Ein KI-System von Microsoft hat in einem neuen Diagnose-Test mehr als doppelt so oft die richtige Diagnose gestellt wie praktizierende Ärzte. Bei schwierigen Fallberichten aus dem New England Journal of Medicine lag es in 83 Prozent der Fälle richtig, die Ärzte trotz Fachbüchern und Internet nur in 36 Prozent. Auch bei alltäglicheren Fällen aus einer Notaufnahme war die Software klar überlegen und bestellte dabei oft weniger teure Untersuchungen. Allerdings stammen alle Ergebnisse aus einer textbasierten Simulation, nicht aus der Behandlung echter Patienten.
Wer mit unklaren Beschwerden zum Arzt geht, bringt keine fertige Fallbeschreibung mit. Ärzte müssen Schritt für Schritt herausfinden, was dahintersteckt: Sie fragen nach, untersuchen, ordnen Blutwerte oder Bildgebung an und verwerfen dabei immer wieder Vermutungen. Genau diesen Ablauf haben Forscher von Microsoft um Harsha Nori und Eric Horvitz in Redmond nachgebildet und damit Sprachmodelle gegen Ärzte antreten lassen. Ihr System namens Diagnostic Orchestrator, kurz DxO, arbeitet dabei nicht wie ein einzelner Chatbot, sondern wie ein kleines virtuelles Ärzteteam, das sich gegenseitig widerspricht. Die Ergebnisse sind jetzt im Fachjournal Science erschienen.
Eine erste Fassung der Arbeit hatte Microsoft bereits im Sommer 2025 als Preprint vorgestellt, also ohne Begutachtung durch unabhängige Fachleute. Die nun begutachtete Studie geht deutlich darüber hinaus. Sie enthält einen zweiten, realitätsnäheren Datensatz aus der Notaufnahme, einen fairen Vergleich mit Ärzten, die Nachschlagewerke nutzen durften, und Tests mit neueren Sprachmodellen wie GPT-5 und GPT-5.5 des Unternehmens OpenAI.
Für ihren Test, den sie Sequential Diagnosis Benchmark nennen, nutzten die Forscher 304 Fallberichte aus dem New England Journal of Medicine. Diese sogenannten Clinicopathological Conferences gelten seit Jahrzehnten als Prüfstein der Diagnostik, weil sie besonders knifflige und oft seltene Erkrankungen beschreiben. Hinzu kamen 325 Fälle aus der US-Datenbank MIMIC-IV-ED, die echte Aufnahmen aus einer Notaufnahme mit anschließender Klinikeinweisung dokumentiert. Jeder Fall beginnt mit einer kurzen Ausgangslage, etwa einer jungen Frau mit Halsschmerzen und einer blutenden Schwellung neben der Mandel, die trotz Antibiotika nicht abklingt. Danach muss der Diagnostiker, ob Mensch oder Maschine, selbst entscheiden, welche Fragen er stellt und welche Untersuchungen er anfordert.
Die Antworten liefert ein weiteres Sprachmodell, das die Forscher Gatekeeper nennen, also Torwächter. Es gibt nur die Informationen heraus, die tatsächlich erfragt werden. Verlangt jemand eine Untersuchung, die im ursprünglichen Fallbericht nicht vorkommt, erzeugt der Torwächter einen unauffälligen, aber plausiblen Befund, damit eine fehlende Angabe nicht schon einen Hinweis auf die Lösung verrät. Ein drittes Modell bewertet am Ende die gestellte Diagnose nach einem von Ärzten entwickelten Schema. Als richtig galt eine Antwort, wenn sie an der Behandlung des Patienten nichts geändert hätte. Zusätzlich summierte das System die Kosten aller angeforderten Tests nach den offiziellen Preislisten eines großen US-Klinikverbunds.
