微軟 AI 團隊於十月二十二日公布診斷編排系統 MAI-DxO，並在《Science》發表研究結果：在《新英格蘭醫學雜誌》複雜病例上診斷準確率約百分之八十三，對照全科醫生使用參考資料時約百分之三十六、不使用時約百分之二十二；在 MIMIC-IV-ED 急症案例上則約百分之八十對百分之四十七。官方同步宣布將開放 Sequential Diagnosis Benchmark（SDBench）部分案例與評測程式碼，並計劃與波士頓 Beth Israel Deaconess Medical Center 展開前瞻性臨床評估。
微軟／官方：MAI-DxO 診斷準確率逾八成——Science 刊出；複雜病例約為全科醫生兩倍以上；將開放 SDBench
微軟 AI（Microsoft AI）於二〇二六年十月二十二日在官方文章《Building Medical Superintelligence》公布診斷編排器 MAI-DxO（Microsoft AI Diagnostic Orchestrator）的最新評測，並指相關工作同日刊於《Science》。本文已核對微軟官方頁面所述數字與實驗設計，並以 TechCrunch、The Verge 等同日報道交叉比對；來源真實性已驗證。以下整理其技術機制、基準設計、成本維度，以及對企業醫療 AI 與香港／亞洲落地的含義。
一、核心事件：以「編排」而非單次作答重做診斷評測
技術細節
傳統醫學 AI 常以美國醫師執照考試（USMLE）一類「題幹一次給齊、選一個答案」的靜態基準衡量表現。微軟指出，這類考題較難反映真實門診：臨床人員必須由有限資訊起步，逐步決定追問什麼、安排哪些檢查，並隨新證據更新鑑別診斷。
為此，團隊推出 Sequential Diagnosis Benchmark（SDBench），把兩組案例改造成互動式診斷過程：
- 三百零四宗取自《新英格蘭醫學雜誌》（NEJM）病例討論的複雜案例；
- 一組較贴近日常急症表現、來自 MIMIC-IV-ED 的急症科案例。
受試的 AI 或醫生由簡短摘要開始，只能向「守門」機制明確索取下一步資料；評測同時量度診斷準確率、索取的證據，以及估計檢查成本——既看答案，也看路徑。
MAI-DxO 並非依賴單一模型一次給出診斷，而是模擬一組虛擬醫師：各自提出診斷假設、挑選高價值問題或檢查，並互相質疑；編排器在多輪辯論中更新判斷，並把每項檢查的預期收益與成本一併權衡。官方強調，這是模型無關（model-agnostic）的編排層，可掛接不同語言模型。
二、技術原理深度解析：準確率、成本與「編排增益」
官方公布的主要結果如下（數字以微軟 AI 官方文章為準）：
- 複雜 NEJM 案例：MAI-DxO 診斷準確率約 百分之八十三；醫生在不使用外部參考時約 百分之二十二，使用教科書與互聯網等參考時約 百分之三十六——分別約為 三點七倍 與 二點三倍。
- 急症 MIMIC-IV-ED 案例：MAI-DxO 約 百分之八十，醫生約 百分之四十七，約為 一點七倍。
- 成本取捨：在更著重成本的設定下，表現仍穩健；NEJM 上有一組配置達約 百分之八十一 準確率，估計成本低於對照系統的一半。
- 跨系統比較：在兩組數據上，官方稱未見其他人類或 AI 方案能同時更準確又更省成本。
- 模型世代：以更新模型（包括 GPT-5.5）重跑時，在不改動編排方法下增益仍存在甚至改善，顯示編排價值不完全綁死單一模型代際。
TechCrunch 同日報道補充了另一個實務視角：編排增益在複雜病例與較弱模型上較明顯；例如 Gemini 2.5 Flash 單獨約百分之四十六點四，加上 DxO 後接近百分之六十九，但最強底模與編排之間的差距，有時仍大於編排本身帶來的提升。急症場景上，底模單獨與加編排的差距亦可能收窄。這提醒讀者：頭條「擊敗醫生」的倍數，必須連同基準設計、對照組組成（全科／住院醫師而非專科團隊）與成本設定一併解讀。
微軟並宣布將就選定 NEJM 案例開源 SDBench——包括基準、Gatekeeper、Judge 與成本估算程式碼——以便其他研究團隊重現評測、測試自家模型，或挑戰、擴充結論。
三、從診斷到「醫療超級智能」路線圖
官方將診斷定位為照護旅程的一環，而非終點。同期於《BMJ Digital Health and AI》闡述「醫療超級智能」構建區塊：除診斷外，還包括追趕醫學知識、選擇治療、理解病情隨時間變化，以及支援反映病人價值觀與可及性的決策。目標是把知識、情境與決策串連，而不只是在單一臨床任務上刷分。
落地路徑上，微軟提到與 Mayo Clinic 合作，結合前沿 AI、臨床專長與縱向多模態數據；並與波士頓 Beth Israel Deaconess Medical Center 展開新合作，計劃在真實醫院場景做前瞻性評估——病人在標準診療之外，若同意亦可與系統互動，再與獨立醫師判斷比對。Mustafa Suleyman（微軟 AI 行政總裁）及健康業務負責人 Dominic King 在媒體訪談中均強調：基準是里程碑，但臨床驗證、監管與工作流程嵌入仍是必經關卡。
