Le système d'IA multi-agents de Microsoft surpasse les médecins généralistes dans les diagnostics complexes

Le système de diagnostic par intelligence artificielle de Microsoft, MAI-DxO, a correctement identifié des pathologies médicales complexes dans un environnement simulé plus de deux fois plus souvent que les médecins généralistes, selon une étude publiée dans Science le 22 octobre 2026. Mustafa Suleyman, PDG de Microsoft AI, a qualifié cette réalisation d'étape significative vers ce que l'entreprise appelle la « superintelligence médicale », visant à combler le fossé croissant entre la demande des patients et l'expertise médicale disponible.

Ce qui s'est passé

L'étude a évalué MAI-DxO, également désigné sous le nom de DxO, en utilisant des cas cliniques complexes issus du New England Journal of Medicine. Dans ces simulations, le système d'IA a atteint un taux de précision de 83 %. À titre de comparaison, les médecins traitants et les internistes généralistes travaillant individuellement avec des références standard n'ont atteint qu'une précision de 36 %. Il est important de noter que de tels cas complexes sont généralement pris en charge par des spécialistes ou des équipes multidisciplinaires dans des contextes réels, et que ces groupes de spécialistes n'étaient pas inclus dans la base de référence comparative.

Dominic King, Vice-Président Santé chez Microsoft AI, a souligné que le principal défi dans la prestation de soins de santé moderne est le décalage entre l'offre d'expertise médicale et la demande des patients. Cette publication place Microsoft aux côtés de concurrents comme Google et OpenAI, qui ont également affirmé que leurs systèmes d'IA pouvaient égaler ou surpasser la performance des médecins humains. Cependant, les données indiquent que si la couche d'orchestration de Microsoft ajoute de la valeur, une grande partie du gain de performance provient de la puissance intrinsèque des grands modèles de langage eux-mêmes.

Microsoft a testé le framework DxO avec des modèles provenant de divers fournisseurs, notamment OpenAI, Google, Anthropic, Meta et DeepSeek. La meilleure performance a été enregistrée en utilisant les modèles GPT-5 et GPT-5.5 d'OpenAI. L'entreprise a également analysé l'efficacité en termes de coûts, mesurant la dépense estimée pour faire fonctionner l'IA par cas. Par exemple, GPT-5 seul a obtenu un score de 78,9 % sur les cas complexes pour un coût d'environ 8 400 $ par cas. Renforcé par DxO, le coût a diminué d'environ 3 000 $, tandis que la précision a augmenté d'environ quatre points de pourcentage.

Comment cela fonctionne

MAI-DxO fonctionne comme un système multi-agents, coordonnant plusieurs agents d'IA distincts qui agissent de manière similaire à un panel de médecins humains. Plutôt que de compter sur un seul modèle pour générer une réponse, ces agents s'engagent dans un processus structuré : ils interrogent le patient, commandent des tests diagnostiques pertinents et débattent des diagnostics potentiels entre eux. Cette approche collaborative imite le processus de raisonnement clinique utilisé par les équipes médicales, permettant au système de vérifier les hypothèses et d'affiner ses conclusions avant de présenter un diagnostic final.

L'efficacité de cette orchestration varie selon la capacité du modèle sous-jacent et la complexité du cas. Sur les cas des urgences, généralement moins complexes que les cas spécialisés utilisés dans l'essai principal, DxO a montré peu d'amélioration ni en précision ni en coût lorsqu'il était associé à GPT-5. Le modèle autonome et le système orchestré ont tous deux obtenu un score d'environ 85 %. Cependant, pour des modèles moins performants comme Gemini 2.5 Flash, le framework DxO a apporté une amélioration substantielle, faisant passer la précision de 46,4 % à près de 69 %. Cela suggère que l'orchestration agentique est particulièrement précieuse pour optimiser les modèles plus faibles ou pour gérer des puzzles diagnostiques très complexes où le raisonnement en une seule passe est insuffisant.

Détails clés

• MAI-DxO a atteint une précision de 83 % sur des cas complexes issus du New England Journal of Medicine, contre 36 % pour les médecins généralistes.
• Le système coordonne plusieurs agents d'IA pour interroger les patients, commander des tests et débattre des diagnostics dans un format de panel simulé.
• Les meilleurs résultats ont été obtenus en utilisant les modèles GPT-5 et GPT-5.5 d'OpenAI, bien que le framework prenne en charge les modèles de Google, Anthropic, Meta et DeepSeek.
• DxO a réduit le coût par cas d'environ 3 000 $ pour GPT-5 tout en améliorant légèrement la précision, mais a montré des gains minimes sur les cas des urgences.
• Microsoft collabore avec la Mayo Clinic pour former un modèle de fondation spécifique au secteur de la santé, dont la sortie est prévue l'année prochaine.
• Une nouvelle évaluation clinique avec le Beth Israel Deaconess Medical Center comparera les recommandations de DxO à celles des médecins humains dans des environnements réels d'urgences et de soins urgents.

Pourquoi c'est important

Pour les ingénieurs logiciels et les responsables techniques, cette étude met en lumière l'évolution de la proposition de valeur des grands modèles de langage, passant de la capacité brute à l'utilité orchestrée. À mesure que les modèles de base deviennent plus puissants, le gain marginal issu de prompts supplémentaires ou de chaînage simple diminue. Cependant, les résultats de DxO démontrent que les architectures multi-agents peuvent encore extraire des améliorations significatives de performance, notamment en optimisation des coûts et lorsqu'ils travaillent avec des modèles plus petits ou moins performants. Cela suggère que la construction de workflows agentiques robustes reste une compétence critique pour développer des applications d'IA à enjeux élevés, même à mesure que les modèles de fondation progressent.

De plus, le passage vers des essais cliniques en conditions réelles marque une transition de l'évaluation basée sur des benchmarks vers le déploiement pratique. Le partenariat avec le Beth Israel Deaconess Medical Center représente une étape significative dans la validation du raisonnement clinique par IA dans des environnements non structurés et à haute pression. En cas de succès, cela pourrait établir une nouvelle norme pour l'intégration des outils d'IA dans les flux de travail de santé, dépassant les tâches auxiliaires comme la dictée pour participer activement au soutien décisionnel clinique. Ce changement nécessite des cadres de test rigoureux capables de gérer la complexité et la diversité des interactions réelles avec les patients, offrant un modèle pour d'autres industries cherchant à déployer l'IA dans des rôles de prise de décision critiques.

Ce que vous pouvez faire

• Évaluez les frameworks multi-agents dans votre propre domaine pour voir si l'orchestration améliore la précision ou réduit les coûts par rapport aux prompts à modèle unique.
• Suivez la sortie prochaine du modèle de fondation santé de Microsoft en collaboration avec la Mayo Clinic pour comprendre les stratégies de fine-tuning spécifiques au domaine.
• Étudiez l'architecture de DxO pour apprendre comment structurer les débats entre agents et la logique de commande de tests pour des tâches de résolution de problèmes complexes.
• Réfléchissez à la manière dont les études de validation en conditions réelles, comme celle menée avec Beth Israel, peuvent être conçues pour tester les systèmes d'IA dans des environnements vivants plutôt que sur des benchmarks statiques uniquement.
• Suivez les métriques d'efficacité des coûts lors du déploiement d'agents d'IA, car l'orchestration peut parfois réduire l'utilisation de tokens et les coûts globaux d'inférence.
• Préparez-vous à une augmentation de la surveillance réglementaire et clinique à mesure que l'IA passe du soutien administratif au rôle direct de soutien décisionnel clinique.