Une étude de Microsoft montre qu’une IA surpasse des médecins dans le diagnostic

Un résultat spectaculaire, mais à lire avec précision

Microsoft vient de publier l’un des résultats les plus frappants de l’année dans l’IA médicale. Dans une étude parue dans Science le 22 octobre 2026, un système d’intelligence artificielle conçu pour raisonner étape par étape a diagnostiqué des cas cliniques avec une précision nettement supérieure à celle de médecins participants [1]. Le système, appelé Diagnostic Orchestrator ou DxO, a atteint 83,2% de bonnes réponses sur des cas clinicopathologiques du New England Journal of Medicine, tandis que des médecins généralistes disposant d’outils de recherche et de référence ont obtenu 36,1% sur les mêmes types de cas [1].

Le résultat ne s’arrête pas aux cas rares ou pédagogiques du NEJM. Sur un second ensemble de données, composé d’admissions issues des urgences, DxO a atteint 80,3% de précision, contre 46,8% pour les médecins [1]. Ces chiffres expliquent l’écho immédiat de l’annonce: ils suggèrent que certains systèmes d’IA ne se contentent plus de réussir des examens médicaux à choix multiple, mais peuvent simuler une partie du raisonnement diagnostique.

Il faut toutefois souligner le mot “simuler”. L’étude ne montre pas qu’une IA a diagnostiqué de vrais patients dans un hôpital en améliorant leur état de santé. Elle montre qu’un système d’IA a surpassé des médecins individuels dans un cadre textuel, contrôlé et structuré [1]. Or le diagnostic réel implique des patients parfois confus ou anxieux, des examens physiques, des images médicales, des contraintes de service, une responsabilité juridique et un suivi thérapeutique. Un banc d’essai peut se rapprocher de cette réalité, mais il ne la remplace pas.

Ce que Microsoft a réellement testé

L’apport principal de l’étude n’est pas seulement le score de l’IA. C’est la manière dont le test a été conçu. Beaucoup d’évaluations antérieures donnaient à un modèle de langage un cas clinique complet, parfois accompagné de réponses possibles, puis lui demandaient de choisir un diagnostic. Ici, les chercheurs de Microsoft ont utilisé un cadre appelé Sequential Diagnosis Benchmark, ou SDBench, qui transforme le diagnostic en processus interactif [2].

SDBench comprend 629 cas cliniques: 304 cas clinicopathologiques du NEJM et 325 rencontres issues de services d’urgence, tirées de MIMIC-IV-ED [1]. Chaque cas commence par des informations limitées. Le participant, humain ou artificiel, doit ensuite décider quelles questions poser, quels examens demander, et à quel moment il dispose d’assez d’éléments pour conclure [1].

Cette architecture est importante, car le bon diagnostic ne consiste pas seulement à connaître une maladie rare. Il faut aussi formuler une hypothèse différentielle, choisir les informations utiles, éviter les examens superflus et réviser son raisonnement à mesure que de nouvelles données arrivent. Le résumé de l’AAAS consacré à l’article de Science insiste sur ce point: les bancs d’essai statiques risquent de surestimer la compétence diagnostique des modèles, car ils compressent tout le raisonnement en une seule étape [2].

DxO a été conçu comme une sorte de panel virtuel de médecins. Il suit plusieurs hypothèses, remet en cause les diagnostics dominants, choisit les questions et les tests, et tient compte du coût des examens [1]. Dans les résultats principaux, le système s’appuie sur GPT-5 [1]. Il ne s’agit donc pas simplement d’un chatbot médical grand public, mais d’un orchestrateur qui impose à un modèle de langage une méthode structurée de raisonnement clinique.

La question du coût est plus nuancée que le titre

Le titre le plus simple est que l’IA a été plus précise que les médecins. Mais les coûts racontent une histoire plus complexe. Sans contrainte budgétaire, DxO a coûté plus cher en examens que les médecins: 5 431 dollars contre 4 725 dollars par cas pour les cas du NEJM, et 4 979 dollars contre 3 400 dollars pour les cas issus des urgences [1].

