文章目錄
10 月 22 日，微軟在《Science》期刊發表了他們的診斷 AI：MAI-DxO（Microsoft AI Diagnostic Orchestrator）。在一批出了名難的病例上，它答對的比例是一般科醫師的兩倍以上。這幾天社群上討論得很熱。
大部分討論集中在準確率。我們比較好奇的是，它到底是怎麼看病的？所以把微軟的官方說明、論文前身的預印本，還有幾篇報導都讀了一遍，用白話整理在這裡。
以前的醫療 AI，大多在考選擇題
過去幾年常看到「AI 通過美國醫師執照考試」的新聞。這類考試會把病人的主訴、病史、檢查結果一次寫好，最後選一個答案。
但真的看病不是這樣。病人走進診間時，醫生手上可能只有一兩句話，接下來要問什麼、驗什麼、什麼時候下判斷，都得自己決定。微軟團隊在 2025 年的預印本裡就提到，選擇題式的測驗容易高估模型，也看不出「太早下結論」或「什麼都驗一輪」這類問題。
所以他們做了一套新的考法，叫 SDBench（Sequential Diagnosis Benchmark，逐步診斷測驗）：
- 題目：304 個《新英格蘭醫學期刊》（NEJM）的疑難病例討論；Science 正式版另外加入了美國急診的常見病例（MIMIC-IV-ED）。
- 開場：只給兩三句病人簡介，例如「29 歲女性，喉嚨痛、扁桃腺周圍腫脹出血，用了抗生素也沒好」。
- 過程：想知道更多就得開口問，或開檢查。另一個 AI 扮演「守門員」，問到什麼才回答什麼，問得太籠統會被拒絕。
- 計分：最後由「評審」AI 對照正確診斷打分，同時把一路開過的檢查換算成費用。
也就是說，這套考法看的不只是答案對不對，還有過程合不合理、花了多少錢。
圖：SDBench 的逐步診斷流程。圖片來源：Microsoft SDBench（© Microsoft Corporation，MIT License）
MAI-DxO 怎麼看病：一個 AI 分飾五個醫生
MAI-DxO 不是單獨一個新模型。它是一套「協作架構」，讓同一個語言模型輪流扮演不同角色，像一個小型會診團隊。依 2025 年預印本的描述，團隊裡有五個角色：
| 角色 | 負責什麼 |
|---|---|
| 假設醫師（Dr. Hypothesis） | 列出最可能的三個診斷，每拿到新資訊就更新機率 |
| 選檢查醫師（Dr. Test-Chooser） | 每一輪挑最多三項最能區分這些可能的檢查 |
| 唱反調醫師（Dr. Challenger） | 找出先入為主的地方和矛盾的證據，提議能推翻目前判斷的檢查 |
| 管成本醫師（Dr. Stewardship） | 效果差不多就選便宜的，否決又貴又沒幫助的檢查 |
| 品管醫師（Dr. Checklist） | 確認檢查名稱寫得正確，團隊前後推理一致 |
五個角色討論完（論文叫它「辯論鏈」），團隊只能做三件事之一：問病人問題、開檢查，或是有把握了就下診斷。拿到新資訊後再討論一輪，直到確定為止。
預印本裡有個例子很能說明差別。一位因酒精戒斷住院的病人，誤喝了乾洗手而中毒。直接把病例丟給模型時，它一直往抗生素副作用的方向想，開了腦部 MRI、腦波等貴的檢查，最後還是猜錯，花了 3,431 美元。換成 MAI-DxO，假設醫師在第一輪就提醒要考慮住院期間接觸到的毒物，團隊先問了病人有沒有喝乾洗手。病人承認後，只做了針對性的檢查就確診，總共花 795 美元。
先問、再驗，問對問題往往比多做檢查更有用。這其實也是很多資深醫師在做的事。
成績：疑難病例兩倍以上，急診案例 1.7 倍
微軟公布的 Science 正式版結果如下：
| 病例來源 | MAI-DxO | 醫師 |
|---|---|---|
| NEJM 疑難病例（304 例） | 83% | 36%（可查教科書、網路）／22%（不可查） |
