2026年10月22日、マイクロソフトのAI部門が開発した診断支援システム「MAI-DxO(Microsoft AI Diagnostic Orchestrator)」に関する論文が、米国の権威ある科学誌Scienceに掲載されました。内容は衝撃的なものです。ニューイングランド・ジャーナル・オブ・メディシン(NEJM)に掲載された難易度の高い症例304件を対象にした検証において、参考資料を使いながら診断にあたった医師の正答率が36.1%にとどまったのに対し、MAI-DxOは83.2%という正答率を記録しました。単純計算で2倍以上の開きです。AIが医師の診断能力を上回るという報道はこれまでも繰り返されてきましたが、今回は査読を経て科学誌に掲載された点、そして症例数や比較条件が明確に設計されている点で、これまでとは異なる重みを持っています。本稿では、この研究が実際に何を示しているのか、そして医療現場や私たちの受診行動にどのような変化をもたらし得るのかを、原論文の数値に基づいて整理していきます。
Science誌が示した「4倍」の精度差、その中身
今回の研究で用いられたのは「Sequential Diagnosis Benchmark」と呼ばれる評価手法です。短い症例要約から出発し、問診・身体診察所見・検査結果を一段階ずつ要求しながら診断に近づいていくという、実際の診療プロセスに近い形式になっています。検証対象となったのは、NEJMの臨床病理カンファレンス症例304件(希少かつ教育目的で選ばれた難易度の高い症例)と、実際の救急外来入院記録であるMIMIC-IV-EDから抽出した325件の合計629症例です。
結果を具体的に見ていきます。NEJMの304症例において、参考資料なしで診断にあたった医師の正答率は22.3%、参考資料ありの医師で36.1%でした。参加した医師の中で最も成績のよかった1名でも51.8%にとどまっています。これに対し、OpenAIのGPT-5を単体で用いた場合の正答率は78.9%、これをMAI-DxOのオーケストレーション層と組み合わせた場合は83.2%、複数モデルのアンサンブル構成では84.5%まで上昇しました。救急外来の325症例でも傾向は同様で、医師の正答率46.79%に対し、MAI-DxO(予算制限なし)は80.3%を記録しています。
注目すべきは、精度向上の大部分が基盤モデル自体の性能によるものであり、MAI-DxOのオーケストレーション層が上乗せした分は限定的だという点です。GPT-5単体の78.9%からMAI-DxOの83.2%への伸びは約4ポイントにとどまります。つまり「マイクロソフトの独自技術が医師を打ち負かした」というより、「最新の大規模言語モデルそのものがすでに高い診断能力を備えており、それを診療プロセスに組み込む工夫が上乗せ効果を生んでいる」と理解するほうが実態に近いといえます。
精度とコストのトレードオフ、そして見過ごせない限界
マイクロソフト側はコスト面でのメリットも強調しています。論文に示された推定コストを見ると、NEJM症例1件あたりの検査コストは、参考資料なしの医師で3,049ドル、参考資料ありの医師で4,725ドル、GPT-5単体では8,409ドル、MAI-DxOでは5,430ドル、アンサンブル構成では8,945ドルとなっています。予算の設定次第で正答率は79.6%(1,303ドル)から84.5%(8,945ドル)まで変動することも示されており、精度とコストは単純なトレードオフの関係にあることが分かります。なお救急外来症例では、予算制限なしのMAI-DxOが4,980ドルと、医師の3,400ドルより高コストになる結果も出ており、「AIは常に医師より安い」と単純化できるものではない点には注意が必要です。
この研究にはいくつかの重要な限界もあります。第一に、評価はすべて文章ベースで行われており、実際の身体診察や画像診断、病理スライドの読影は含まれていません。第二に、NEJMの症例はそもそも臨床医の教育用に選定された希少かつ難解な症例であり、日常的に医師が診ている大多数の一般的な症例とは性質が異なります。第三に、症例情報を提供する役割を担う「ゲートキーパー」と呼ばれる言語モデルが、カルテに記載のない検査結果をそれらしく生成してしまうリスクも指摘されています。論文の著者自身も、実際の臨床現場における有効性や患者の転帰への影響を確かめるには、さらなる検証が必要だと述べています。華々しい数字の裏にある、こうした前提条件まで含めて理解することが欠かせません。
独自考察――AI診断支援がもたらす医療の構造変化
オーケストレーションより「土台」が主役という構造の意味
