微軟 MAI-DxO AI 在醫療診斷研究中超越醫師
微軟 MAI-DxO AI 在醫療診斷研究中超越醫師
微軟公布了一項新研究，顯示人工智慧在診斷複雜疾病方面可能比醫師更加準確，同時有助於減少不必要的醫療檢查。
在 2026 年 10 月 22 日發表於《Science》的研究中，微軟的 AI 診斷協調系統（MAI-DxO）在複雜醫療病例中的診斷準確率達到 83%，而可使用參考資料的醫師僅為 36%。
該系統在較常見的急診病例中也表現出色，準確率達到 80%，醫師則為 47%。
這些發現代表 AI 輔助醫學推理的重要進展。不過，結果來自透過模擬診斷流程評估的歷史臨床病例，並非來自醫院中的實際病人診療。
根據微軟官方公告，公司計劃接下來在真實臨床環境中測試這項技術。
微軟的 MAI-DxO AI 診斷系統是什麼？
Microsoft AI Diagnostic Orchestrator，簡稱 MAI-DxO，是一個旨在模擬醫師團隊協作診斷病人的 AI 系統。
傳統 AI 系統通常分析所有可用的醫療資訊後立即給出答案，而 MAI-DxO 將診斷視為一個不斷推進的探究過程。
它協調多個虛擬醫師角色，共同分析症狀、請求補充資訊、考慮可能的診斷，並質疑彼此的結論。
MAI-DxO 如何運作
該系統遵循多步驟診斷流程：
- 初步評估： AI 代理分析病人就診時的症狀，辨識可能的疾病。
- 資訊蒐集： 系統判斷哪些補充問題、身體檢查或診斷檢驗最有幫助。
- 協作推理： 虛擬醫師角色質疑不同解釋，並評估新證據。
- 兼顧成本的決策： 系統考量追加檢查的估計費用和潛在診斷價值。
- 最終診斷： 蒐集到足夠資訊後，MAI-DxO 選擇最可能的診斷。
這種方法旨在模擬臨床實務中的反覆推理：醫師會隨著新資訊出現，持續重新評估自己的結論。
需要釐清的是，這些虛擬醫師是協調系統內由 AI 產生的角色，並非獨立的人類醫師。
微軟 AI 與醫師比較：研究發現了什麼？
微軟使用其循序診斷基準測試 Sequential Diagnosis Benchmark（SDBench）評估 MAI-DxO。
該基準包含兩個資料集中的 629 個歷史臨床病例：來自《新英格蘭醫學期刊》（NEJM）的 304 個疑難病例，以及來自 MIMIC-IV-ED 醫療資料集的 325 個急診病例。
結果顯示，兩者的診斷準確率存在顯著差異。
| 診斷基準測試 | MAI-DxO 準確率 | 醫師準確率 |
|---|---|---|
| 304 個複雜 NEJM 病例，醫師可使用參考資料 | 83.2% | 36.1% |
| 304 個複雜 NEJM 病例，醫師不可使用參考資料 | 83.2% | 22.3% |
| 325 個急診病例 | 80.3% | 46.8% |
來源：Microsoft AI，以及 Nori 等人發表於 Science 的「Sequential Diagnosis with Language Models」，2026 年 10 月 22 日。
複雜病例中，AI 準確率達到醫師的兩倍以上
在 304 個 NEJM 疑難病例中，MAI-DxO 的診斷準確率約為可查閱教科書與網路資源的醫師的 2.3 倍。
與無法使用這些參考資料的醫師相比，其準確率約為 3.7 倍。
這些發現顯示，對於需要廣泛醫學知識及審慎解讀證據的罕見或複雜疾病，AI 系統可能特別有價值。
不過，比較對象是在受控研究條件下參與測試的一般科醫師，而非真實醫院中的跨專科醫師團隊。
AI 在急診病例中也表現較佳
急診病例評估也得出了值得關注的結果。
MAI-DxO 正確診斷了約 80% 的病例，參與測試的醫師則為 47%。
這相當於約 1.7 倍的診斷準確率。
與 NEJM 疑難病例不同，急診資料集旨在反映較常見的臨床表現。
因此，這些發現對未來日常醫療應用特別具有參考價值。
但這些仍是以歷史急診病歷為基礎的模擬評估，而非與病人的即時互動。
AI 能否在改善診斷的同時降低醫療成本？
微軟這項研究的重要特色之一，是同時關注診斷準確性與醫療檢查費用。
如果一個高度準確的 AI 系統，只是透過安排過多檢查來取得較好結果，其實際價值可能有限。
為此，MAI-DxO 會結合追加檢查的潛在效益與估計費用進行評估。
成本最佳化版 AI 維持了較高準確率
微軟指出，一種經過成本最佳化的配置，在複雜 NEJM 病例中達到約 81% 的診斷準確率，估計費用不到某些比較方法的一半。
其他配置也顯示，該系統能在大幅降低檢查預算的同時維持良好表現。
