AI วินิจฉัยของ Microsoft ทำผลงานเหนือกว่าแพทย์เวชปฏิบัติทั่วไปในการศึกษาที่ตีพิมพ์ใน Science

ระบบวินิจฉัย MAI-DxO ของ Microsoft ทำผลงานเหนือกว่าแพทย์เวชปฏิบัติทั่วไปที่เข้าร่วมการศึกษา ในการวินิจฉัยกรณีซับซ้อน ตามผลการศึกษาที่ผ่านการประเมินโดยผู้ทรงคุณวุฒิและตีพิมพ์ใน Science เมื่อวันที่ 22 ตุลาคม 2026 โดยรายงานว่าระบบมีความแม่นยำ 83.2% เมื่อวินิจฉัยจากเวชระเบียนกรณีศึกษาของ New England Journal of Medicine เทียบกับ 36.1% ของแพทย์ที่ใช้แหล่งข้อมูลอ้างอิง

งานวิจัยเรื่อง “การวินิจฉัยแบบเป็นลำดับด้วยโมเดลภาษา” ตีพิมพ์ใน Science เล่มที่ 394 ฉบับที่ 6822 หน้า 423–428 โดยได้รับต้นฉบับเมื่อวันที่ 4 เมษายน 2026 และตอบรับตีพิมพ์เมื่อวันที่ 10 สิงหาคม 2026 ผู้เขียนทั้ง 15 คนเป็นพนักงานของ Microsoft โดยมีทั้ง Mustafa Suleyman ประธานเจ้าหน้าที่บริหารของ Microsoft AI, Dominic King และ Eric Horvitz ในรายชื่อด้วย ในประกาศที่เผยแพร่ในวันเดียวกัน Microsoft ระบุว่างานวิจัยนี้ “ตีพิมพ์ใน Science วันนี้” ในฉบับ “AI in Medicine” ของวารสาร

การทดสอบมาตรฐานที่ออกแบบมาเพื่อประเมินการวินิจฉัยแบบเป็นขั้นตอน

บทความวิจัยนำเสนอการทดสอบมาตรฐานการวินิจฉัยแบบเป็นลำดับ (Sequential Diagnosis Benchmark) หรือ SDBench ซึ่งแปลงกรณีศึกษาจากการประชุมทางคลินิกและพยาธิวิทยา 304 กรณีของ New England Journal of Medicine และกรณีผู้ป่วย 325 รายที่เข้าห้องฉุกเฉินและรับไว้เป็นผู้ป่วยในจากชุดข้อมูล MIMIC-IV-ED ให้เป็นการวินิจฉัยแบบโต้ตอบและดำเนินไปทีละขั้น แต่ละกรณีเริ่มด้วยเรื่องย่อทางคลินิก จากนั้นผู้วินิจฉัย ไม่ว่าจะเป็นแพทย์หรือระบบ AI สามารถซักประวัติหรือตรวจร่างกาย สั่งการตรวจวินิจฉัย หรือสรุปการวินิจฉัยขั้นสุดท้ายได้ การประเมินผลพิจารณาทั้งความแม่นยำในการวินิจฉัยเมื่อเทียบกับการวินิจฉัยอ้างอิง และค่าใช้จ่ายโดยประมาณสะสมของการตรวจที่สั่ง

เอเจนต์สนับสนุน 2 ตัวช่วยกำหนดขั้นตอนของการประเมินแต่ละครั้ง เอเจนต์ Gatekeeper ตรวจสอบคำขอข้อมูลทุกครั้งกับเวชระเบียนต้นฉบับของกรณี และสร้างผลจำลองที่ไม่ชี้นำการวินิจฉัยเมื่อไม่มีข้อมูลที่ร้องขอ เพื่อไม่ให้ข้อมูลที่ขาดหายกลายเป็นเบาะแสของคำตอบ ส่วนเอเจนต์ Judge ให้คะแนนการวินิจฉัยที่สรุปแล้วโดยเทียบกับการวินิจฉัยอ้างอิง ตามเกณฑ์ 5 ระดับที่แพทย์เป็นผู้จัดทำ โดยนับคะแนน 4 หรือ 5 ว่าถูกต้อง ซึ่งหมายถึงการวินิจฉัยที่ไม่ทำให้แนวทางการรักษาเปลี่ยนแปลง ค่าใช้จ่ายในการตรวจประเมินจากอัตราที่อิงรหัส CPT ซึ่งได้จากไฟล์ Standard Charges ของ Kaiser Permanente Washington Central Hospital โดยรวมคำถามเกี่ยวกับประวัติและการตรวจร่างกายไว้ในค่าใช้จ่ายคงที่สำหรับการพบแพทย์

