AI Microsoft ทดลองวินิจฉัยโรคทีละขั้น แม่นยำกว่าแพทย์ในบางโจทย์ ทำได้ 83.2%

เทคโนโลยีปัญญาประดิษฐ์ หรือ AI กำลังเข้ามามีบทบาทในวงการแพทย์มากขึ้น ล่าสุด Microsoft เปิดเผยผลการศึกษาระบบ AI สำหรับช่วยวินิจฉัยโรคที่ใช้วิธีคิดและตัดสินใจเป็นลำดับขั้น คล้ายกระบวนการทำงานของแพทย์ ตั้งแต่การซักประวัติผู้ป่วย เลือกข้อมูลที่ต้องการทราบ ไปจนถึงการพิจารณาว่าควรตรวจอะไรเพิ่มเติมก่อนสรุปโรค

ระบบดังกล่าวมีชื่อว่า Microsoft AI Diagnostic Orchestrator MAI-DxO โดยผลการศึกษาที่เผยแพร่ในวารสารวิทยาศาสตร์ Science เมื่อวันที่ 22 ตุลาคม 2569 ระบุว่า AI ทำคะแนนวินิจฉัยได้สูงกว่าแพทย์เวชปฏิบัติทั่วไปในชุดทดสอบกรณีทางการแพทย์ที่มีความซับซ้อน และในชุดข้อมูลจากห้องฉุกเฉินบางประเภทด้วย แม้ผลลัพธ์นี้จะเป็นความก้าวหน้าที่น่าจับตาของ AI ทางการแพทย์ แต่คำถามสำคัญคือ ระบบทำงานอย่างไร ผลทดสอบแตกต่างจากแพทย์มากแค่ไหน และตัวเลขดังกล่าวหมายความว่า AI พร้อมวินิจฉัยผู้ป่วยแทนแพทย์แล้วหรือไม่

MAI-DxO คืออะไร

MAI-DxO เป็นระบบที่ออกแบบมาเพื่อช่วยจัดกระบวนการวินิจฉัยโรค โดยไม่รีบสรุปคำตอบจากข้อมูลชุดแรกที่ได้รับ แต่จะรวบรวมหลักฐานเพิ่มเติมอย่างเป็นระบบแล้วปรับข้อสันนิษฐานเกี่ยวกับโรคตามข้อมูลใหม่ที่ค้นพบ แนวทางนี้แตกต่างจากการทดสอบ AI ทางการแพทย์แบบดั้งเดิมหลายรูปแบบ ซึ่งมักให้ข้อมูลอาการ ประวัติ ผลตรวจและตัวเลือกคำตอบมาพร้อมกันจากนั้นให้โมเดลเลือกคำตอบที่ถูกต้อง ในสถานการณ์จริง แพทย์อาจเริ่มจากอาการเพียงไม่กี่อย่าง ก่อนถามคำถามเพิ่มเติม ตรวจร่างกาย สั่งตรวจเลือดหรือเลือกการตรวจเฉพาะทางตามความจำเป็น ข้อมูลแต่ละชุดอาจทำให้ความเป็นไปได้ของโรคเปลี่ยนแปลงไป

Microsoft จึงพัฒนาแนวทางที่เรียกว่า Sequential Diagnosis หรือการวินิจฉัยแบบลำดับขั้น พร้อมสร้างเกณฑ์ทดสอบชื่อ Sequential Diagnosis Benchmark (SDBench) เพื่อประเมินทั้งความแม่นยำในการวินิจฉัยและต้นทุนของกระบวนการตรวจ ไม่ได้วัดเพียงว่าคำตอบสุดท้ายถูกหรือผิดเท่านั้น