Lorsque les chercheurs ont imposé des contraintes budgétaires, le système a toutefois réduit ses coûts tout en restant au-dessus de la moyenne des médecins. Sur les cas du NEJM, certaines configurations ont atteint 80,9% de précision pour 2 241 dollars par cas, et 79,6% pour 1 303 dollars [1]. Sur les cas des urgences, les versions limitées par budget ont obtenu 73,2% pour 2 634 dollars et 69,5% pour 2 037 dollars, soit encore davantage que la moyenne médicale rapportée [1].

Cet aspect est crucial pour les hôpitaux. Une IA plus précise uniquement parce qu’elle ordonne tous les examens possibles ne serait pas forcément utile. L’intérêt de DxO est de montrer qu’un système bien structuré pourrait se déplacer sur une frontière entre précision et coût, en conservant une bonne performance tout en limitant certains examens inutiles [2].

Là encore, prudence. Les coûts sont des estimations fondées sur des prix américains standardisés. Ils ne capturent pas les contrats d’assurance, les délais d’obtention des résultats, l’inconfort du patient, l’exposition aux rayonnements ou les conséquences en cascade d’un examen [1]. Le coût mesuré est donc instructif, mais simplifié.

Pourquoi l’IA a pu faire mieux

L’étude signale une différence frappante dans la façon de collecter l’information. Les médecins posaient en moyenne 5,6 questions avant de demander leur premier examen, tandis que DxO en posait 25,5 [1]. Les auteurs décrivent cette stratégie comme une anamnèse plus étendue et plus structurée [1].

Ce comportement illustre un avantage possible des systèmes d’IA. Ils ne se fatiguent pas, ne sont pas pressés par une salle d’attente pleine, et peuvent suivre systématiquement de longues listes de questions. Les grands modèles de langage disposent aussi d’une vaste mémoire statistique d’associations médicales, qu’ils peuvent appliquer de manière constante. Les auteurs suggèrent que cette combinaison de connaissances larges, de cohérence et d’absence de fatigue a pu contribuer à l’écart de performance [1].

Mais cette explication a une limite. Un banc d’essai textuel peut récompenser une enquête très exhaustive, alors qu’une consultation réelle impose des arbitrages. Un urgentiste ne peut pas toujours poser vingt-cinq questions parfaitement structurées avant d’avancer. Le patient peut ne pas connaître la réponse. Certains signes se voient, se touchent ou s’interprètent dans le contexte. Le résumé de l’AAAS rappelle d’ailleurs que le système ne peut pas effectuer d’examen physique ni observer directement un patient [2].

Ce qui change par rapport à l’annonce de 2025

Le système de Microsoft avait déjà fait parler de lui en 2025, lorsque l’entreprise avait présenté MAI-DxO comme supérieur à des médecins sur des cas difficiles du NEJM. La publication du 22 octobre 2026 dans Science est importante parce qu’elle place ces travaux dans une revue scientifique de premier plan et ajoute un ensemble de cas plus proche des urgences ordinaires [3].

Le média japonais AI Jitan, qui a résumé les documents publiés par Microsoft le 22 octobre, indique que l’entreprise présente désormais deux éléments: le banc d’essai SDBench et le système MAI-DxO, avec une mise à disposition partielle de l’infrastructure du benchmark pour certains cas du NEJM [3]. Le même article insiste aussi sur une réserve essentielle: les chiffres cités sont ceux d’un benchmark, pas ceux d’une utilisation clinique auprès de patients réels [3].

Cette distinction doit guider la lecture par les hôpitaux, les régulateurs et le public. Un résultat évalué par les pairs peut représenter une étape scientifique majeure. Il ne constitue pas automatiquement une autorisation réglementaire, un protocole hospitalier, ni une preuve d’amélioration de la mortalité, de la sécurité ou de l’expérience patient.

Une pièce de la stratégie santé de Microsoft

L’étude s’inscrit dans une ambition plus large de Microsoft AI. Les reportages publiés autour de l’annonce décrivent le projet comme une étape vers la “superintelligence médicale”, expression employée par Mustafa Suleyman, directeur général de Microsoft AI, pour désigner des systèmes capables de soutenir un raisonnement clinique plus avancé [4].

