從循序診斷測試到臨床：醫療AI還需要證明什麼

微軟10月22日公布MAI-DxO診斷系統研究進展，並稱論文已發表於《科學》。複雜病例測試中，系統準確率為83%，醫師使用參考資料時為36%；急診病例測試分別為80%和47%。¹這些數字描述特定測試，不是醫院日常誤診率的比較。

AI生成示意圖：人工智慧輔助診斷研究與證據核驗，非真實臨床現場。

AI生成示意圖：人工智慧輔助診斷研究與證據核驗，非真實臨床現場。

不只是答對，還要決定下一步問什麼

醫療問答考試通常把必要材料放在題目裡；真實診斷的難處之一，卻是決定還缺什麼。SDBench把病例拆成互動過程：受測者先看到有限摘要，再選擇詢問、檢查或提交診斷。負責提供資訊的模型按請求傳回病例內容；原紀錄沒有某項結果時，可以生成與病例相符的模擬結果。最後由另一模型對照參考診斷評分。²

這一設計讓研究可以觀察資訊取得路徑，而非只看最終答案。不過，模擬結果不是對患者新做的檢查。若系統在模擬環境中選擇了一條有效路徑，仍須證明真實醫院能及時取得相應資訊，且資訊品質沒有改變判斷。研究把測試做得更接近診斷過程，不等於已經完整複製診療現場。

研究作者此前公開的稿件介紹，複雜病例集包含304個《新英格蘭醫學雜誌》病例。³這種精選病例能檢驗疑難推理，卻不能直接代表所有門診患者。把不同病例集的成績分開報告很重要：一個平均數無法同時回答常見疾病、罕見疾病和緊急情況中的表現。

比較AI與醫師獨立作答，和驗證醫師使用AI後的表現，是兩個問題。前者用於判斷系統能力，後者才更接近輔助工具的使用方式。醫師可能識別並糾正錯誤，也可能因系統回答流暢而過早接受結論；這裡列出的是需要測試的風險，並非這項研究已經觀察到的臨床結果。

美、英、加監管機構2021年提出的機器學習醫療器材原則，強調具代表性的資料、獨立測試，以及人機團隊在臨床相關條件下的表現。⁴用於理解這次研究，這意味著下一輪評估不能只重複一張準確率榜單，還應記錄誰採納了建議、何時推翻建議，以及有分歧時最終如何處置。原則本身不是對MAI-DxO的批准或認證。

同樣，答錯一個複雜病例與漏掉一個需要立即處理的危險情況，後果可能不同。臨床評估應預先說明錯誤的類型、嚴重程度與升級處理方式。否則，即使平均分提高，也無法知道安全性是否在最關鍵的環節改善。

公開程式碼允許按檢查項目估價，並說明論文使用了以醫院公開收費表為依據的成本計算；模型直接估價和收費表比對估價並不相同。²因此，費用比較首先是在給定計算方法下比較診斷路徑，不是證明患者實際支付金額或整個醫療系統開支已經下降。

從經濟機制看，少做一次沒有價值的檢查可能節省資源；但若節省來自漏做必要檢查，後續治療成本反而可能增加。還須考慮部署、人工複核、重複就診與異常處理。這裡只能提出需要核算的項目，不能把它們寫成已經發生的收益或損失。

SDBench程式碼公開，不代表所有病例可以任意下載：NEJM資料需要許可，MIMIC資料有相應存取條件；儲存庫附帶的五個完全合成病例用於開發測試，不應用來報告診斷表現。²這一區別關係到重現研究是否真正使用同一批資料與同一設定，而不只是執行了同名軟體。

微軟計畫與波士頓貝斯以色列女執事醫療中心開展前瞻性研究。¹在這類研究給出結果以前，最有價值的下一步不是把「超過醫師」推廣到所有臨床場景，而是明確適用人群、工作流程和失敗時的責任界線。診斷推理有進步，與患者最終獲得更安全、更及時的照護，是需要分別證明的兩件事。

2026-10-22 · Microsoft AI，MAI Health Team · Building Medical Superintelligence（譯名：構建醫療超級智慧）。 ↩ ↩²
查閱於2026-10-23 · Microsoft · SDBench: Sequential Diagnosis Benchmark（譯名：SDBench循序診斷基準）· MIT許可。官方專案頁列出的論文為《Sequential Diagnosis with Language Models》，Science，2026，DOI：10.1126/science.aeh7930。 ↩ ↩² ↩³
稿件日期2025-11-08 · Harsha Nori等 · Sequential Diagnosis with Language Models（譯名：使用語言模型進行循序診斷）· 作者公開稿，僅用於方法背景，不視為2026年發表版本全文。 ↩
2021-10 · FDA、Health Canada、MHRA · Good Machine Learning Practice for Medical Device Development: Guiding Principles（譯名：醫療器材開發的良好機器學習實務：指導原則）。 ↩