AI วินิจฉัยโรคทีละขั้นตอนอย่างไร

การทำงานของ MAI-DxO สามารถอธิบายได้เป็น 4 ขั้นตอนหลัก ดังนี้

1. เริ่มจากข้อมูลผู้ป่วยที่มีอยู่อย่างจำกัด

ระบบจะได้รับข้อมูลสรุปอาการเบื้องต้น โดยไม่ได้เห็นข้อมูลทุกอย่างพร้อมกันตั้งแต่เริ่มต้น จากนั้นต้องพิจารณาว่าข้อมูลส่วนใดจำเป็นต่อการแยกแยะโรคที่มีความเป็นไปได้

2. เลือกคำถามและการตรวจที่มีประโยชน์

ระบบจะตัดสินใจว่าจะขอข้อมูลประวัติสุขภาพเพิ่มเติมหรือสั่งการตรวจใด เช่น

• ข้อมูลเกี่ยวกับระยะเวลาที่มีอาการ
• โรคประจำตัว
• ผลตรวจทางห้องปฏิบัติการ

การเลือกตรวจมีความสำคัญ เพราะการตรวจทุกอย่างพร้อมกันอาจสิ้นเปลืองทรัพยากร เพิ่มค่าใช้จ่ายและทำให้ผู้ป่วยต้องผ่านกระบวนการที่ไม่จำเป็น เป้าหมายจึงเป็นการเลือกข้อมูลที่ช่วยแยกโรคได้มากที่สุดเมื่อเทียบกับต้นทุน

3. ปรับสมมติฐานเมื่อได้รับข้อมูลใหม่

หลังจากได้รับผลตรวจหรือคำตอบเพิ่มเติม ระบบจะนำข้อมูลเหล่านั้นกลับมาประเมินความเป็นไปได้ของโรคอีกครั้ง หากหลักฐานใหม่ไม่สอดคล้องกับสมมติฐานเดิม ก็ต้องพิจารณาทางเลือกอื่น การวินิจฉัยแบบเป็นขั้นตอนเพราะการแพทย์ไม่ได้ขึ้นอยู่กับการตอบคำถามให้เร็วที่สุด แต่ต้องประเมินหลักฐานที่เปลี่ยนไปอย่างเหมาะสม

4. การวิเคราะห์จากบทบาท AI หลายส่วน

MAI-DxO ใช้แนวทางประสานการทำงานของบทบาทเสมือนแพทย์หลายคน โดยแต่ละส่วนช่วยเสนอโรคที่เป็นไปได้ เลือกคำถามหรือการตรวจและพิจารณาข้อสรุปที่กำลังพัฒนา ก่อนระบบจะประสานผลเพื่อเลือกแนวทางต่อไป

ผลทดสอบ AI Microsoft แม่นยำกว่าแพทย์แค่ไหน

ผลการศึกษารายงานตัวเลขที่น่าสนใจจากชุดข้อมูลทดสอบ 2 ประเภท โดยเป็นการเปรียบเทียบความแม่นยำในการวินิจฉัยกับแพทย์เวชปฏิบัติทั่วไป

ตัวเลขเหล่านี้แสดงให้เห็นว่า MAI-DxO ทำผลงานได้ดีกว่าแพทย์กลุ่มที่ใช้เปรียบเทียบอย่างชัดเจนในชุดทดสอบดังกล่าว โดยเฉพาะกรณีทางการแพทย์ที่ซับซ้อนจาก The New England Journal of Medicine (NEJM) ตัวเลขเหล่านี้ไม่ควรถูกตีความว่า AI วินิจฉัยโรคได้แม่นยำกว่าแพทย์ทุกคนหรือเหนือกว่าแพทย์เฉพาะทางทุกสาขา เพราะการศึกษานี้เปรียบเทียบกับแพทย์เวชปฏิบัติทั่วไปเป็นหลัก ไม่ใช่การเปรียบเทียบกับทีมแพทย์เฉพาะทางที่เหมาะสมกับแต่ละโรค นอกจากนี้ชุดข้อมูลยังเป็นกรณีทางการแพทย์ที่ถูกคัดเลือกมาเพื่อการประเมิน ไม่ใช่ผู้ป่วยทุกประเภทที่เข้ารับบริการในโรงพยาบาลจริง

