微軟研究院在 2026 年 11 月 17 日發佈新一集播客,探討 AI 將如何改變醫療,三位嘉賓有一個共識:研究的步伐比醫院快得多。這集名為「Can AI help build a healthier future?」,屬於由 Doug Burger 主持的系列節目《The Shape of Things to Come》。

三位嘉賓分別是微軟首席科學官 Eric Horvitz、微軟研究院首席研究經理兼 Project Ex Vivo(與 Broad Institute 合作)聯席負責人 Ava Amini,以及 Scripps Research 執行副總裁 Eric Topol 醫生。內容涵蓋診斷、醫學影像、全人模型、虛擬細胞及藥物研發。

微軟團隊就 AI 診斷報告了甚麼?

Horvitz 介紹了診斷 AI 測試方式的轉變。團隊不再把完整病歷交給模型,而是讓它扮演臨床醫生:由主訴和少量病史開始,自行決定要問甚麼問題、按成本考慮安排哪些檢查,以及在不確定的情況下何時作出診斷。他稱之為循序診斷挑戰。

微軟研究院的論文頁面列出主要數字:

  • 模擬醫生小組的 AI 系統,在《新英格蘭醫學雜誌》臨床病理討論病例上達到 83.2% 準確率
  • 在 MIMIC-IV-ED 急症室入院個案上達到 80.3%
  • 全科醫生在這兩組的準確率分別為 36.1 和 46.8%

摘要指出,這些結果來自受控的基準測試環境。Horvitz 在節目中也提醒,與全科醫生的比較必須連同其限制一併理解。Topol 則形容這是首個在準確度上勝過醫生及其他前沿模型的代理式系統,準確度「幾乎倍增」而成本更低。

為何 Topol 說已獲證實的 AI 未能惠及病人?

Topol 認為,業界追逐生成式 AI,卻忽略了證據更充分的範疇:視網膜、胸部 X 光和心電圖等醫學影像。他引述一項涉及逾十萬名女性的乳房 X 光隨機試驗,以及 44 項大腸鏡隨機試驗,指這些證據只是躺在期刊裏。

他的解釋與採用有關,而非科學問題。醫療系統利潤微薄,行業改變緩慢,醫生和病人都沒有強烈要求這些工具。他表示仍在等待這些研究影響臨床護理,並認為來自醫生或病人的壓力或可推動改變。

甚麼是全人模型和虛擬細胞?

Topol 形容全人模型是下一階段:結合電子健康紀錄、原始影像、基因組、蛋白質組及暴露組。目標是預測疾病及其可能發生的時間、測試假設情境,並由「你有風險」走向真正的預防。他預期成熟的全人模型會比虛擬細胞更早出現,後者仍有一段距離。

Amini 指生物學橫跨多個尺度,由分子到細胞再到器官系統,把這些層面連起來是艱鉅的機器學習難題。她最關心的是落實:這些模型到底解決甚麼問題,實驗科學家如何採用。與 Broad Institute 的合作,正是由下而上建立這種連繫。

是甚麼拖慢了 AI 在生物學的發展?

Topol 和 Amini 都認為是數據。Topol 指出 AlphaFold 之所以成功,是因為早已有 Protein Data Bank,而生命科學及醫學目前沒有同等的資料集。Amini 希望建立以活動為先的大型資料集,把蛋白質序列與功能對應起來。

Amini 與 Horvitz 也談到以模型引導實驗,讓實驗室時間集中在最有希望的方向,從而降低成本和縮短時間。 Amini 明言,現實世界永遠是瓶頸。

價格

節目頁面沒有列出價格,只提供影片播放、完整文字稿,以及 Apple Podcasts、Spotify、電郵、Android 和 RSS 的訂閱連結。

適合哪些人

關注醫療 AI 的讀者。 節目呈現微軟研究員與外部醫生兼科學家如何互相呼應、意見不一,並修正自己的說法。

醫院及醫療體系管理層。 Topol 的論點集中在成本、利潤和誘因等採用障礙。

生物學及機器學習的學生和研究人員。 有關數據和驗證的討論,說明業界認為下一步進展要從哪裏來。

尋求健康建議的人。 這是研究討論,不是醫療建議。如對自身健康有疑問,請諮詢合資格的醫護人員。

仍未知的事

節目沒有說明這些系統何時可用於診所,論文的成果亦屬基準測試結果。嘉賓自己也說,落實、更好的生物數據和真實世界驗證仍然欠缺。

如想深入了解,可到微軟研究院網站打開節目頁面閱讀文字稿,再看論文頁面的完整摘要。