微軟 AI 診斷系統登上《科學》期刊：疑難病例正確率 83%，但對照組不是專科醫師

微軟 MAI-DxO 在 304 個《新英格蘭醫學期刊》疑難病例中答對 83.2%，遠高於單獨看診的一般科醫師，但研究本身也坦承，這不代表它勝過專科團隊或真實診間。

微軟的醫療 AI 團隊在 10 月 22 日於《科學》（Science）期刊發表研究，旗下診斷協調系統 MAI-DxO 在一組出了名的難解病例中，交出了 83.2% 的正確率。這個數字迅速被拿來與醫師比較：同樣條件下，單獨看診、可以查閱參考資料的一般科醫師，正確率為 36.1%。

不是一次猜答案，而是一步步問診

MAI-DxO 的運作方式，比較像一個虛擬醫師團隊在開會，而不是單一模型一次給出答案。系統會先從簡短的病況描述出發，陸續追問病史、決定要安排哪些檢查，再根據結果修正原本的判斷方向，最後才收斂到診斷。

評測使用的基準稱為 SDBench，取材自《新英格蘭醫學期刊》刊登的 304 個疑難病例，並把每個病例改寫成可以逐步互動的模擬問診。微軟表示，未來計畫把這套基準開源。在急診情境的另一組測試中，系統面對 325 筆急診入院資料，正確率為 80.3%，醫師組則為 46.8%。

數字要怎麼讀：對照組的組成很關鍵

這份研究最容易被誤讀的地方，就在對照組的設定。與系統比較的，是單獨作業的基層醫師與一般內科醫師，並非專科醫師，也不是多人組成的醫療團隊。而這類疑難病例在現實中，本來就多半會交由專科或團隊處理。

研究作者也在論文中寫明，這些結果來自受控的純文字模擬，不能直接推論為勝過專科醫師、多專業團隊或真實臨床現場。此外，系統在無預算限制下每個疑難病例的估計檢查費用約 5,431 美元，設下預算限制後仍能維持 80.9% 的正確率，費用則降到 2,241 美元，醫師組使用參考資料時的平均費用為 4,725 美元。

另一個值得注意的細節是，底層模型的進步貢獻了大部分成績。單獨使用 GPT-5 時，在同一組疑難病例上已可達到約 78.9%，協調機制再往上加了約 4 個百分點。微軟也表示，系統可以搭配不同廠商的模型使用，但最佳成績來自 GPT-5 與 GPT-5.5。

微軟的下一步：先走急診分流，不直接看診

微軟 AI 執行長 Mustafa Suleyman 把這項成果形容為邁向「醫療超級智慧」的一步。不過就實際部署而言，微軟接下來的計畫相對保守：先與貝斯以色列女執事醫療中心合作，測試急診分流與候診支援等場景，而不是讓系統直接取代診間醫師。

這也點出醫療 AI 真正的考驗從來不只在答對率。工作流程、責任歸屬、病人信任與成本效益，都還沒有在這份研究裡得到答案。83% 是一個值得關注的訊號，但把它直接讀成「AI 已經比醫師強」，就把研究說得太滿了。

資料來源

• Science
• TechCrunch
• Microsoft AI