微軟 AI 診斷登上 Science：先問 25.5 題才開單

微軟的 AI 診斷真的贏醫師嗎？Science 研究：NEJM 難題準確率 83.2%，可查資料的第一線醫師 36.1%；但這是文字模擬，對照組不是專科醫師，15 位作者全是微軟員工。

張宏嘉 Benjamin Chang 皮膚科專科醫師 · VSKIN 院長 · PSKIN 主治醫師

發表於 2026年10月23日 AI論文導讀

醫師平均問 5.6 個問題，就開出第一張檢查單。AI 平均問 25.5 個。

這兩個數字出自 10 月 22 日 Science 刊出的微軟團隊論文〈Sequential diagnosis with language models〉。研究把 304 個 NEJM 臨床病理討論會病例、325 個急診轉住院病例（MIMIC-IV-ED），拆成一來一往的診斷過程，讓醫師和 AI 從同一句開場白開始，各自決定下一步要問什麼、開什麼。

新聞標題拿走的是另一組數字：AI 83.2%，醫師 36.1%。這兩個數字都對，只是各自帶著條件。

把一次看診，拆成一來一往

開場只給一小段描述。論文附的範例是這樣一句：一位 29 歲女性因為喉嚨痛、扁桃腺周圍腫脹出血住院，用了抗生素症狀沒有退。

接下來由醫師或 AI 自己決定：再問一題病史、開一張檢查單，或直接下診斷。每項檢查依美國 CPT 價格累加，開得越多，帳單拉得越長。價格取自 Kaiser Permanente Washington 中央醫院公開的收費表。

AI 這端，Science 論文裡叫 DxO（Diagnostic Orchestrator），微軟對外的名字是 MAI-DxO。它在內部模擬一組分工不同的醫師互相辯論，每一步先算這項檢查值不值得開，最後再把幾次獨立推理的診斷彙整起來。DxO 不綁定某一顆模型，底下可以換成不同公司的語言模型。

這套考場裡有兩個不下場的角色。

Gatekeeper 守著病例原文，你問什麼它才答什麼，而且只給「臨床上問得到、驗得到」的資訊。碰到病例裡沒有記載的檢查，它會生成一個不指向任何答案的合成結果。理由是「問不到」本身就會洩題：如果某項檢查一問就說沒有資料，聰明的考生會從空白裡讀出線索。

Judge 負責改考卷。它拿診斷去對標準答案，用一份醫師寫的五級量表打分，4 分或 5 分算對，意思是：跟標準答案接近到「處置不會改變」。

83.2% 是不設預算的那一版

NEJM 病例（臨床病理討論會）：

急診病例（MIMIC-IV-ED）：

急診這一組，醫師只做了可以查資料的版本。

計分方式前面說過：診斷跟標準答案接近到「處置不會改變」，就算對。

讀這兩張表要先知道一件事。NEJM 那一組，醫師作答的是 56 個在系統開發時刻意保留、沒有拿來調整的病例；2025 年的 preprint 寫明，AI 是在全部 304 例上算分。兩個數字並排看的時候，別把它讀成同一批病例上的比分。

25.5 題，在這個模擬裡幾乎不用錢

醫師平均問 5.6 個問題，就開出第一張檢查單。DxO 平均問 25.5 個，在同一批病例上。

把這個畫面放進門診：病人剛坐下，手還搭在包包拉鍊上，對面已經問到第二十題，抽血單還沒印。真實診間很難這樣，候診椅上坐滿人，護理師在門口探頭。

但在這個模擬裡，問話跟開檢查的計價方式不一樣。問病史、做身體檢查，整包算進一次固定的看診費；preprint 寫得更清楚：一次看診 300 美元，連續問好幾題都算同一次，開出檢查單，這次看診才結束。抽一管血、照一張片子，則照 CPT 價格另外累加。

所以多問幾題幾乎不加錢。AI 照規則算，結論是先把病史問乾淨。

這樣問，也真的問出東西。論文分析錯誤時發現，DxO 贏過同一顆模型直接作答的地方，集中在靠問病史才問得出來的診斷，像少見的暴露、旅行相關的感染。preprint 舉過一個例子：一位因酒精戒斷住院的病人，偷喝了乾洗手液。直接作答的 o3 卡在抗生素中毒，開了腦部 MRI 和腦波，最後答錯，花了 3,431 美元。同一顆 o3 套上 DxO，第一輪就依發作的時間點提出：要考慮住院期間接觸到的毒物。那組虛擬醫師在開任何檢查之前，先問了有沒有喝乾洗手液；病人承認了，再做一組有針對性的毒性醇類檢驗，丙酮升高，答對，總共 795 美元。

你上週門診開單最快的那位病人，回頭看，多問兩題，那張單還需要開嗎？

要打折的地方

準確率 83.2% 的不設預算版本，每例花費比查資料的醫師還高：5,431 美元對 4,725 美元。便宜的版本掉到 79.6%，仍然領先，但論文摘要只寫了 83.2% 這一個數字，新聞標題跟著摘要走。

對照組是單獨作答的基層、住院與急診醫師。作者自己寫明，這些比較不代表勝過專科醫師、多科團隊或真實臨床，也預期面對對應的專科醫師時，差距會縮小。NEJM 病例本來就是因為有教學價值才被選上，常附著專科醫師的反思與結論；作者自己寫，DxO 在這組病例上大幅領先，或許不令人意外。

病例也都是「有病」的病例。NEJM 偏向難診斷的個案，急診那組是已經住院的病人，兩組都沒有健康或良性的就診，病例組成跟日常門診差很遠。

模擬拿掉了病史講不清楚、病人忘了說、紀錄缺漏、醫病互動、長期追蹤；影像、波形、病理切片也沒放進來。醫師和 AI 對話的對象，是一個用文字回答的 Gatekeeper，不是一位會停頓、會改口的病人。

