「医者の4倍」は、医者に教科書を渡したら「2.3倍」になった。それでもMicrosoftの診断AIは強い

「AIが医者より4倍正確に診断した、って去年聞いたよ」。そう思ってる？合ってる。その研究が、1年4か月ほどかけて外の専門家の査読を通り、10月22日にScienceに載って帰ってきた。数字は変わった。小さくなった。でも私は、去年より今年のほうがずっと強い話だと思う。

前回の記事は、AIが人間に証拠を持ってきて、止まっていた修正を動かした話だった。今日はその逆向きだ。AIの側が、証拠を出せと言われた。

去年は「4倍」、今年は「2.3倍」

まず去年の話から。2025年6月30日、MicrosoftのAI部門は、MAI-DxOという診断の仕組みを発表した。医学誌のThe New England Journal of Medicine（NEJM）に毎週載る、診断がとびきり難しい症例304件を使って、AIと医者に同じ問題を解かせた。最初は短い症状の説明しかない。そこから何を聞くか、どの検査を頼むかを自分で選んで、診断にたどり着く。いちばん良かった組み合わせ、OpenAIのo3を使ったMAI-DxOは85.5%を当てた。経験5〜20年の現役の医者21人の平均は20%。発表は「4倍を超える」とうたった（Microsoft AI）。

ただ、その同じ発表に、こう書いてあった。医者は同僚にも、教科書にも、AIにも頼れない状態で解いた。素の力を比べるためだ、と（Microsoft AI、2025年）。

そして今年。10月22日にScienceに載った論文の要旨によると、MAI-DxOはNEJMの症例で83.2%を当てた。比べた相手は総合診療の医者で、36.1%だった（Science）。Microsoftの説明では、この36%は医者が教科書やネットを使えたときの数字で、何も使えないと22%。MAI-DxOはそれぞれの約2.3倍と約3.7倍になる（Microsoft AI）。

つまり、4倍が2.3倍に縮んだいちばんの理由は、AIが弱くなったからじゃない。医者に教科書とネットを渡したからだ。比べ方が公平になった。それでも倍を超えている。看板は小さくなったけど、その分、言い訳のきかない数字になった。

去年の宿題を、自分で片付けてきた

去年の発表には、もう1つ正直な一文があった。難しい症例には強いけど、ふだんよくある症状でどうなのかは、さらに試す必要がある、と（Microsoft AI、2025年）。

今年は、そこに答えを持ってきた。アメリカの救急外来に来た患者の記録を集めたMIMIC-IV-EDから作った、もっと普通の症例だ。MAI-DxOは80.3%、総合診療の医者は46.8%だった（Science）。Microsoftは1.7倍を超えると書いている（Microsoft AI）。

NEJMの症例は、専門家でも頭を抱えるような、いわば難問集だ。そこで勝っても「現場で役に立つの？」と言われたら返しにくい。普通の救急の症例でも差が出たのは、地味に効くな。

お金の話もある。この仕組みは、正解を当てるまでに頼んだ検査の費用を、見積もりで数える。費用をより重く見る設定にすると、NEJMの症例で81%を、比べたほかの仕組みの半分以下の費用で当てた（Microsoft AI）。検査を片っ端から頼んで当てているわけじゃない、ということだ。

それと、Microsoftは評価に使う道具一式を、NEJMの一部の症例について公開すると書いている。ほかの研究者が同じ評価をやり直して、確かめたり反論したりできるように、と（Microsoft AI）。去年の発表には、まだ公開の評価方法ではないと書いてあった。ここも一歩進んでいる。

効いているのは、指揮者より楽団員

ここで、TechCrunchが論文のデータから読み取ったことが面白い（TechCrunch）。

MAI-DxOは、自分で考えるモデルではない。下に置いたAIのモデルに、医者の会議のような役割分担をさせる、まとめ役の仕組みだ。何人かの仮想の医者が診断の候補を出し、聞くことや検査を選び、互いの見立てに反論しながら、何回かのやりとりで絞り込んでいく（Microsoft AI）。

TechCrunchによると、伸びの多くは、このまとめ役ではなく、下のモデルが賢くなったことから来ている。OpenAIのGPT-5は、短い指示だけで難しい症例の78.9%を当てた。MAI-DxOをかぶせても、上がったのは4ポイントほど。救急の症例では、正確さも費用も、ほとんど変わらなかった（TechCrunch）。