Für den Vergleich mit Menschen rekrutierten die Forscher praktizierende Allgemeinmediziner, Internisten sowie Ärzte aus der Akut- und Notfallmedizin. Bei 56 Fallberichten, die während der Entwicklung der Software zurückgehalten worden waren, gaben sie insgesamt mehr als 1.400 Diagnosen ab. Ohne Hilfsmittel lagen die Ärzte im Schnitt in 22,3 Prozent der Fälle richtig, mit Suchmaschinen und Fachliteratur in 36,1 Prozent. Dafür brauchten sie durchschnittlich 12 beziehungsweise 18 Minuten pro Fall und veranlassten Untersuchungen für rund 3.050 beziehungsweise 4.725 US-Dollar. Das KI-System mit GPT-5 erreichte bei denselben schwierigen Fällen dagegen 83,2 Prozent bei durchschnittlich 5.431 US-Dollar Testkosten. Selbst der beste einzelne Arzt, der auf 51,8 Prozent kam, wurde sowohl bei der Trefferquote als auch bei den Kosten übertroffen.
Besonders aufschlussreich ist der zweite Datensatz aus der Notaufnahme, weil er dem medizinischen Alltag viel näher kommt. Hier schnitten die Ärzte erwartungsgemäß besser ab und stellten in 46,8 Prozent der Fälle die richtige Diagnose. Das KI-System erreichte 80,3 Prozent und damit fast die gleiche Trefferquote wie bei den seltenen Fallberichten. Der beste Arzt kam auf 62,5 Prozent. Die Forscher hatten nach eigenen Angaben erwartet, dass der Vorsprung der Software bei diesen typischen Fällen kleiner ausfällt, weil sie zum täglichen Handwerk von Notfallmedizinern gehören. Während die Trefferquote der Ärzte bei den seltenen und komplizierten Fällen stark einbrach, blieb die der KI nahezu stabil.
Der Kern von DxO ist eine Art Rollenspiel, das Microsoft bereits in der Vorabfassung beschrieben hat. Mehrere Instanzen eines Sprachmodells übernehmen verschiedene Aufgaben: Eine Rolle führt eine Liste möglicher Diagnosen und gewichtet sie neu, sobald Befunde eintreffen. Eine andere sucht gezielt nach der Frage oder dem Test, der die meisten Möglichkeiten ausschließt. Eine weitere spielt den Advocatus Diaboli und stellt die führende Vermutung infrage, um voreilige Schlüsse zu verhindern. Eine eigene Rolle achtet auf die Kosten und streicht Untersuchungen, die wenig neue Erkenntnis versprechen. Am Ende fasst das System die Ergebnisse mehrerer unabhängiger Durchläufe zusammen.
Dieses Vorgehen verbesserte jedes getestete Sprachmodell, im Schnitt um 7,9 Prozentpunkte bei den schwierigen Fallberichten und um 4,4 Prozentpunkte bei den Fällen aus der Notaufnahme. Das zeigt allerdings auch, dass ein großer Teil der Leistung von den Sprachmodellen selbst stammt, die schon ohne das virtuelle Team viele Diagnosen richtig stellen. Den größten Nutzen brachte DxO bei der Wirtschaftlichkeit. Mit Kostenvorgabe erreichte das System bei den schwierigen Fällen noch 80,9 Prozent bei nur 2.241 US-Dollar und 79,6 Prozent bei 1.303 US-Dollar Testkosten. Ohne Rücksicht auf die Kosten stieg die Trefferquote auf 84,5 Prozent, dann allerdings für fast 9.000 US-Dollar pro Fall. Keine andere getestete Methode, weder Mensch noch Maschine, war zugleich genauer und günstiger.
Auffällig ist die unterschiedliche Strategie. Die Ärzte stellten im Schnitt 5,6 Fragen, bevor sie den ersten Test anordneten. Das KI-System fragte dagegen 25,5 Mal nach, bevor es zum ersten Mal eine Untersuchung verlangte. Es setzte also auf eine sehr gründliche Befragung zur Krankengeschichte und auf weniger, dafür gezieltere Tests. Gerade diese Gründlichkeit zahlte sich bei Diagnosen aus, die von Details abhängen, etwa bei seltenen Kontakten mit Krankheitsauslösern oder bei Infektionen nach einer Reise. Solche Hinweise tauchen in einer breiten Batterie von Bluttests kaum auf, wohl aber in der richtigen Frage. Wie sehr Menschen solchen Systemen bereits vertrauen, zeigt eine Umfrage, nach der fast jeder Zweite künstliche Intelligenz statt den Arzt fragt.