皮膚科的第一步是看。拿皮膚鏡貼上一顆痣、側光照一片斑，這一步本研究完全沒測。

計分只看疾病診斷對不對，不評治療恰不恰當、安不安全。檢查費用用的是美國的標準價格，抓不到等報告要幾天、檢查有多侵入、病人有多不舒服。

15 位作者全是微軟員工，持有公司股票；其中 8 位掛名微軟提出的一件美國專利申請（19/722,651），內容是序列診斷的自動評估框架。論文寫明，這些研究沒有取得微軟以外的任何經費。

論文印出來那天，模型已經換代

preprint 在 2025 年 6 月 27 日上線，當時用的是 o3。摘要寫的 80%，是設預算的版本（79.9%）；同一篇 preprint 裡，不設預算 81.9%，衝準確率的版本 85.5%。那時參加的醫師是 21 位，一律不准查資料，平均 19.9%。這幾個數字跟 Science 的 83.2% 不是同一個版本，不能直接並排比較。

從 preprint 到 Science 收稿，隔了九個多月。這段時間加進 325 個急診病例，主模型從 o3 換成 GPT-5。Science 收稿日是 2026 年 4 月 4 日，8 月 10 日接受，10 月 22 日印出；收稿到印出約六個半月。從 preprint 算起，一年三個多月。

作者也有追：主結果換成 GPT-5，發表前又拿 GPT-5.5 把整套評估重跑一次，prompt 和編排都沒動。DxO 相對同一顆模型直接作答的優勢，反而變大。DxO 最早開發時，最強的模型還是 GPT-4.1。即使這樣，期刊印出來時，OpenAI 已經在 9 月 3 日推出 GPT-6 Astra。

三期藥物試驗跑三年，第一位受試者和最後一位吞下的藥錠，裡面是同一個分子。AI 研究的「藥」在試驗進行中改版兩三次，期刊審查的節奏卻照前者設計。

SDBench 這把尺，誰拿得到

所以這篇我會把價值放在 SDBench 這把尺。Gatekeeper 碰到病例沒記載的檢查，給一個中性的合成結果，避免「問不到」本身洩題；Judge 用「處置會不會改變」計分；每張檢查單都算錢。這套量法已在 GitHub 以 MIT 授權公開，研究者取得病例授權後，可以把新模型放進同一把尺。

83.2% 是某顆模型在某天的讀數，像耳溫槍「嗶」一聲跳出來的數字，下週再量就不同了。

尺公開了，量的東西還有門檻。公開的是 Gatekeeper、Judge、計價程式和一個基準作答程式；DxO 編排器本身不在裡面。NEJM 病例要另外向 NEJM Group 申請授權，限非商業研究使用；急診病例要通過 PhysioNet 的資格認證。程式庫裡只附了 5 個合成病例，而且註明不能拿來報告診斷準確率。

反過來看，新模型沒經過同一套流程驗證，不能直接假設它一樣準、一樣安全。升級後某類病例退步，這篇沒有資料能回答。

接下來：讓真實病人直接跟系統對話

微軟宣布將和波士頓 Beth Israel Deaconess 醫學中心合作，做一項前瞻性研究：讓真實病人直接跟系統對話，再拿醫師的獨立判斷比對。收案期間模型大概又會換版，他們選擇鎖定版本，還是邊跑邊更新並逐次記錄，值得追。

病人直接跟 AI 對話這件事，其實早就在發生。〈病人走進診間前，已經被四個 AI 看過〉那場皮膚科會議談的就是：病人推開診間的門之前，已經問過 Google、Gemini、ChatGPT。那篇也談到 AI 一定要有「停止條件」；SDBench 的 Judge 只問診斷對不對，什麼時候該停下來交給醫師，這一題它沒有考。

「準確率」量的是哪一步，站上另一篇也追過。猶他州讓 AI 開痘痘處方，門檻是 95% 一致率，量的是公司自家醫師同不同意 AI 選的藥，病人擦了之後有沒有變好，協議裡沒有任何比較——〈猶他州讓 AI 自己開痘痘處方：95% 是跟誰比？〉。這篇的 83.2% 也一樣，量的是診斷那一步，不是病人那一端。

這篇論文開頭批評的，是把整個病例一次塞給模型的靜態考題，說它可能高估 AI 的診斷能力。標準考試看不出問題，另一篇 Nature 研究給過一個例子：把語言模型訓練得更溫暖之後，一般能力測驗上看起來差不多，錯誤率卻增加了 10 到 30 個百分點——〈把AI訓練成暖男之後，它開始不敢說真話了〉。兩篇放在一起讀，會比較知道「考得好」離「在診間用得好」還有多遠。

參考文獻

1. Nori H 等，Sequential diagnosis with language models，Science 2026;394(6822):423–428，doi:10.1126/science.aeh7930
2. Nori H 等，Sequential Diagnosis with Language Models，arXiv:2506.22405（preprint，v1 2025-06-27，v2 2025-07-02），https://arxiv.org/abs/2506.22405
3. Microsoft，SDBench（GitHub 程式庫，MIT 授權），https://github.com/microsoft/sdbench （2026-10-23 查閱）
4. Microsoft AI 官方部落格（2026-10-22，宣布與 Beth Israel Deaconess 醫學中心合作），https://microsoft.ai/news/building-medical-superintelligence/ （2026-10-23 查閱）
5. OpenAI，API changelog（GPT-5.5 2026-04-24、GPT-6 Astra 2026-09-03 推出紀錄），https://developers.openai.com/api/docs/changelog （2026-10-23 查閱）