微软研究院在 2026 年 11 月 17 日发布新一集播客,探讨 AI 将如何改变医疗,三位嘉宾有一个共识:研究的步伐比医院快得多。这集名为“Can AI help build a healthier future?”,属于由 Doug Burger 主持的系列节目《The Shape of Things to Come》。

三位嘉宾分别是微软首席科学官 Eric Horvitz、微软研究院首席研究经理兼 Project Ex Vivo(与 Broad Institute 合作)联席负责人 Ava Amini,以及 Scripps Research 执行副总裁 Eric Topol 医生。内容涵盖诊断、医学影像、全人模型、虚拟细胞及药物研发。

微软团队就 AI 诊断报告了甚么?

Horvitz 介绍了诊断 AI 测试方式的转变。团队不再把完整病历交给模型,而是让它扮演临床医生:由主诉和少量病史开始,自行决定要问甚么问题、按成本考虑安排哪些检查,以及在不确定的情况下何时作出诊断。他称之为循序诊断挑战。

微软研究院的论文页面列出主要数字:

  • 模拟医生小组的 AI 系统,在《新英格兰医学杂志》临床病理讨论病例上达到 83.2% 准确率
  • 在 MIMIC-IV-ED 急症室入院个案上达到 80.3%
  • 全科医生在这两组的准确率分别为 36.1 和 46.8%

摘要指出,这些结果来自受控的基准测试环境。Horvitz 在节目中也提醒,与全科医生的比较必须连同其限制一并理解。Topol 则形容这是首个在准确度上胜过医生及其他前沿模型的代理式系统,准确度“几乎倍增”而成本更低。

为何 Topol 说已获证实的 AI 未能惠及病人?

Topol 认为,业界追逐生成式 AI,却忽略了证据更充分的范畴:视网膜、胸部 X 光和心电图等医学影像。他引述一项涉及逾十万名女性的乳房 X 光随机试验,以及 44 项大肠镜随机试验,指这些证据只是躺在期刊里。

他的解释与采用有关,而非科学问题。医疗系统利润微薄,行业改变缓慢,医生和病人都没有强烈要求这些工具。他表示仍在等待这些研究影响临床护理,并认为来自医生或病人的压力或可推动改变。

甚么是全人模型和虚拟细胞?

Topol 形容全人模型是下一阶段:结合电子健康纪录、原始影像、基因组、蛋白质组及暴露组。目标是预测疾病及其可能发生的时间、测试假设情境,并由“你有风险”走向真正的预防。他预期成熟的全人模型会比虚拟细胞更早出现,后者仍有一段距离。

Amini 指生物学横跨多个尺度,由分子到细胞再到器官系统,把这些层面连起来是艰巨的机器学习难题。她最关心的是落实:这些模型到底解决甚么问题,实验科学家如何采用。与 Broad Institute 的合作,正是由下而上建立这种连系。

是甚么拖慢了 AI 在生物学的发展?

Topol 和 Amini 都认为是数据。Topol 指出 AlphaFold 之所以成功,是因为早已有 Protein Data Bank,而生命科学及医学目前没有同等的资料集。Amini 希望建立以活动为先的大型资料集,把蛋白质序列与功能对应起来。

Amini 与 Horvitz 也谈到以模型引导实验,让实验室时间集中在最有希望的方向,从而降低成本和缩短时间。 Amini 明言,现实世界永远是瓶颈。

价格

节目页面没有列出价格,只提供视频播放、完整文字稿,以及 Apple Podcasts、Spotify、电子邮件、Android 和 RSS 的订阅链接。

适合哪些人

关注医疗 AI 的读者。 节目呈现微软研究员与外部医生兼科学家如何互相呼应、意见不一,并修正自己的说法。

医院及医疗体系管理层。 Topol 的论点集中在成本、利润和诱因等采用障碍。

生物学及机器学习的学生和研究人员。 有关数据和验证的讨论,说明业界认为下一步进展要从哪里来。

寻求健康建议的人。 这是研究讨论,不是医疗建议。如对自身健康有疑问,请咨询合资格的医护人员。

仍未知的事

节目没有说明这些系统何时可用于诊所,论文的成果亦属基准测试结果。嘉宾自己也说,落实、更好的生物数据和真实世界验证仍然欠缺。

如想深入了解,可到微软研究院网站打开节目页面阅读文字稿,再看论文页面的完整摘要。