Auch die Fehler unterschieden sich. Lag die KI daneben, wählte sie meist eine eng verwandte Erkrankung, nur in falscher Genauigkeit, etwa eine übergeordnete statt der spezifischen Diagnose. Die falschen Diagnosen der Ärzte lagen dagegen häufiger weiter von der richtigen Antwort entfernt. Die Forscher vermuten, dass Sprachmodelle aus ihren riesigen Trainingsdaten ein Wissen über seltene Krankheiten und untypische Verläufe mitbringen, das kein einzelner Mensch beherrschen kann. Zudem ermüden sie nicht und lassen sich nicht vom zuletzt gesehenen Patienten beeinflussen. Dass Sprachmodelle trotzdem nicht unfehlbar sind, ist bekannt: KI-Chatbots klingen gerade bei falschen Antworten oft besonders sicher.
Die Autoren betonen selbst, dass ihre Ergebnisse unter idealisierten Bedingungen entstanden sind. Alle Beteiligten arbeiteten ausschließlich mit Text, ohne Röntgenbilder, EKG-Kurven oder Gewebeproben, die im Klinikalltag oft entscheidend sind. Die simulierten Patienten vergaßen nichts, widersprachen sich nicht und reagierten nicht auf erste Behandlungen. Gesunde Menschen oder harmlose Beschwerden kamen in den Fällen gar nicht vor, sodass die Mischung nicht dem Alltag einer Praxis entspricht. Zudem traten die Ärzte einzeln an. Die schwierigen Fallberichte werden in der Realität meist von Fachärzten oder ganzen Teams verschiedener Disziplinen gelöst, gegen die der Vorsprung nach Einschätzung der Forscher deutlich kleiner ausfallen dürfte.
Hinzu kommt ein Interessenkonflikt: Alle Autoren sind Angestellte von Microsoft und halten Anteile am Unternehmen, mehrere sind als Erfinder auf einer Patentanmeldung des Unternehmens zum Testverfahren genannt. Die Studie wurde vollständig von Microsoft finanziert. Um eine unabhängige Prüfung zu ermöglichen, stellt das Team den Programmcode des Tests frei zur Verfügung. Die Testkosten beruhen außerdem auf US-Preisen und sagen nichts über Zeitaufwand, Belastung oder Risiken einer Untersuchung für den Patienten aus. Ob Patienten mit solchen Systemen tatsächlich schneller und sicherer behandelt werden, lässt sich aus der Simulation also nicht ableiten.
Den Schritt in die Klinik will Microsoft nun gemeinsam mit dem Beth Israel Deaconess Medical Center in Boston gehen. In einer prospektiven Studie sollen Patienten direkt mit dem System sprechen, während Ärzte unabhängig davon ihre eigene Einschätzung abgeben, wie das Unternehmen in seiner Mitteilung zur Science-Studie ankündigt. Erst solche Vergleiche können zeigen, wo die Technik im hektischen Klinikalltag hilft und wo sie versagt. Dass KI im Krankenhaus einen messbaren Unterschied machen kann, zeigte bereits ein Frühwarnsystem, mit dem eine US-Klinik die Zahl der Todesfälle durch Sepsis deutlich senkte.
Die Forscher selbst sehen DxO nicht als Ersatz für Ärzte, sondern als Werkzeug, das deren Urteil ergänzt. Ein System, das ständig alternative Diagnosen im Blick behält, die eigene Vermutung hinterfragt und den Nutzen jedes Tests abwägt, könnte typische Denkfehler wie das vorschnelle Festlegen auf eine Diagnose abfangen. Auch für die Ausbildung von Medizinstudenten eignen sich solche interaktiven Fallprüfungen nach Ansicht des Teams. Bemerkenswert ist zudem, dass die Forscher die gesamte Auswertung kurz vor der Veröffentlichung mit dem neueren Sprachmodell GPT-5.5 wiederholten, ohne das Verfahren anzupassen. Der Zusatznutzen des virtuellen Teams gegenüber dem bloßen Sprachmodell schrumpfte dabei nicht, sondern wuchs sogar.
Science, Sequential diagnosis with language models; doi:10.1126/science.aeh7930
Microsoft AI, Building Medical Superintelligence
Mit KI-Unterstützung erstellt
Wählen Sie Forschung und Wissen bei Google als bevorzugte Quelle oder folgen Sie uns per RSS-Feed.
