MicrosoftのマルチエージェントAIシステム、診断ベンチマークで医師を上回る

Microsoftは、同社のAI駆動型診断ツール「Diagnostic Orchestrator」が管理されたテストにおいて人間の医師を大幅に上回ったことを示す調査結果を発表しました。2026年10月22日付の学術誌『Science』に掲載されたこの結果は、同システムが総合診療医よりも高い精度と低い推定コストで疾患を特定できる可能性を示唆しています。

何が起きたか

Microsoftの研究チームは、SDBenchという新しいベンチマークを用いて、AIシステムと人間の医師との対決を行いました。このデータセットには、『New England Journal of Medicine』からの数百件の症例報告と、ボストンのBeth Israel Deaconess Medical Centerの救急部門データが含まれています。目的は、曖昧な症状を持つ患者を評価する際に医師が行う複雑な推論プロセスをシミュレートすることでした。

これらのテストにおいて、Diagnostic Orchestratorは雑誌掲載の症例に対して約83%の正答率を記録しました。一方、参考資料の使用が許可された総合診療医のスコアは約36%、使用が禁止された場合はわずか22%にとどまりました。救急部門の症例では、AIは80%の正答率を記録し、人間の医師の平均47%と比較されました。また、同システムはより低い推定コストでこれらの結論に到達できる能力も実証しました。

MicrosoftのAI CEOであるMustafa Suleyman氏は、今回の発表を同社が「医療スーパーインテリジェンス」と呼ぶものへの重要なマイルストーンであると説明しました。この技術はまだ実際の臨床現場では展開されていませんが、Microsoftは今後数ヶ月以内にBeth Israel Deaconess Medical Centerとの実世界でのテストを開始する計画です。同社は、ケアの調整や治療決定など、ヘルスケアのあらゆる側面にAIを統合するための広範な戦略の一環であることを強調しています。

仕組み

Diagnostic Orchestratorは、診断を推測するために単一の大型言語モデル（LLM）に依存していません。代わりに、OpenAIのGPT-5を搭載したマルチエージェントアーキテクチャを使用しています。この構成は、医療専門家パネルを模倣しています。異なるAIエージェントに特定の役割が割り当てられます。あるエージェントは症状を分析し、別のエージェントは病歴を確認し、さらに別のエージェントは次にどの診断テストを実施すべきかを決定します。これらのエージェントは協力し、議論し、仮説を洗練させた上で最終的な結論に至ります。

このアプローチにより、システムは医療診断の反復的な性質を再現することができます。パターンマッチングのみに基づいて即座に答えを提供するのではなく、システムは質問を行い、可能な説明を検討し、追加のデータを要求します。これは、人間臨床医が患者診察中に行うことによく似ています。研究者たちは、システムの初期開発で使用されたGPT-4.1以来、基盤となるモデルは改善されているものの、マルチエージェント構造がその性能にとって依然として重要であると指摘しています。

本研究は、GPT-6 AstraやGemini 4 Argonなどの新しいモデルへの単純なアップグレードでは、アーキテクチャフレームワークが欠如している場合、自動的に診断結果の向上をもたらさないことを示しています。専門化されたエージェント間の相乗効果は、この協調構造なしで動作するスタンドアロンのフロンティアモデル compared to significant advantage over standalone frontier models operating without this collaborative structure.

主要な詳細

• Diagnostic OrchestratorはNEJMの症例報告で83%の正答率を達成し、参考資料ありの医師の36%を上回りました。
• Beth Israel Deaconess Medical Centerの救急部門データでは、AIは80%の正答率を記録し、人間の47%と比較されました。
• システムはOpenAIのGPT-5を搭載し、専門家パネルをシミュレートするためにマルチエージェントフレームワークを使用しています。
• Microsoftは、これらの評価で使用されたSDBenchベンチマークをオープンソース化する計画です。
• 実際の臨床試験は、今後数ヶ月以内にBeth Israel Deaconess Medical Centerで開始される予定です。
• 本研究には、GPT-6 Astra、MetaのMuse Wonder Full、AnthropicのOpus 5.5などの新しいモデルとの比較は含まれていません。

なぜ重要なのか

ソフトウェアエンジニアや技術リーダーにとって、この発表は単一モデルの推論からエージェント型ワークフローへの移行を浮き彫りにしています。Diagnostic Orchestratorの成功は、複雑で高リスクなタスクには、複数の専門化されたモデルが相互作用するオーケストレーションされたシステムが必要になる可能性があることを示唆しています。このアーキテクチャは、精度が極めて重要な分野において不可欠な、より優れた推論、エラーチェック、段階的な問題解決を可能にします。

しかし、ベンチマーク上のパフォーマンスと臨床現場の現実との間には依然として大きな隔たりがあります。このシステムは過去データのみに基づいてテストされています。実世界での展開には、規制上のハードル、責任に関する懸念、既存の電子健康記録とのシームレスな統合が必要です。臨床検証と責任ある展開の必要性を強調するMicrosoftの慎重なアプローチは、ヘルスケアテクノロジーにおける参入障壁の高さを反映しています。この分野で開発を行う開発者は、生の速度よりも堅牢性と説明可能性を優先する必要があります。

あなたができること

• マルチエージェントアーキテクチャを研究し、専門化された役割が複雑なタスクにおける推論をどのように改善するかを理解してください。
• SDBenchベンチマークがオープンソース化されたら、診断推論能力を評価するために確認してください。
• 実世界のアプリケーション向けにAIシステムを設計する際、過去データに基づくテストの限界について調査してください。
• ヘルスケア関連ツールを開発する予定がある場合は、医療ソフトウェアに対する規制要件を追跡してください。
• エージェント型ワークフローが他の高複雑性産業において運用コストをどのように削減できるかを探求してください。
• 実世界のパフォーマンスデータを得るために、Beth Israel Deaconess Medical Centerで予定されている今後の臨床試験を監視してください。