约束更严格的配置。[2]
对企业管理者而言，一个有用的设计启示是，将提出答案与审查其证据分开。在采取会产生重要后果的行动之前，审查者应能够找出缺失的信息，质疑当前最有可能的解释，并要求补充资料。
多个 AI 角色仍然可能重复同一个错误。因此，智能体之间的共识应当接受外部证据的检验。增加讨论机制意味着多了一个需要评估的组件，并不能证明已经实现独立验证。
我会从三个维度比较系统。将最终答案得分与完整决策过程的质量进行比较。将任务的估算成本与提供服务的总成本进行比较。将历史记录上的表现与前瞻性使用过程中观察到的结果进行比较。每种比较回答的都是不同的投资问题。
例如，一项成本较低的建议可能带来大量审查工作。正确答案可能来得太迟，已无法发挥作用。一个在完整记录上表现良好的系统，在重要信息不可用时可能遇到困难。管理者需要能够清楚呈现这些差异的评估。
SDBench 使用一个信息提供模型来回应所请求的信息，并使用另一个评判模型评估诊断。当所请求的结果在记录中不存在时，信息提供模型可以生成与病例一致的检查发现。这些机制使交互式评估成为可能，但也引入了需要审视的假设。[3]
这一点很重要，因为评估环境会影响测量结果。医院必须确定，当信息不完整、描述互相矛盾或工作流程发生延误时，系统会如何表现。仅凭诊断准确率，无法证明患者安全、治疗质量或临床团队的有效性。
Microsoft 已宣布与 Beth Israel Deaconess Medical Center 开展一项前瞻性研究。患者将直接与系统交互，系统的表现将与医生各自独立作出的评估进行比较。这是计划中的验证，并不是患者结局已经改善的证据。[2]
首席执行官应在为部署提供资金前，明确预期收益。在医疗试点中，这可能意味着更快识别某种疾病，或为疑难病例审查提供更好的支持。指定临床负责人，就结果衡量指标达成一致，并设定停止试点的条件。避免仅根据基准比较作出人员配置决策。
首席技术官应围绕计划采用的工作流程设计评估。比较现有流程、在受控环境中独立运行的 AI，以及获得 AI 辅助的临床医生。使用能够代表拟议服务的病例。检查严重漏诊、不必要的检查、作出决策所需的时间，以及审查建议带来的负担。除总体平均值外，还要报告相关患者群体的结果。
先使用经过适当治理的数据开展回顾性评估。如果证据支持进入下一阶段，可考虑在临床领导和必要审批下，开展有监督的前瞻性研究。明确指定谁有权安排检查或更改治疗。规定系统何时必须将决策交给临床医生，以及医生如何否决或修改系统建议。
要求建议具备可追溯的证据，控制对患者信息的访问，并记录所使用的模型及工作流程版本。只要其中任何一项发生变化，就重复相关评估。成功的试点需要一套运行机制，能够发现表现下降，并在必要时支持停止使用系统。
财务管理者应区分估算的检查费用与实际实现的节省。在商业论证中纳入系统集成、临床审查、监测和持续评估的成本。评估任何节省时，都应同时考虑漏诊和可避免检查带来的后果。
在考虑将 AI 用于保险理赔、采购例外处理或事件调查时，同样的评估纪律也有价值。这些应用需要各自的证据。医疗基准不能验证财务或运营工作流程的有效性。
MAI-DxO 提供了一个理由，让我们审视 AI 如何索取证据、修正判断，并决定何时停止。它能否为企业创造价值，取决于这些行为是否能在真实运行条件下改善一项定义明确的服务。
如果您负责批准一项医疗 AI 试点，在允许其建议影响患者照护之前，您会要求哪些证据？
以数学思维思考。以智慧开展工程实践。以战略引领。以负责任的方式构建。向全球拓展。通过人工智能创造真正的商业价值。
Think mathematically. Engineer intelligently. Lead strategically. Build responsibly. Scale globally. Create real business value through artificial intelligence.
[1] Nori, H. et al. (2026). Sequential diagnosis with language models. Science. https://doi.org/10.1126/science.aeh7930
[2] Microsoft AI (22 October 2026). Building Medical Superintelligence. https://microsoft.ai/news/building-medical-superintelligence/
[3] Microsoft. SDBench documentation. https://microsoft.github.io/sdbench/
