Google AMIE 走進真實診間：90% 鑑別診斷命中率，AI 醫師距離現實還有多遠？

從醫療聊天機器人到真實診間

2026 年 10 月 8 日，Google 宣布與 Beth Israel Deaconess Medical Center（BIDMC）合作的 AMIE 研究正式刊登於《The Lancet》。AMIE 全名為 Articulate Medical Intelligence Explorer，是 Google Research 與 Google DeepMind 推動的對話式醫療人工智慧研究系統。

這項研究的重要性並不是 AI 第一次回答醫療問題，而是研究人員開始在真實醫療流程中，觀察 AI 如何與真正的患者互動，以及它能否協助醫師準備門診。

過去許多醫療 AI 評測使用標準化考題、病歷摘要或模擬患者。這些測試可以比較模型的推理能力，卻無法完整重現真實患者的表達方式、臨床工作流程、隱私問題與安全風險。AMIE 這次跨出了模擬環境，但仍然處於受到嚴格監督的研究階段。

一、研究究竟如何進行？

研究採前瞻性、單中心、單組可行性設計，經研究倫理審查並事先登錄。參與者是預約非緊急門診、因新出現的症狀尋求醫療協助的成人。

共有 100 名成人在看診前最多五天完成 AMIE 文字對話，其中 98 名如期接受門診。AI 透過安全網頁連結詢問症狀、病史及相關問題，再產生逐字稿、病情摘要與可能的鑑別診斷，供實際看診的醫師參考。

研究中的每場患者與 AI 對話都有真人醫師即時監督。監督醫師可在出現自傷或傷人風險、顯著情緒困擾、潛在臨床傷害，或患者要求結束時介入。這不是無人監管的 AI 門診，也不是讓 AI 獨立開立處方。

研究人員另外安排獨立臨床評估者，以盲法比較 AMIE 與基層醫師提出的鑑別診斷及處置計畫。最終診斷則根據就診八週後的病歷回顧建立。

二、90% 診斷命中率到底代表什麼？

研究最受關注的數字是 90%。但這裡必須分清楚三個概念。

第一，Top-7 命中率為 90%。 研究發現，AMIE 提出的前七項可能診斷，在 90% 的評估案例中包含最終診斷。這代表它有相當強的鑑別診斷涵蓋能力，並不代表每十位患者就有九位被 AI 第一時間正確確診。

第二，Top-3 命中率為 75%。 當只考慮前三個候選診斷時，仍有四分之三的案例包含最終診斷。

第三，Top-1 正確率為 56%。 若要求 AI 的第一個、最可能診斷必須與最終診斷相同，比例便降至 56%。

例如一位患者因胸部不適求診，AI 可能提出肌肉骨骼疼痛、胃食道逆流、心血管疾病等候選原因。若最終診斷排在第三位，這對鑑別診斷與提醒醫師排查風險有價值，卻不能稱為 AI 已經準確完成首選診斷。

因此，90%、75% 與 56% 並不矛盾。它們測量的是不同嚴格程度的診斷任務。

三、AI 與真人醫師相比，誰表現更好？

在獨立臨床評估者的盲法評分中，AMIE 與基層醫師的整體鑑別診斷品質，以及處置計畫的適當性和安全性，沒有觀察到統計顯著差異。

但沒有顯著差異並不等於已證明兩者完全等效。這項研究的樣本量、研究目的與統計設計，不能直接支持 AI 與醫師具有相同臨床能力的結論。

更值得注意的是，真人醫師在處置計畫的實用性與成本效益上表現更好，兩項差異的 p 值分別為 0.003 與 0.004。

原因可能與資訊環境有關。這次 AMIE 沒有患者完整電子病歷，不能親自進行理學檢查，也不能直接觀察患者的外觀及非語言訊號。實際看診的醫師則能利用這些資料，並考慮醫院資源、檢查取得難度、患者負擔與臨床經驗。

醫療決策不只是列出理論上可能的疾病，還必須決定先做哪一項檢查、何時觀察、什麼情況需要轉診，以及哪些處置真正對患者有幫助。

四、100 名患者，零次安全中止，是否代表 AI 已經安全？

研究中沒有任何一場 AMIE 對話觸發預先定義的安全中止條件。這是重要的初步成果，說明在這個特定的監督環境下，研究人員沒有觀察到需要立即停止對話的情況。

但零次安全中止不能推論為零風險。首先，樣本只有 100 名成人，無法排除罕見但嚴重的錯誤。其次，參與者主要來自單一醫療中心，並不代表兒童、急診重症患者、不同語言族群或所有高齡患者。

研究中的參與者也較整體門診人口年輕，因此對高齡、低數位素養或複雜慢性病患者的適用性仍有待研究。

此外，安全中止指標衡量的是預先定義的互動風險，並非完整追蹤所有可能的誤診、延遲治療或長期健康結果。真正的臨床安全性，需要更大規模、不同醫療場域、長期追蹤與適當的對照組。

五、醫師為什麼可能反而需要這種 AI？

研究中，醫師認為 AMIE 產生的診前摘要有助於門診準備。Google 於 10 月 8 日的研究公告指出，醫師回報這些摘要在 75% 的案例中有助於準備就診，並在超過半數案例中影響照護方式。