今回の結果で興味深いのは、オーケストレーション層による上乗せ効果がわずか4ポイント程度にとどまり、精度向上の大半がGPT-5という基盤モデルそのものの実力によるものだったという点です。これは医療AI業界にとって重要な示唆を持っています。独自の診断アルゴリズムを磨き込むことよりも、どの基盤モデルを採用し、どう診療プロセスに組み込むかという「実装の設計力」のほうが、今後の競争軸になっていく可能性が高いということです。裏を返せば、基盤モデルが半年ごとに更新されるたびに、医療AIシステムの実力も自動的に底上げされていく構造にあるとも言えます。医療機関やヘルステック企業にとっては、自社開発の診断ロジックに固執するより、最新の基盤モデルをいかに素早く安全に組み込めるかという体制づくりが問われることになりそうです。
「教育用の難症例」で測ることの危うさ
NEJMの症例は、専門医ですら頭を悩ませるような希少かつ複雑な症例が中心です。AIがこうした難症例で医師を上回ったという結果は確かにインパクトがありますが、裏を返せば「日常的によくある症例」での比較ではないことに注意が必要です。実際の外来診療の大半を占めるのは、頻度の高いありふれた疾患の診断であり、そこでは経験を積んだ医師の直感やパターン認識が威力を発揮する場面も少なくありません。AIの強みが際立つのは、むしろ見逃されがちな希少疾患や、情報が断片的で判断が難しい複雑症例においてだという理解のほうが、実態に近いのではないかと考えられます。
誤診の責任は誰が負うのか、法的空白という課題
診断精度がどれだけ向上しても、「AIの診断結果に基づいて治療方針を決め、結果として患者に不利益が生じた場合、誰が責任を負うのか」という問いには、まだ明確な答えがありません。現状は医師が最終判断を下す建前になっているため法的責任は医師側に帰属するという整理が一般的ですが、AIの提案に医師が異を唱えにくくなる「自動化バイアス」が生じれば、実質的な判断主体が曖昧になっていきます。精度の数字が先行し、責任の所在に関する制度設計が追いついていない状況は、今後AI診断支援の普及が進むほど顕在化する論点になるはずです。
日本の医療現場が直面する「保険償還の谷」
日本国内の議論に目を向けると、医療従事者の確保や医療提供体制の維持が少子高齢化のもとで課題となっており、AI診断支援は医療の質と持続可能性を両立させる手段として国の成長戦略に位置づける動きが進んでいます。一方で、実務上のハードルも指摘されています。医薬品医療機器等法(薬機法)に基づく承認審査の体制がAIの進化速度に追いついていないこと、変更管理の仕組みであるIDATEN制度や診療報酬のチャレンジ申請が「使いづらい」とされていること、そして承認から本格的な保険償還に至るまでの間に生じる支援の「谷」をどう埋めるかという課題です。加えて、製造販売業者が診断AIの性能について情報発信する際には薬機法上の広告規制もかかります。「AIが補助し、医師が判断する」という基本構造を社会に分かりやすく伝えつつ、制度を整備していく必要がありそうです。
患者の受診行動はどう変わるか
精度の高い診断AIが普及すれば、患者側の行動にも変化が生じると考えられます。すでに症状を検索エンジンやチャットAIに入力してから受診する人は珍しくありませんが、今後は「AIによる一次診断を踏まえて、どの診療科を受診すべきか」を判断する入り口としての役割が強まっていく可能性があります。これは医療機関にとって、適切な診療科への誘導(トリアージ)の精度向上につながる一方、AIの判断に患者が過度に依存し、必要な受診が遅れたり、逆に不要な受診が増えたりするリスクも併せ持ちます。患者にとって分かりやすい形でAIの限界を示すコミュニケーション設計が、今後の普及を左右する鍵になるでしょう。
まとめ
マイクロソフトのMAI-DxOがScience誌で示した83.2%対36.1%という数字は、AIの診断能力が特定の条件下で医師の平均値を大きく上回る段階に入ったことを裏付けるものです。ただし今回の検証はあくまで文章ベースの希少症例を対象にしたものであり、実際の臨床現場での有効性や患者の転帰への影響は今後の検証課題として残されています。基盤モデルの急速な進化がそのまま医療AIの実力向上に直結する構造が明らかになったことは、医療機関にとって技術導入の戦略を見直す契機になるはずです。同時に、誤診時の責任の所在や、日本であれば薬機法・保険償還制度との整合性といった制度面の整備は、精度向上のスピードに比べて明らかに遅れています。AIが医師に取って代わるかどうかという二元論ではなく、「AIが補助し、医師が判断する」体制をどう具体的に設計し、社会的な信頼をどう築いていくかが、これからの医療の質を左右する本質的な論点になっていくと考えられます。
コメント