| 美國急診常見病例（MIMIC-IV-ED） | 80% | 47% |
換算下來，在疑難病例上大約是醫師的 2.3 倍（可查資料）到 3.7 倍（不可查資料）；急診案例則是 1.7 倍多。新聞標題常見的「近 4 倍」，指的是後者。
成本方面，微軟表示 MAI-DxO 能用一半甚至三分之一的檢查費用找到正確診斷。其中一個偏重省錢的設定，在疑難病例上仍有 81% 的準確率。在兩組病例裡，都沒有其他人類或 AI 的做法同時比它更準又更便宜。
另外要注意：2025 年預印本的數字（MAI-DxO 最高 85.5%，醫師平均 20%）跟正式版不同，網路上有些文章還在用舊數字。
看數字時，可以多想三件事
這些成績很亮眼，研究團隊自己也很清楚它的適用範圍。讀數字時可以把這三點一起放進來。
1. 比的是一般科醫師，不是專科團隊。參與比較的是家醫科與一般內科醫師。這麼難的病例，現實中通常會轉給專科或由醫療團隊處理。研究團隊在預印本裡也提出了這個問題：評估 AI 時，該跟單一醫師比，還是跟整個醫院的團隊比？
2. 目前還是模擬。病例來自已發表的病例討論，病人的回答由 AI 守門員代為提供。NEJM 的病例都是挑過的難題，裡面沒有健康或輕症的人，所以還不知道它在日常常見病上表現如何。檢查費用則是用美國醫院的價格估算的。
3. 底層模型的貢獻很大。TechCrunch 整理了論文數據：GPT-5 單獨作答就有 78.9%，套上 MAI-DxO 後準確率多約 4 個百分點，每例成本少約 3,000 美元；換成 GPT-5.5，疑難病例從 72% 提升到近 87%；急診案例則加不加架構都在 85% 左右。微軟的說法是，換用新模型後不必改協作方法，增益依然存在。預印本也提到，這套架構不綁定特定模型，醫院不用每出一個新模型就從頭來過。
下一步：從考場走進醫院
微軟接下來要和波士頓的貝斯以色列女執事醫療中心（BIDMC）做前瞻性研究，範圍包括急診和緊急照護。病人一樣接受原本的檢傷、看診和治療；同意參與的人，會另外跟 MAI-DxO 互動，最後比對 AI 的建議和醫師的判斷。微軟醫療副總裁 Dominic King 說，他們認為這會是同類研究中規模最大的一個。
其他幾件同時在進行的事：
- 開源：微軟會開源 SDBench 的部分 NEJM 病例，連同守門員、評審和成本估算的程式碼，讓其他研究者重現、挑戰或延伸這項研究。
- 醫療基礎模型：微軟正和 Mayo Clinic 合作訓練醫療專用的基礎模型，預計明年推出。
- 同業也在做：Google 這個月也和 BIDMC 在《The Lancet》發表研究，在真實的緊急照護門診裡評估他們的對話式診斷 AI「AMIE」，過程由醫師即時監看。
接下來一兩年，各家在真實醫院的研究結果會陸續出來，這些會比考試成績更有參考價值。
參考資料
- Building Medical Superintelligence，Microsoft AI，2026-10-22
- Sequential diagnosis 論文（Science），2026-10-22
- Sequential Diagnosis with Language Models（arXiv 預印本），Microsoft AI，2025
- Microsoft’s Mustafa Suleyman says its AI outperforms doctors on hard cases，TechCrunch，2026-10-22
- SDBench 開源頁面
相關文章：AI 接進病歷系統：2026 年美國與台灣醫院的兩條路 · 台灣醫療 AI 的真正轉折點：從試點到臨床，Agentic AI 正在重寫遊戲規則
討論區 (0 則留言)