ภายในการทดสอบมาตรฐานนี้ ผู้เขียนประเมิน Microsoft AI Diagnostic Orchestrator ซึ่งเรียกย่อในบทความว่า DxO เป็นระบบที่ไม่ยึดติดกับโมเดลใดโมเดลหนึ่ง โดยจำลองคณะผู้เชี่ยวชาญทางคลินิกที่มีบทบาทเกื้อหนุนกัน ใช้แนวทางการเลือกตรวจโดยคำนึงถึงค่าใช้จ่ายในแต่ละขั้น และรวบรวมผลการวินิจฉัยจากการทำงานแยกกันหลายรอบ Microsoft อธิบายในการประกาศว่า ระบบนี้ทำงานคล้ายคณะแพทย์เสมือนที่อภิปรายกันหลายรอบ ผู้เขียนให้เหตุผลว่า การทดสอบมาตรฐานแบบคงที่ซึ่งแสดงข้อมูลทั้งหมดของกรณีตั้งแต่ต้นแล้วให้ตอบเพียงครั้งเดียว ไม่สามารถวัดได้ว่าระบบตั้งคำถามได้ตรงจุดหรือไม่ หลีกเลี่ยงการตรวจโดยไม่เลือกหรือไม่ หรือรู้หรือไม่ว่าเมื่อใดมีความมั่นใจเพียงพอที่จะยุติการตรวจวินิจฉัย

ผลการทดสอบในกรณีศึกษาของ NEJM และกรณีจากห้องฉุกเฉิน

ในการทดสอบกรณีศึกษาจากการประชุมทางคลินิกและพยาธิวิทยา DxO ที่ทำงานร่วมกับ GPT-5 โดยไม่มีข้อจำกัดด้านงบประมาณ มีความแม่นยำ 83.2% และมีค่าใช้จ่ายเฉลี่ย $5,431 ต่อกรณี การตั้งค่าที่จำกัดค่าใช้จ่ายทำได้แม่นยำ 80.9% ที่ค่าใช้จ่าย $2,241 และ 79.6% ที่ $1,303 ส่วนการตั้งค่าที่มุ่งสู่ความเป็นเลิศในการวินิจฉัยทำได้แม่นยำ 84.5% ที่ค่าใช้จ่าย $8,945 ในการศึกษาที่ทำควบคู่กันกับแพทย์ ซึ่งทดสอบ 56 กรณีที่กันไว้ไม่ให้ใช้ในงานพัฒนาระบบ ผู้เข้าร่วมให้การวินิจฉัยแบบไม่เปิดตำรา 764 ครั้ง และแบบเปิดตำรา 662 ครั้ง โดยมีความแม่นยำเฉลี่ย 22.3% สำหรับการวินิจฉัยแบบไม่เปิดตำรา ที่ค่าใช้จ่าย $3,049 ต่อกรณี และ 36.1% สำหรับแบบเปิดตำรา ที่ $4,725 แพทย์ที่ทำผลงานได้ดีที่สุดเพียงคนเดียวมีความแม่นยำ 51.8% บทความยังรายงานความแตกต่างด้านวิธีตรวจวินิจฉัยด้วย โดยแพทย์ซักถามเฉลี่ย 5.6 คำถามก่อนสั่งตรวจครั้งแรก ขณะที่ DxO ที่ใช้ GPT-5 ซักถามเฉลี่ย 25.5 คำถาม ซึ่งผู้เขียนอธิบายว่าเป็นการซักประวัติอย่างเป็นระบบและครอบคลุม

