推理型AI跨過醫師考題，臨床門口仍不等於診間

急診室裡最困難的片刻，往往不是缺少資料，而是要在凌亂病史、檢查結果與時間壓力之間，迅速排出哪些可能性最危險、哪些線索最值得追。新的研究把這種醫師每天面對的推理工作，搬到純文字情境中測試大型語言模型，結果讓醫療界不得不更認真地看待一個問題：AI不只會整理病歷，也可能開始接近醫師思考疾病的核心流程。

據《衛報》報導，哈佛大學與貝斯以色列女執事醫療中心領導、並刊於《Science》的研究發現，OpenAI的o1推理模型在多項臨床推理基準上表現優於醫師，任務包括根據書面病歷進行急診診斷判斷。研究團隊與外部報導均強調，這不是讓AI獨立看診的證據，而是一項清楚的生物醫學AI里程碑：模型正在從「回答醫學知識題」走向更複雜的臨床推論。

這項研究的預印本顯示，團隊評估的是OpenAI o1-preview，測試涵蓋五類醫師推理任務：產生鑑別診斷、呈現診斷推理、急診分診情境中的鑑別診斷、機率推理，以及處置推理。模型輸出由醫師專家依既有心理計量與評分工具判讀，並與歷史人類對照及較早期大型語言模型基準比較；這使研究不只是看模型有沒有答對，也試圖衡量它如何展開理由、排列可能性與提出下一步。

結果並非全面勝利。預印本摘要指出，o1-preview在產生鑑別診斷、診斷推理品質與處置推理上有明顯進步；但在機率推理與急診分診鑑別診斷上，並未顯示同樣改善。換句話說，模型擅長鋪陳可能診斷與說明推理路徑，卻不代表它已能穩定掌握風險校準、臨床優先順序與真實急診壓力下的決策。

《大西洋》後續報導也把這項研究放進醫院導入AI的更大背景：臨床現場對自動摘要、病歷搜尋、決策支援與分診輔助的需求正在上升，而這類高分研究會加速醫療機構與科技公司的想像。不過，該報導提到研究作者之一Adam Rodman在記者會上提醒，這仍是學術測試，不能證明ChatGPT或其他AI工具已準備好成為標準醫療的一部分。

限制正出現在研究設計本身。這些任務以文字資料為核心，較能控制輸入與評分，卻也避開了真實診間裡常見的模糊表情、病人補述、護理觀察、醫療資源限制與責任歸屬。模型即使在病例文字上勝過醫師，也可能在資料不完整、提示方式不同、族群分布改變或需要與病人互動時出現落差。

真正的下一步不是把AI推上前線，而是把它放進可檢驗、可追責的臨床框架：它應輔助哪一類醫師、在哪一個流程節點提供建議、錯誤由誰發現與承擔、是否需要FDA等監管機構審查，以及醫院如何監測導入後的偏差與傷害。這項研究的意義，正在於它把問題從「AI懂不懂醫學」推進到更尖銳的一層：當AI已能在紙上模仿甚至超越部分醫師推理時，醫療系統能否設計出足夠謹慎的使用方式。