Microsoft'un, karmaşık vakalardan oluşan bir simülasyonda pratisyen hekimlerden iki kat fazla doğru tanı koyan bir sistemi var. Manşetlerdeki sayı yüzde 83'e yüzde 36. Daha ilginç sayı ise şirketin kendi analizinde: farkın büyük kısmı sistemden değil, altındaki modelden geliyor.
Sistemin adı MAI-DxO. Bir hekim kurulu gibi davranan birkaç yapay zekâ ajanını yönetiyor: hastayı sorguluyor, tetkik istiyor, ayırıcı tanılar üzerinde tartışıyor ve bir tanıda buluşuyor. New England Journal of Medicine'dan alınan karmaşık vakalarda test edildi — yani gerçek hastanelerin uzmanlara veya ekiplere devrettiği türden vakalar. Çalışma Science'ta yayımlandı.
Sayılar ne gösteriyor
Kurul yüzde 83 isabet sağladı. Tek başına ve başvuru kaynaklarıyla çalışan pratisyen hekimler ile iç hastalıkları uzmanları yüzde 36'da kaldı. Bu karşılaştırmanın, çalışmanın kendisinin de belirttiği bir sınırı var: uzmanlar ve hekim ekipleri kontrol grubunda değildi.
Sonrası ilginçleşiyor. Microsoft, DxO'yu birden çok sağlayıcının modelleriyle test etti — aralarında OpenAI, Google, Anthropic ve Meta var — ve en iyi sonuçları GPT-5 ile GPT-5.5'te aldı. Tek başına GPT-5, kısa bir temel prompt'la karmaşık vakalarda yüzde 78,9'a ulaştı. DxO, vaka başına tahmini maliyeti yaklaşık 3.000 dolar düşürdü ama doğruluğu yalnızca dört puan kadar artırdı. Acil servis vakalarında ise modelin tek başına ve DxO ile performansı arasında ne doğrulukta ne maliyette anlamlı bir fark çıktı.
GPT-5.5 ile tablo ikiye ayrıldı: karmaşık vakalarda doğruluk yüzde 72'den neredeyse 87'ye çıkarken maliyet bir miktar düştü; acil serviste yine fark yok, ikisi de yaklaşık yüzde 85.
Etki en çok zayıf modellerde görünüyor. Gemini 2.5 Flash tek başına yüzde 46,4, DxO ile neredeyse 69. Ama zayıf ve güçlü modeller arasındaki uçurum, orkestrasyonun sağladığı kazançtan daha büyük. Microsoft'un araştırmacıları da açıkça söylüyor: bir model teorik üst sınıra yaklaştıkça doğruluk kazançları daralıyor.
Üzerinde durulması gereken bir maliyet
Çalışma, yapay zekâyı vaka başına çalıştırmanın maliyetini de hesaplıyor. Tek başına GPT-5, karmaşık bir vakada: yaklaşık 8.400 dolar. Bu bir ürün fiyatı değil, çok adımlı bir süreçteki model çağrılarının faturası — ve bu mimarinin bir muayene odasından ne kadar uzak olduğunu gösteriyor. DxO bu tutarı düşürüyor, ama her yanıtın sayıldığı bir çalışmada anlamlı olabilecek bir büyüklük olarak kalıyor.
Şirketin asıl argümanı
Microsoft AI CEO'su Mustafa Suleyman sonucu "tıbbi süper zekâ"ya doğru bir adım olarak niteliyor: bugünün en güçlü insan liderliğindeki sağlık sistemlerini, tıbbi akıl yürütme ve koordinasyonda bakımın tüm yayı boyunca aşma kapasitesi. Bu kasten "bir sınav sorusunda hekimi yener" değil, "bir sistemi yener" demek.
Bu yüzden sonraki adım manşetten daha önemli. Microsoft, Mayo Clinic ile sağlık için bir temel model eğitmeyi planlıyor; hedef gelecek yıl. Boston'daki Beth Israel Deaconess Medical Center ile de gerçek dünya çalışması başlıyor: hastalar standart bakım alacak, onay verenler paralel olarak DxO ile de görüşecek ve öneriler karşılaştırılacak. Microsoft AI Sağlık Başkan Yardımcısı Dominic King bunu türünün en büyük çalışması olarak niteliyor — yalnızca laboratuvar koşulları değil, acil ve yarı acil bakım.
Google bu ay Beth Israel ile, hekimlerin görüşmeleri gerçek zamanlı izlediği, konuşmaya dayalı tanı sistemi AMIE üzerine bir Lancet çalışması yayımladı. Yani "tıbbi süper zekâ" eşiği artık kıyaslama testlerinden kontrollü klinik çalışmalara kaymış durumda.
İnanmak için ne eksik
Bu, yayımlanmış vakalar üzerinde bir simülasyon deneyi; hastalar üzerinde değil. Bir dergide çıkan vaka zaten yazıya geçirilmiş, zaten triyajdan geçmiş ve sonunda tanıya götüren bilgiyi zaten içeriyor — gerçek bir ilk karşılaşmanın sunmadığı bir avantaj. Yanlış ama tehlikeli yanıtlar, gereksiz tetkik, ya da sistemin eksik veya hatalı bilgiyle nasıl baş ettiği konusunda veri yok. Ve tek başına çalışan pratisyenlerle karşılaştırma, sistemin doldurması gereken boşluğu ölçüyor; doldurma yeteneğini değil.
Suleyman'ın öngörüsü cesur ve tarihli: 2027'de tıbbi kayıtlarda "kodlama tarzı bir atılımın" eşiğinde olacaklarını, bir vakanın nasıl ilerleyebileceğine dair akış hâlinde tahminler üretileceğini söylüyor. Bunun olup olmayacağını yüzde 83 değil, daha yeni başlayan çalışma belirleyecek.