這提供了一種不同於 AI 取代醫師的部署方向：讓 AI 在患者進入診間之前，先整理症狀、病史與值得確認的問題。

傳統看診的前幾分鐘經常花在蒐集基本資訊。若患者已經完成結構化訪談，醫師就有機會將時間轉向確認資料、判斷風險、進行理學檢查與討論治療選擇。

不過，AI 摘要也可能帶來自動化偏誤。若系統過早提出錯誤診斷，醫師可能受到候選清單影響。因此，摘要必須清楚區分患者原話、AI 推論、未確認資訊及警示訊號，並保留醫師獨立判斷的空間。

六、AMIE 的技術演進：從文字對話到 Gemini 與 Project Astra

AMIE 並不是單一版本、單一功能的醫療聊天機器人。Google 近年的研究逐步將它從文字問診推進到多模態理解與疾病管理。

早期 AMIE 使用醫療資料、臨床對話與模擬患者互動訓練，並利用 Self-Play 自我對話及回饋機制改善問診和臨床推理。

2026 年 6 月發表於《Nature》的疾病管理研究，進一步使用 Gemini 的長上下文能力，結合臨床指引、藥物處方資料與結構化推理，研究 AI 如何協助多次就診與長期疾病管理。但該研究主要使用模擬病例，不能直接等同真實患者的長期治療成效。

2026 年 8 月，Google 又展示建立在 Gemini 與 Project Astra 技術上的 AMIE Video。系統可以進行即時視訊對話，整合語音與影像線索，並引導模擬患者完成部分遠距理學檢查。

這項視訊研究使用 100 個臨床情境與 300 場標準化模擬諮詢，顯示多模態醫療 AI 的研究潛力。然而，視訊版評測與本次 BIDMC 真實臨床可行性研究是不同實驗，不能把兩者的表現合併視為同一項臨床驗證。

七、真正困難的不是語言模型，而是臨床系統工程

要讓醫療 AI 從研究工具變成可信賴的醫療服務，至少需要解決幾個工程問題。

資訊整合： AI 必須在適當授權下取得正確的電子病歷、用藥、過敏史與檢驗結果，同時處理資料缺漏與版本衝突。

不確定性管理： 系統需要知道何時資訊不足、何時應該要求補充檢查、何時必須轉交真人醫師，而不是在每個問題上都給出看似確定的答案。

臨床工作流程： 醫師需要能快速查核 AI 摘要的來源與推論，避免錯誤資訊直接進入正式病歷或處置流程。

資安與隱私： 醫療資料具有高度敏感性。患者同意、存取控制、資料保留、稽核紀錄與供應商責任，都必須在部署前建立清楚規範。

監管與責任： 一旦 AI 建議造成延誤、漏診或不必要檢查，必須能釐清系統、醫療機構與臨床人員各自承擔的責任。

這些問題往往不會在一般 AI Benchmark 中充分顯現，卻決定技術能否真正進入醫院。

八、AI 醫師離現實還有多遠？

答案取決於我們所說的 AI 醫師究竟是什麼。

如果是協助患者整理症狀、準備看診、提供醫師可審查的鑑別診斷，AMIE 已經提供真實臨床環境中的初步可行性證據。

如果是完全獨立診斷、決定檢查、開立處方、處理急症並承擔醫療責任，目前這項研究遠遠不足以證明系統已具備相關能力。

更可能先出現的發展，是醫師與 AI 共同工作的模式：AI 負責前期資訊蒐集、資料整理、指引檢索及提出候選診斷；醫師負責整合臨床情境、進行檢查、判斷風險並與患者共同決策。

Google 也已宣布與 Included Health 合作展開全美範圍的研究，進一步評估對話式 AI 在真實遠距醫療工作流程中的表現。後續能否證明患者結果改善、醫療資源節省或臨床錯誤減少，仍需要等待具對照組的研究結果。

結語：醫療 AI 的真正考試才剛開始

AMIE 的進展說明，大型語言模型正在從回答醫療知識題目，走向參與真實醫療流程。但一份高品質的鑑別診斷清單，與一次完整、安全、經濟且對患者有益的醫療照護，仍然存在巨大差距。

真正值得追問的問題，不只是 AI 能否猜中疾病，而是它能否讓醫師更早發現風險、讓患者更清楚理解病情、減少不必要的檢查，並且在錯誤發生時有可靠的安全機制。

當 AI 開始進入診間，衡量技術成熟度的標準也必須改變：不再只是模型答對多少題，而是它能否在真實世界中持續改善醫療品質。

Tech English｜本文技術名詞

Differential Diagnosis（鑑別診斷）： 根據患者症狀與檢查資料，列出並逐步排除可能疾病的臨床推理過程。

Top-k Accuracy（前 k 名命中率）： 正確答案是否出現在模型排名前 k 個候選結果中的比例。Top-7 命中不等於首選診斷正確。

Prospective Feasibility Study（前瞻性可行性研究）： 依事先規劃的研究流程蒐集未來資料，評估一項介入措施能否實際執行，而不一定能證明療效。

Human-in-the-Loop（人類參與監督）： 在 AI 工作流程中保留真人審查、介入與決策機制，特別適用於高風險領域。

Multimodal Reasoning（多模態推理）： 整合文字、影像、聲音等不同形式資訊進行分析，讓模型能處理比純文字更複雜的情境。

Automation Bias（自動化偏誤）： 人類過度信任自動化系統的建議，可能忽略與其結論矛盾的證據。