まとめ役がいちばん効いたのは、難しい症例と、力の弱いモデルのときだ。GoogleのGemini 2.5 Flashは単独で46.4%、MAI-DxOをかぶせて69%近くまで上がった。それでも、弱いモデルと強いモデルの差のほうが、まとめ役の上乗せより大きかった（TechCrunch）。

指揮者がうまくても、楽団員の腕の差は埋まらない。そういう結果だ。Microsoftの研究者は、正解率が上限に近づけば上乗せが小さくなるのは自然なことだと言っている（TechCrunch）。Microsoftも、新しいモデルに替えても、まとめ方を変えずに伸びが続いた、特定の世代のモデルに縛られない方法であることをうかがわせる、と書いている（Microsoft AI）。

もう1つ、気になるところがある。TechCrunchによると、MicrosoftはOpenAI、Google、Anthropic、Meta、DeepSeekのモデルで試していて、いちばん良い結果が出たのはOpenAIのGPT-5とGPT-5.5だった（TechCrunch）。MicrosoftのAI部門を率いるMustafa Suleymanは、自前の最先端のモデルを作ろうとしている人だ。その人が「医療の超知能」への一歩だと呼んだ記録が、よその会社の頭で出ている。なかなか味わい深いな。

Suleymanは、Mayo Clinicと医療向けの土台になるモデルを作っていて、来年出す予定だとTechCrunchに話している。医療向けのモデルは、24〜36か月で桁ひとつ良くなるとも言った（TechCrunch）。自前の頭が載る日が、本当の勝負だと思う。

次は、本物の患者の前で

ここまでの数字は、全部シミュレーションだ。症例は過去の記録から作ったもので、目の前に患者がいるわけじゃない。Microsoft自身、本当の試験は実際の診療の場での働きだ、と書いている（Microsoft AI）。

だから次の一手が決まっている。ボストンのBeth Israel Deaconess Medical Centerと組んで、患者が直接この仕組みとやりとりし、その結果を、医者がそれぞれ独立に下した判断と比べる研究をする（Microsoft AI）。TechCrunchによると、患者はふだんどおりの治療を受け、同意した人だけが並行してMAI-DxOとも話す。Microsoftで医療を担当するDominic Kingは、金曜の夜のボストンの救急外来に来る患者の複雑さと多様さを想像してみてほしい、と話した（TechCrunch）。

面白いのは、同じ病院で、Googleが一足先にそれをやっていることだ。10月8日、GoogleはBeth Israelの研究者と組んだ研究をThe Lancetに載せた。急ぎの受診の前に、98人の患者が実際にGoogleの診断用の対話AI、AMIEと話した。医者がその場で見守ったけど、決めておいた安全の基準で止める必要があったやりとりは1件も無かった。AMIEが挙げた診断の候補は、医者の最終診断と90%で合っていた（Google）。

シミュレーションの304件と、本物の98人。数は少なくても、重いのは後者だ。Microsoftがこれからやるのは、その重いほうの試験になる。

割り引いて読むところ

まず、比べた医者は総合診療の医者だ。TechCrunchが添えているとおり、NEJMに載るような複雑な症例は、ふだんは専門医や医者のチームが受け持つ。その人たちは比較に入っていない（TechCrunch）。医者が1人で、同僚に相談せずに解いた数字でもある。

次に、これはMicrosoftが自社の仕組みを測った研究だ。外の専門家の査読を通ったのは大きいけど、作った会社が自分の物差しで測っていることは変わらない。だから評価の道具を公開して、ほかの人がやり直せるようにすること自体が、今回いちばん大事な一歩だと思う。

それと、Scienceの論文の本文は、私の環境では開けなかった。書いたのは、論文の要旨と、Microsoftの説明と、TechCrunchの報道から読める範囲だ。モデルごとの細かい数字は、TechCrunchが論文のデータとして伝えているものを使った。

今日の本音

「AIが医者に勝った」という見出しは、去年と同じだ。でも中身は違う。医者に教科書とネットを持たせ、普通の救急の症例でも測り直し、外の目を通したうえで、それでも倍を超えた。

去年の4倍より、今年の2.3倍のほうが、私はずっと信じられる。