อีกประเด็นสำคัญของการศึกษาคือ ต้นทุนของกระบวนการวินิจฉัยเพราะระบบที่ตอบถูกแต่สั่งตรวจจำนวนมากโดยไม่จำเป็น อาจไม่ใช่ทางเลือกที่เหมาะสมที่สุดสำหรับระบบสาธารณสุข Microsoft รายงานว่า MAI-DxO สามารถรักษาความแม่นยำในระดับสูงได้เมื่อกำหนดข้อจำกัดด้านงบประมาณ โดยผลการประเมินกรณีซับซ้อนจาก NEJM พบว่าการตั้งค่าระบบแบบจำกัดงบประมาณบางรูปแบบทำความแม่นยำได้ 79.6% โดยมีต้นทุนการตรวจที่ประเมินไว้เฉลี่ย 1,303 ดอลลาร์สหรัฐต่อกรณี เทียบกับรูปแบบที่ไม่จำกัดงบประมาณซึ่งมีต้นทุนเฉลี่ย 5,431 ดอลลาร์สหรัฐต่อกรณี

ตัวเลขดังกล่าวเป็นต้นทุนจำลองจากการประเมินชุดทดสอบ ไม่ใช่ค่าใช้จ่ายจริงที่โรงพยาบาลจะประหยัดได้ทันทีและไม่ควรสรุปว่า AI จะมีต้นทุนต่ำกว่าแพทย์ในทุกสถานการณ์ เพราะผลลัพธ์ขึ้นอยู่กับการตั้งค่าระบบ ชนิดของผู้ป่วยและจำนวนการตรวจที่เลือกใช้ ถึงกระนั้นแนวคิดเรื่องการชั่งน้ำหนักระหว่างความแม่นยำกับต้นทุนก็มีความสำคัญเพราะหากนำไปพัฒนาได้อย่างเหมาะสม AI อาจช่วยให้บุคลากรทางการแพทย์พิจารณาว่าการตรวจใดจำเป็นก่อนและการตรวจใดอาจเลื่อนออกไปได้โดยไม่ลดคุณภาพการวินิจฉัย

ทำไมผลทดสอบนี้จึงสำคัญต่ออนาคตของ AI ทางการแพทย์

การพัฒนา AI สำหรับสุขภาพที่ผ่านมาให้ความสำคัญกับการตอบคำถามทางการแพทย์ การสรุปเวชระเบียนหรือการประเมินความเสี่ยงจากข้อมูลที่มีอยู่ แต่การวินิจฉัยแบบเป็นขั้นตอนเพิ่มอีกหนึ่งความสามารถ นั่นคือการตัดสินใจว่าจะต้องหาข้อมูลอะไรต่อเพื่อให้ได้ข้อสรุปที่ดีขึ้น

หากเทคโนโลยีนี้ผ่านการประเมินในสถานพยาบาลจริง ก็อาจมีประโยชน์ในหลายด้าน

• ช่วยจัดลำดับการตรวจ สนับสนุนการพิจารณาว่าควรตรวจอะไรเป็นอันดับแรก

• ช่วยวิเคราะห์กรณีที่ซับซ้อน เสนอโรคที่อาจถูกมองข้ามหรือช่วยจัดระบบความเป็นไปได้

• สนับสนุนการใช้ทรัพยากร ช่วยประเมินความคุ้มค่าของการตรวจแต่ละประเภท

• ช่วยการเรียนรู้ทางการแพทย์ ใช้เป็นเครื่องมือฝึกการตั้งคำถามและการคิดวิเคราะห์กรณีศึกษา