Selon AI Jitan, les documents de Microsoft évoquent aussi une collaboration avec Mayo Clinic et une évaluation prospective prévue avec Beth Israel Deaconess Medical Center, à Boston, dans laquelle des patients interagiraient avec le système et les résultats seraient comparés à des évaluations indépendantes de médecins [3]. Si elle est menée à bien, une telle étude serait beaucoup plus informative qu’un benchmark rétrospectif, car elle testerait le comportement du système dans l’environnement imparfait et complexe des soins.

C’est là que les chiffres impressionnants deviennent des questions pratiques. Qui sera responsable si l’IA se trompe? Comment un médecin devra-t-il documenter son désaccord avec une recommandation algorithmique? L’outil servira-t-il au triage, au deuxième avis, à la formation médicale ou à l’orientation des patients? Comment un régulateur évaluera-t-il un système dont le modèle sous-jacent peut évoluer? L’article de Science ne tranche pas ces questions, mais il les rend plus urgentes.

Des limites importantes

La version la plus forte du résultat est simple: dans les cas testés, DxO a surpassé des médecins généralistes individuels. La version responsable ajoute plusieurs limites. La comparaison ne portait pas sur des spécialistes parfaitement adaptés à chaque cas, ni sur des réunions multidisciplinaires [1]. Les cas clinicopathologiques du NEJM sont choisis pour leur valeur pédagogique et représentent souvent des énigmes diagnostiques inhabituelles [1]. Le benchmark était textuel et n’intégrait pas directement l’imagerie, les tracés, les lames de pathologie ou l’examen du patient [1].

L’étude mesure aussi le diagnostic, pas le traitement. Elle ne démontre pas que les patients recevraient de meilleurs soins, éviteraient des dommages ou auraient de meilleurs résultats si DxO était déployé [1]. Medical Economics rapporte également que tous les auteurs sont employés par Microsoft et détiennent des actions de l’entreprise, et que huit d’entre eux sont inventeurs nommés dans une demande de brevet liée au cadre d’évaluation [1]. Ces déclarations d’intérêts n’annulent pas les résultats, mais elles renforcent la nécessité de réplications indépendantes.

Une percée, pas un remplacement des médecins

L’étude de Microsoft est importante parce qu’elle évalue l’IA médicale de façon plus réaliste que de nombreux tests précédents. Elle demande à un système de collecter de l’information, de mettre à jour un diagnostic différentiel, de tenir compte du coût des examens et de décider quand s’arrêter. Dans ce cadre, le système a très bien réussi [2].

La conclusion pratique n’est toutefois pas que l’IA a “battu les médecins” au sens complet de la médecine. La conclusion la plus solide est que l’orchestration diagnostique par IA pourrait devenir un outil puissant d’aide clinique, surtout pour les cas difficiles, les deuxièmes avis et l’enseignement médical. La prochaine étape décisive ne sera pas un score encore plus élevé dans un tableau comparatif. Ce sera une preuve prospective montrant que médecins et IA, ensemble, peuvent améliorer les résultats des patients de manière sûre, abordable et équitable.

Pour l’instant, Microsoft a montré qu’un système d’IA bien structuré peut surpasser des médecins généralistes dans un benchmark diagnostique contrôlé. C’est un signal majeur pour la santé. Ce n’est pas la fin du rôle du médecin; c’est le début d’un débat plus exigeant sur la manière d’intégrer des machines capables de raisonner de façon impressionnante, mais incapables d’assumer seules la responsabilité d’un patient.

Sources des dernières 72 heures

1. [1]AI system outperforms physicians on diagnostic accuracy in Microsoft study22 oct. 2026, 02:00
2. [2]AI System Improves Diagnostic Accuracy, Cuts Testing Costs22 oct. 2026, 20:06
3. [3]Microsoft AI、診断AI「MAI-DxO（マイ・ディーエックスオー）」の評価をScienceに発表NEJMの難症例で正答率83%、医師は22%と36%（同社測定）21 oct. 2026, 17:00
4. [4]Microsoft says AI tool diagnoses conditions up to four times more accurately than doctors22 oct. 2026, 02:00

Article généré par IA à partir d’une recherche web récente, puis conservé comme instantané éditorial daté.