ในการทดสอบกรณีจากห้องฉุกเฉิน DxO ทำได้แม่นยำ 80.3% ที่ค่าใช้จ่าย $4,979 ต่อกรณีเมื่อไม่มีข้อจำกัดด้านงบประมาณ และ 73.2% ที่ $2,634 เมื่อจำกัดงบประมาณ แพทย์เวชปฏิบัติทั่วไปมีความแม่นยำเฉลี่ย 46.8% ที่ค่าใช้จ่าย $3,400 ส่วนแพทย์รายบุคคลที่ทำผลงานได้ดีที่สุดมีความแม่นยำ 62.5% เมื่อทดสอบทุกรุ่นด้วยพรอมต์พื้นฐานที่มีข้อมูลน้อย การประสานการทำงานของ DxO ช่วยเพิ่มความแม่นยำในการวินิจฉัยโดยเฉลี่ย 7.9 จุดเปอร์เซ็นต์ในกรณีศึกษาจากการประชุม และ 4.4 จุดเปอร์เซ็นต์ในกรณีจากห้องฉุกเฉิน Microsoft ระบุในประกาศว่า ไม่มีแนวทางอื่นใดที่ประเมิน ทั้งจากมนุษย์หรือ AI ที่มีความแม่นยำสูงกว่าและมีค่าใช้จ่ายต่ำกว่า MAI-DxO ในเวลาเดียวกัน พร้อมระบุว่าระบบมีความแม่นยำมากกว่าแพทย์ 1.7 เท่าในกรณีจากห้องฉุกเฉิน แม่นยำมากกว่าแพทย์ที่ใช้ตำราและอินเทอร์เน็ตกว่า 2 เท่าในกรณีศึกษาของวารสาร และแม่นยำเกือบ 4 เท่าเมื่อเทียบกับแพทย์ที่วินิจฉัยโดยไม่มีแหล่งข้อมูลเหล่านั้น โดยมีค่าใช้จ่ายเพียงครึ่งหนึ่งถึงหนึ่งในสาม

เริ่มแรก DxO ได้รับการพัฒนาขึ้นในช่วงที่ GPT-4.1 เป็นโมเดลที่มีความสามารถสูงสุด จากนั้นจึงนำไปประเมินด้วย GPT-5 และก่อนตีพิมพ์ได้ทดสอบชุดการประเมินทั้งหมดซ้ำด้วย GPT-5.5 โดยไม่ปรับพรอมต์หรือการประสานการทำงาน ซึ่งทำให้ข้อได้เปรียบด้านความแม่นยำเมื่อเทียบกับพรอมต์พื้นฐานเพิ่มขึ้น ฉบับก่อนหน้าของงานวิจัยนี้เผยแพร่เป็นบทความก่อนตีพิมพ์เมื่อวันที่ 27 มิถุนายน 2025 โดยรายงานความแม่นยำ 80% เมื่อใช้โมเดล o3 ของ OpenAI ซึ่งสูงกว่าค่าเฉลี่ยของแพทย์ที่ 20% ถึง 4 เท่า และความแม่นยำ 85.5% ในการตั้งค่าที่มุ่งเพิ่มความแม่นยำสูงสุด ฉบับที่ผ่านการประเมินโดยผู้ทรงคุณวุฒิเพิ่มชุดกรณีจากห้องฉุกเฉินและการประเมินที่ปรับปรุงใหม่ด้วย GPT-5 และ GPT-5.5

ข้อจำกัดที่ระบุและการเปิดเผยข้อมูลของผู้เขียน

ผู้เขียนระบุว่า การเปรียบเทียบนี้ไม่ได้แสดงให้เห็นว่าระบบเหนือกว่าผู้เชี่ยวชาญ ทีมสหสาขาวิชาชีพ หรือการปฏิบัติงานทางคลินิกในโลกจริง และเขียนว่าคาดว่าช่องว่างด้านประสิทธิภาพจะแคบลงเมื่อเทียบกับผู้เชี่ยวชาญเฉพาะทางหรือทีมผู้เชี่ยวชาญที่จัดให้เหมาะกับแต่ละกรณี ผู้เขียนตั้งข้อสังเกตว่า ข้อได้เปรียบที่วัดได้มีขนาดมากขึ้นในการจำลองแบบควบคุม ซึ่งไม่นำประวัติผู้ป่วยที่ไม่แน่ชัด เอกสารประกอบที่ไม่ครบถ้วน การสร้างสัมพันธภาพ การติดตามผลระยะยาว และข้อมูลหลายรูปแบบ เช่น ภาพถ่ายทางการแพทย์และสไลด์พยาธิวิทยา มาพิจารณา อีกทั้งกรณีศึกษาจากวารสารอาจมีสัดส่วนการนำเสนอที่วินิจฉัยได้ยากมากเกินไป ข้อจำกัดอีกประการที่ระบุไว้คือ การเปรียบเทียบกับแพทย์แต่ละคนแทนที่จะเป็นการทำงานร่วมกันของผู้เชี่ยวชาญหลายสาขา และเกณฑ์ประเมินของ Judge วัดความถูกต้องในการวินิจฉัยในระดับโรค แทนที่จะประเมินความเหมาะสมของการรักษา ความปลอดภัย หรือการดูแลจัดการผู้ป่วยในระยะยาว