四、日常應用場景
1. 開發者與技術團隊
SDBench 開源意味着醫療／健康 AI 產品可改用「逐步索證＋成本」評測，而非只報答題正確率。編排器、角色分工（假設、選檢、唱反調、成本守門、清單質控）亦可作為多代理臨床工作流的參考架構。企業若自建私有模型閘道，應預留可審計的編排層與工具呼叫紀錄。
2. 企業與隱私敏感行業
醫院集團、保險、遠距醫療與藥企研發對「數據出境」與醫療法規極度敏感。MAI-DxO 類系統若進入生產，勢必涉及病歷、檢查路徑與決策建議——適合以私有部署、區域推理與嚴格權限審批落地，而不是直接把完整病歷丟進公有聊天機器人。微軟已有 Dragon Copilot、PowerScribe 等臨床產品線，此次研究顯示其正把「決策支援」推向更強的多代理編排。
3. 一般用戶
現階段仍是研究與前瞻性試驗，並非消費者診斷 App。官方與報道均強調需要臨床驗證；病人不應把模擬基準結果等同於可取代面診的醫療建議。
4. 香港與亞洲市場視角
香港醫院管理局、私家醫療集團與保險科技皆在探索臨床決策支援與行政減負。亞太監管（私隱條例、醫療器械／軟件分類、跨境數據）要求供應商證明準確率以外的安全、可解釋與人機協作邊界。對本地企業而言，更務實的第一步往往是：以私有 LLM 處理內部指引、轉介路徑與非診斷性文書，再在受控環境評估「逐步診斷」類編排——與微軟公開的研究節奏相符。
五、專業評價與潛在考量
優勢
- 基準設計更接近真實診斷流程，並同時報告成本，避免「只比準確率」。
- 編排層與底模解耦，有助在模型快速迭代時保留流程資產。
- 計劃開源 SDBench 部分元件，有利學術與產業複核。
- 已規劃真實醫院前瞻性研究，方向正確。
需要留意的地方
- 對照組為全科／一般內科路徑下的表現；極複雜病例在現實中多由專科或團隊處理，倍數不宜過度外推。
- 目前主要是歷史案例模擬，而非已廣泛部署的臨床產品；監管、責任歸屬與錯誤模式仍待真實世界數據。
- 編排增益隨底模變強可能遞減；採購方應要求供應商披露「底模單獨 vs 編排」的拆解數字。
- 成本為估計檢查費用模型，各地收費結構不同，不可直接套用到香港收費表。
結語
MAI-DxO 與 SDBench 把「醫療 AI 能不能答對題」推進到「能不能像臨床團隊一樣逐步求證、並計算檢查代價」——這對企業級健康 AI 的產品定義與驗收標準都有實質影響。香港若要跟進同類能力，關鍵往往不在追逐公有聊天機器人的最新分數，而在於把領域數據、審批流程與推理環境留在可控邊界內。若貴機構正評估私有醫療／專業領域模型與決策支援管線，可參考 YSK Limited 的企業私有 LLM 全託管（年費 HK$88,000 起，Dataset → QLoRA/LoRA → 私有 API，數據不出境）：https://ysk.hk/services/ai-automation
參考來源
- Microsoft AI 官方：Building Medical Superintelligence（2026-10-22）— https://microsoft.ai/news/building-medical-superintelligence/
- TechCrunch：Microsoft’s Mustafa Suleyman says its AI outperforms doctors on hard cases…（2026-10-22）— https://techcrunch.com/2026/10/22/microsofts-mustafa-suleyman-says-its-ai-outperforms-doctors-on-hard-cases-as-he-chases-medical-superintelligence/
- The Verge：Microsoft says its AI tool is better than doctors at diagnosing conditions（2026-10-22）— https://www.theverge.com/ai-artificial-intelligence/1016690/suleyman-microsoft-diagnostic-orchestrator-science-medical-superintelligence
- YSK Limited 服務頁（CTA 核對自 https://ysk.hk/llms.txt）：https://ysk.hk/services/ai-automation