Microsoft טוענת: מערכת ה-AI שלה מאבחנת טוב יותר מרופאים
מערכת ה-MAI-DxO של Microsoft אבחנה נכון 83% מהמקרים הרפואיים המורכבים — פי 2.3 משיעור ההצלחה של רופאים כלליים. המחקר פורסם ב-Science, והשלב הבא הוא שיתוף פעולה עם Beth Israel Deaconess Medical Center לבחינת הכלי בעולם האמיתי. Suleyman קורא לזה "רפואת-על" וצופה פריצת דרך ברשומות הרפואיות כבר ב-2027.
Microsoft פרסמה מחקר ב-Science שמציג כיצד הצליחה לפצח אחת הבעיות הקשות ביותר בתחום ה-AI הרפואי: אבחון מקרים רפואיים מורכבים. מערכת ה-MAI-DxO הצליחה לאבחן נכון 83% מהמקרים — פי 2.3 משיעור ההצלחה של רופאים כלליים, שעמד על 36%. אז מה בעצם קרה כאן?
מה ה-AI עושה שונה?
בניגוד למודלים קיימים, שלוקחים את כל המידע על המטופל ומנסים לתת תשובה מיידית, ה-DxO עובד כמו פאנל של רופאים: שואל שאלות, מזמין בדיקות ומעדכן השערות — צעד אחרי צעד. המערכת מרכזת כמה סוכני AI שמתפקדים כצוות קליני ודנים יחד במקרה.
בניסוי השתמשו ביותר מ-300 מקרים רפואיים יוצאי דופן וקשים מתוך ה-New England Journal of Medicine. לא מדובר במקרים קלים — גם ככה, במקרים כאלה במציאות מפנים למומחה או לצוות רפואי, ולא לרופא כללי.
כמה זה עלה?
Microsoft מדדה לא רק דיוק, אלא גם עלות. עם GPT-5 לבדו, אבחון של מקרה אחד עלה כ-8,400 דולר — עם דיוק של 78.9%. ה-DxO הוריד את העלות ב-3,000 דולר והעלה את הדיוק בארבע נקודות. לא שיפור דרמטי, אבל שיפור.
אבל כשמדובר ב-GPT-5.5, מודל חדש יותר שיצא באפריל 2026, התוצאות היו מרשימות יותר: הדיוק קפץ מ-72% ל-87%, והעלות הייתה מעט נמוכה יותר. עם זאת, במקרים מחדרי מיון לא נרשם שיפור משמעותי.
Dominic King, סגן נשיא לתחום הבריאות ב-Microsoft AI, הסביר את הבעיה: "האתגר הגדול ביותר במערכת הבריאות כיום הוא הפער ההולך וגדל בין הביקוש לבין ההיצע של מומחיות רפואית."
ה-DxO עוזר בעיקר למודלים חלשים יותר
תובנה מעניינת: המערכת עוזרת הכי הרבה למודלים פחות חזקים. Gemini 2.5 Flash, למשל, הגיע ל-46.4% לבדו — אבל עם DxO קפץ ל-69%. ועדיין, הפער בין מודלים חלשים למודלים חזקים היה גדול יותר מהשיפור שה-DxO סיפק.
חוקרי Microsoft אמרו שהשיפור בדיוק קטן ככל שהמודלים מתקרבים למקסימום התיאורטי. "ה-DxO עוזר באתגר הרחב יותר של אופטימיזציה של דיוק ועלות," אמרו.
"רפואת-על" — החזון של Suleyman
Mustafa Suleyman, מנכ"ל Microsoft AI, לא מהסס לדבר בגדול. הוא מכנה את היעד "medical superintelligence" — היכולת לעלות על מערכות הבריאות האנושיות הטובות ביותר ברפואה ובקבלת החלטות.
Suleyman מאמין שבתוך 24–36 חודשים, מודלים רפואיים יהיו "טובים יותר בסדר גודל".
"כמו שראינו כמה פעמים בחמש-שש השנים האחרונות," הוא אמר, "ההתקדמות מגיעה מהר מאוד כשיש לך flywheel — מודל בפרודקשן שאתה מעדכן באמצעות שימוש בעולם האמיתי כדי לזהות פערים ולתקן אותם. זה קרה ב-Coding, זה קרה בצ'אט, ובשנה הבאה זה יתחיל לקרות ברשומות רפואיות ובתמיכה בקבלת החלטות קלינית."
ב-2027, הוא צופה "פריצת דרך בסגנון Coding" לרשומות רפואיות: "אני חושב שנוכל להפיק תחזיות מדויקות לגבי האופן שבו רישום רפואי עשוי להתפתח, וברור שתובנת החיזוי הזאת שווה זהב לרופא."
המבחן הבא: חדר מיון ב-Boston
Microsoft כבר מתכננת את השלב הבא: שיתוף פעולה עם Beth Israel Deaconess Medical Center ב-Boston. החולים יקבלו טיפול רגיל — כולל טראז', בדיקות, טיפולים והחלטה אם בטוח לשחרר אותם. במקביל, מי שיסכים יעבור גם הערכה באמצעות ה-DxO. החוקרים ישוו את המלצות ה-AI לאלה של הרופאים.
"הטכנולוגיה מוכנה לבחינה בעולם האמיתי," אמר King. "ואתם יכולים לדמיין את המורכבות של יום שישי בלילה בחדר מיון ב-Boston."
ה-SNEC יעבוד תחילה בחדרי מיון ובמרכזי טיפול דחוף, ו-King ציין ש-Google פרסמה מחקר דומה עם Beth Israel לגבי AMIE.
כמה מילים על Suleyman
ל-Suleyman יש היסטוריה ארוכה בתחום הרפואי: הוא היה שותף-מייסד של DeepMind, שנרכשה על ידי Google ב-2014. שנה אחר כך, DeepMind רכשה את הסטארטאפ Hark של King, והשניים השיקו יחד את DeepMind Health. ב-2024, Suleyman עבר ל-Microsoft, ו-King הצטרף כמה חודשים אחריו.
"אנחנו מאמינים אמיתיים," אמר Suleyman.
Microsoft כבר מוכרת שירותי הקלטה ורדיולוגיה לרופאים, ורואה ב-DxO הרחבה של המאמצים האלה. "אנחנו חייבים להיות עם מוצרי התמיכה בקבלת החלטות קלינית הטובים ביותר בשנים הקרובות," אמר Suleyman.
מה עם מודלים אחרים?
המערכת נוסתה עם מודלים ממספר חברות: OpenAI, Google, Anthropic, Meta ו-DeepSeek. התוצאות הטובות ביותר הגיעו עם GPT-5 ו-GPT-5.5 של OpenAI.
Suleyman גם ציין ש-Microsoft עובדת עם Mayo Clinic על מודל יסוד לבריאות, שצפוי להשתחרר בשנה הבאה. "המודל הזה יאפשר לנו לעשות קפיצות דרך אדירות," הוא צופה.
אז כן, 83% מול 36% הם מספרים מרשימים — אבל קחו בחשבון שההשוואה הייתה מול רופאים כלליים, לא מומחים. המבחן האמיתי יהיה בחדרי המיון ב-Boston, שם ה-AI יתמודד עם המציאות, לא עם מקרים מה-New England Journal of Medicine.