不過，必須區分系統的最高準確率結果與最低成本結果。
在 NEJM 病例中達到 83.2%、在急診病例中達到 80.3% 準確率的無限制配置，其估計平均費用高於相應醫師組。預算較低的配置則以一定程度的準確率下降換取成本節省。
因此，這項研究展現的是準確率與成本之間有前景的取捨，並未證明每個版本的 MAI-DxO 都同時比醫師更準確、更便宜。
這些費用使用標準化醫療價格資料建模，並不代表醫院實際支出或病人已獲驗證的費用節省。
為何這項研究超越傳統醫療 AI 測試？
許多醫療 AI 評估仰賴標準化考試或選擇題。
這些基準衡量的是醫學知識，未必能準確反映真實病人診斷的複雜性。
在臨床實務中，資訊很少一次全部到位。醫師必須決定問什麼問題、安排哪些檢查，以及何時已有足夠證據得出結論。
循序診斷基準測試簡介
微軟開發 SDBench，是為了更真實地評估這項決策過程。
該基準不會一開始就提供病人的完整病史，而是僅給出有限資訊。
診斷系統接著必須逐步請求更多細節。
一個模擬的資訊提供者會從原始病例紀錄提供資訊；若所需資訊缺漏，則產生合理的回答。以 AI 為基礎的評估流程負責判斷診斷是否正確。
這讓研究人員不僅能考察 AI 系統是否給出正確診斷，也能分析其得出診斷的過程。
微軟已向研究人員開放 SDBench 的部分元件，以支持進一步測試與結果重現。
公司也表示，在不改變底層協調方法的情況下，使用包括 GPT-5.5 在內的較新 AI 模型進行評估時，MAI-DxO 的效能提升依然存在。
這顯示該方法可能受益於基礎模型的持續進步。
微軟計劃在波士頓展開真實臨床測試
儘管基準測試結果令人期待，微軟的 AI 診斷系統尚未在真實臨床實務中展現同等表現。
為研究這項差距，微軟宣布與**波士頓貝斯以色列女執事醫療中心（Beth Israel Deaconess Medical Center）**合作。
雙方計劃在醫院環境中評估 MAI-DxO 的臨床推理能力。
臨床研究將探討什麼？
在規劃中的前瞻性研究裡，病人將直接與 AI 系統互動，系統的診斷評估將與醫師獨立做出的評估比較。
這項研究將協助確認，面對真實臨床就診中的不確定性與複雜性，MAI-DxO 能否維持基準測試的表現。
它也將提供證據，說明這項技術可能如何融入現有醫療工作流程。
在這些研究得出結果前，關於真實環境中診斷表現較佳的說法仍未獲得證實。
AI 在臨床應用前必須克服的挑戰
雖然微軟的研究結果意義重大，但僅憑診斷準確率，還不足以判斷 AI 系統能否改善醫療服務。
一些重要問題仍沒有答案。
臨床可靠性與病人安全
真實病人可能有病史不完整、症狀重疊、意外併發症和檢查結果模糊等情況。
AI 系統必須證明能可靠處理這些狀況、辨識不確定性，並避免提出可能造成傷害的建議。
治療決策與長期照護
辨識疾病只是醫療服務的一部分。
醫師還必須選擇適當的治療方案、持續監測病人、處理併發症，並依個別情況調整照護。
MAI-DxO 已公布的基準測試結果，無法證明它能承擔這些更廣泛的職責。
人工監督與醫療體系整合
臨床 AI 系統也必須適應醫師與病人共同決策的方式。
這包括解釋建議、支持專業判斷、保護病人敏感資訊，以及維持適當的人工監督。
這些要求使得大規模臨床部署前的真實環境驗證不可或缺。
微軟的醫療 AI 突破為何重要？
微軟的研究指向醫療人工智慧領域一項可能十分重要的轉變。
AI 不再只是回答醫療問題的工具，還可能日益支援診斷過程本身：蒐集證據、比較不同解釋，並協助臨床醫師判斷哪些檢查最有價值。
這項研究也進一步支持協作式 AI 架構的價值，即由多個專業角色共同參與同一決策過程。
微軟更廣泛的醫療超級智慧願景超越診斷，還包括治療規劃、長期健康監測和個人化臨床決策支援。
該公司也與梅約診所（Mayo Clinic）合作，探索先進 AI、臨床專業知識和長期蒐集的病人資料，如何支援更全面的醫療體系。
不過，診斷基準測試的進步，不等於病人存活率、治療結果或醫療可近性已獲證實的改善。
這些效益仍需要嚴謹的臨床證據。
結語
微軟的 MAI-DxO 代表 AI 輔助醫療診斷的一項有前景的進展。
它在複雜病例與急診基準測試中的表現顯示，在受控評估條件下，經過協調的 AI 推理可以超越參與測試醫師的診斷準確率。
其成本最佳化配置也顯示，在保留部分準確率優勢的同時，有望減少診斷檢查費用。
下一個里程碑是證明，這些優勢能否轉化為對真實病人更加安全、有效且可負擔的醫療服務。
醫療 AI 的未來不僅取決於能否準確診斷疾病，也取決於能否協助臨床醫師在現實中提供更好的照護。