ในการเปิดเผยข้อมูลในบทความ ผู้เขียนระบุว่าทุกคนเป็นพนักงานของ Microsoft และถือหุ้นในบริษัท หลายคนเป็นผู้ประดิษฐ์ที่มีชื่ออยู่ในคำขอรับสิทธิบัตรของ Microsoft ซึ่งเกี่ยวข้องกับกรอบการประเมินอัตโนมัติสำหรับการวินิจฉัยแบบลำดับขั้น และไม่มีการรับเงินทุนจากแหล่งภายนอก Microsoft สำหรับการศึกษานี้

การเผยแพร่โอเพนซอร์สและความร่วมมือทางคลินิก

Microsoft ระบุว่าจะเปิดซอร์ส SDBench สำหรับกรณีศึกษาบางส่วนของ NEJM ซึ่งรวมถึงชุดเกณฑ์มาตรฐาน โค้ดของ Gatekeeper และ Judge ตลอดจนโค้ดประเมินค่าใช้จ่าย โค้ดดังกล่าวเผยแพร่บน GitHub ภายใต้สัญญาอนุญาต MIT โดยมีการกำหนดค่าชื่อ “science” ซึ่งตรึง Gatekeeper และ Judge เวอร์ชันที่ใช้สร้างผลลัพธ์ในบทความไว้ ตามข้อมูลบน เว็บไซต์โครงการ SDBench ชุดข้อมูลที่จัดทำขึ้นจากกรณีศึกษาในวารสารต้องขอรับสิทธิ์ใช้งานจาก NEJM Group ส่วนชุดย่อย MIMIC เผยแพร่ผ่าน PhysioNet โดยต้องผ่านการรับรองคุณสมบัติ และกรณีศึกษาสังเคราะห์ทั้งหมด 5 กรณีรวมอยู่ในชุดข้อมูลเปิดเริ่มต้น

บทความแสดงจุดยืนที่จัดทำควบคู่กันเรื่อง “ปัญญาเหนือมนุษย์ทางการแพทย์: รากฐานและความมุ่งหวัง” นำเสนอองค์ประกอบ 6 ด้านของปัญญาทางการแพทย์ที่พึ่งพาอาศัยกัน และระบุว่าการก้าวข้ามขีดจำกัดไปสู่ปัญญาเหนือมนุษย์ทางการแพทย์จะต้องอาศัย “มากกว่าประสิทธิภาพเหนือมนุษย์ในงานเฉพาะด้าน” กล่าวคือ ต้องเป็นระบบที่มีความสามารถด้านการให้เหตุผลทางการแพทย์แบบบูรณาการตลอดกระบวนการดูแลรักษา เหนือกว่าระบบสุขภาพที่มีมนุษย์เป็นผู้นำซึ่งแข็งแกร่งที่สุดในปัจจุบัน Microsoft ระบุในประกาศว่า บทความนี้เผยแพร่ใน BMJ Digital Health and AI นอกจากนี้ บริษัทยังระบุว่ากำลังนำทีมด้านสุขภาพจากทั่วทั้ง Microsoft ซึ่งรวมถึงนักวิทยาศาสตร์จาก Microsoft Research และทีมที่อยู่เบื้องหลัง Dragon Copilot และ PowerScribe มาร่วมดำเนินงานแบบบูรณาการที่ Microsoft AI พร้อมทั้งกล่าวถึงความร่วมมือกับ Mayo Clinic ที่ประกาศไว้ก่อนหน้านี้ โดยตามประกาศเมื่อวันที่ 2 มิถุนายน 2026 ทั้งสององค์กรกำลังพัฒนาโมเดล AI แนวหน้าสำหรับการดูแลสุขภาพ ซึ่ง Mayo Clinic จะเป็นเจ้าของ และ Microsoft วางแผนเปิดให้ใช้งานผ่าน API ของ Azure Foundry

Microsoft ระบุว่า ภายใต้ความร่วมมือใหม่กับ Beth Israel Deaconess Medical Center ในบอสตัน บริษัทจะประเมินความสามารถด้านการให้เหตุผลทางคลินิกในสภาพแวดล้อมของโรงพยาบาล ผ่านการศึกษาแบบไปข้างหน้า ซึ่งผู้ป่วยจะโต้ตอบกับระบบโดยตรง และวัดประสิทธิภาพเทียบกับการประเมินโดยอิสระของแพทย์