/// Signal

MAI-DxO bat des généralistes sur des cas écrits — l’étude suggère que le gain tient surtout au modèle

Le fait : une étude parue dans Science le 22 octobre 2026 rapporte qu’un système d’IA de Microsoft, MAI-DxO, a trouvé le bon diagnostic dans 83,2 % de 304 cas complexes tirés du New England Journal of Medicine, contre 36,1 % pour des médecins généralistes disposant d’ouvrages de référence et d’un accès à internet. Le système tournait alors sur GPT-5, le modèle d’OpenAI. Les mêmes données suggèrent qu’une grande partie du gain vient du modèle ; et l’étude déclare elle-même que tous ses auteurs sont salariés de Microsoft et détiennent des actions de l’entreprise.

Le mécanisme, d’abord : MAI-DxO n’est pas un modèle mais un orchestrateur, qui fait travailler plusieurs agents comme un collège de médecins. Ils interrogent le patient, commandent des examens, débattent du diagnostic, et l’échange se fait par étapes — là où les études antérieures donnaient au modèle un cas entièrement rédigé en une seule fois. La manière de mener l’entretien diffère nettement : les médecins posaient en moyenne 5,6 questions avant de commander leur premier examen, l’orchestrateur 25,5, ce que les auteurs décrivent comme une anamnèse plus étendue et structurée. Le système a été testé avec des modèles de plusieurs éditeurs — OpenAI, Google, Anthropic, Meta, DeepSeek — et un préprint de juin 2025 rapportait déjà des gains avec des modèles de Google, d’Anthropic, de Meta et d’autres entreprises.

Reste à savoir ce que cette orchestration apporte, et TechCrunch le chiffre. Seul, avec une consigne courte, GPT-5 atteint 78,9 % sur les cas complexes, pour environ 8 400 dollars par cas ; l’orchestrateur réduit ce coût d’environ 3 000 dollars, mais n’ajoute que « about four points » de précision. Sur les cas des urgences, il y a « little improvement in either accuracy or cost ». TechCrunch en tire la lecture que les données suggèrent : une grande partie du gain vient des modèles sous-jacents, l’orchestration ajoutant par-dessus. Elle aide surtout sur les cas complexes et avec des modèles « less capable » : Gemini 2.5 Flash passe de 46,4 % à près de 69 %. Le cas GPT-5.5 le confirme plutôt qu’il ne le contredit : plus récent mais plus faible sur ces cas — 72 % seul, sous les 78,9 % de GPT-5 — il monte à près de 87 % avec l’orchestration, à coût légèrement inférieur ; et là encore, les gains, écrit TechCrunch, « didn’t show up » sur les urgences, où les deux versions tournent autour de 85 %.

Les conditions du test comptent autant que le score. Les 304 cas viennent des conférences de clinopathologie du New England Journal of Medicine : selon Medical Economics, des cas retenus pour leur valeur pédagogique, qui incluent souvent les conclusions des spécialistes. Le banc est en texte seul — ni examen clinique, ni imagerie, ni tracés, ni lames de pathologie — et il laisse de côté l’incertitude d’une consultation réelle, où un patient oublie ou omet des informations. Chaque cas avait un diagnostic anatomopathologique confirmé : les visites sans pathologie en sont exclues, et le mélange de cas ne reflète donc pas la pratique courante. Le second banc, 325 passages aux urgences, donne 80,3 % contre 46,8 %. Le comparatif humain est fait de généralistes travaillant seuls : ni spécialistes, ni équipes pluridisciplinaires. Leurs résultats dépendent des outils : 22,3 % de diagnostics corrects sans ouvrage de référence, 36,1 % avec. Les auteurs écrivent qu’ils s’attendent à ce que l’écart se resserre face à des spécialistes appariés à chaque cas, et TechCrunch rappelle que ces cas sont « usually handled by specialists or physician teams, who weren’t part of the comparison ». Parmi les médecins testés, le meilleur atteint 51,8 % sur ces cas, et 62,5 % aux urgences. Medical Economics précise enfin la portée : l’étude n’a mesuré que la phase diagnostique — ni décisions de traitement, ni sécurité des patients, ni résultats cliniques.

Le coût, ensuite, dépend entièrement de la contrainte budgétaire. Microsoft affirme, dans un billet de blog repris par Gizmodo, que le système y parvient « at half or even one third of the cost », et The Next Web rapporte que les chercheurs disent la même chose des bilans. Sans limite de budget, les chiffres de Medical Economics vont contre cette lecture : le coût moyen des examens par cas est alors plus élevé que celui des médecins — 5 431 dollars contre 4 725 sur les cas de clinopathologie, 4 979 contre 3 400 aux urgences. Avec une contrainte de budget, les rôles s’inversent sur le coût, et c’est la précision qui se paie : 2 241 dollars et 80,9 % sur les cas de clinopathologie, 1 303 dollars et 79,6 % au budget le plus serré ; 2 634 dollars et 73,2 % aux urgences, 2 037 dollars et 69,5 % au plus serré — des scores qui restent, en précision, au-dessus de la moyenne des médecins sur ce banc. Ces montants sont des estimations calculées sur des cas simulés, et non des factures.

Le calendrier, enfin : le système n’est pas encore utilisé en clinique. Les chercheurs prévoient de travailler avec l’hôpital Beth Israel Deaconess, à Boston, pour savoir s’il peut aider au tri des patients — les tests sont annoncés pour les prochains mois —, et Suleyman indique à The Verge qu’un déploiement réel exigerait de toute façon des essais cliniques. Il dit aussi à TechCrunch que Microsoft travaille avec la Mayo Clinic à un modèle de fond en santé, pour l’année suivante.

Reste l’origine de l’étude. L’article déclare que tous les auteurs sont salariés de Microsoft et détiennent des actions de l’entreprise, qui vend des services d’IA et de santé ; que huit sont inventeurs nommés sur une demande de brevet liée au cadre d’évaluation ; et que l’étude n’a reçu aucun financement extérieur. Un seul des quatre articles que nous avons lus, celui de Medical Economics, mentionne ces liens. Le contrepoids existe et mérite d’être dit : selon Gizmodo, l’étude, intitulée « Sequential Diagnosis with Language Models », avait d’abord circulé l’an dernier comme préprint non relu sur arXiv, et sa publication dans une revue à comité de lecture constitue un pas important vers sa validation. Cela ne change pas les liens d’intérêts, mais cela change leur portée : ce n’est pas une équipe indépendante qui évalue un système, c’est bien l’entreprise qui mesure le sien — dans un cadre désormais relu par d’autres. Notre lecture : ce qui reste debout n’est ni le 83 %, ni le protocole, mais un fait plus étroit et plus solide — sur des cas écrits, un orchestrateur d’agents améliore un grand modèle, surtout quand le modèle employé est faible, et beaucoup moins quand il est bon. La question qui reste, elle, n’a pas de calendrier : l’écart tient-il face à des spécialistes, et hors d’un banc textuel ?