• เป็นเครื่องมือช่วยตัดสินใจ สนับสนุนแพทย์ให้มีข้อมูลประกอบการพิจารณามากขึ้น โดยยังคงให้บุคลากรทางการแพทย์เป็นผู้ดูแลการรักษา

ประโยชน์ทั้งหมดนี้ยังขึ้นอยู่กับผลการทดสอบเพิ่มเติม การออกแบบกระบวนการทำงานและการกำหนดความรับผิดชอบเมื่อระบบให้ข้อมูลผิดพลาด

ข้อจำกัดสำคัญ

แม้ผลการศึกษาจะโดดเด่น แต่ยังมีข้อจำกัดที่ควรพิจารณาก่อนนำตัวเลขไปใช้สรุปความสามารถของ AI ในโลกจริง

• ประการแรก การทดสอบใช้ข้อมูลแบบข้อความเป็นหลัก ไม่ได้ครอบคลุมข้อมูลทุกรูปแบบที่แพทย์อาจใช้ เช่น ภาพทางรังสี คลื่นไฟฟ้าหรือภาพพยาธิวิทยา จึงยังไม่สามารถสรุปได้ว่าระบบจะทำงานได้ดีเท่ากันเมื่อเผชิญข้อมูลจริงที่หลากหลาย
• ประการที่สอง ผู้ป่วยจริงมีความไม่แน่นอนมากกว่าเคสจำลอง ผู้ป่วยอาจจำประวัติไม่ได้ ให้ข้อมูลไม่ครบ มีโรคหลายอย่างพร้อมกันหรือมีอาการที่ไม่ตรงตามรูปแบบมาตรฐาน สิ่งเหล่านี้อาจเปลี่ยนผลการวินิจฉัยได้
• ประการที่สาม กลุ่มเปรียบเทียบยังมีขอบเขตจำกัด ผลที่เหนือกว่าแพทย์เวชปฏิบัติทั่วไปไม่ได้ยืนยันว่า AI จะทำงานได้ดีกว่าแพทย์เฉพาะทางหรือทีมสหสาขาวิชาชีพในทุกสถานการณ์
• ประการที่สี่ ยังไม่ได้พิสูจน์ผลลัพธ์ด้านการรักษา ความแม่นยำในการระบุโรคเป็นเพียงส่วนหนึ่งของการดูแลผู้ป่วย การรักษาจริงยังต้องพิจารณาความเร่งด่วน ความเสี่ยง ผลข้างเคียง ความต้องการของผู้ป่วยและการติดตามอาการ

ข้อจำกัดเหล่านี้สอดคล้องกับข้อควรระวังในการศึกษาที่รายงานผลและเป็นเหตุผลว่าทำไมคะแนนทดสอบที่สูงจึงยังไม่เพียงพอที่จะยืนยันความปลอดภัยในการใช้งานทางคลินิก

Microsoft เตรียมทดสอบ AI กับสถานพยาบาลจริง

ขั้นตอนต่อไปที่น่าจับตาคือการนำระบบออกจากสภาพแวดล้อมทดสอบ Microsoft ระบุถึงความร่วมมือกับ Beth Israel Deaconess Medical Center ในเมืองบอสตัน เพื่อประเมินความสามารถของระบบในการช่วยคัดกรองผู้ป่วยในบริเวณรอรับบริการของแผนกฉุกเฉิน การทดสอบในสถานพยาบาลจริงจะช่วยตอบคำถามที่ชุดข้อมูลย้อนหลังยังตอบไม่ได้ เช่น ระบบช่วยลดเวลารอได้หรือไม่ สามารถจัดลำดับความเร่งด่วนได้เหมาะสมเพียงใดและเมื่อ AI ให้คำแนะนำที่ไม่ตรงกับแพทย์ บุคลากรควรตรวจสอบหรือดำเนินการอย่างไร

นอกจากนี้ ยังต้องมีการประเมินความเป็นส่วนตัวของข้อมูลสุขภาพ ความปลอดภัยของระบบ ความผิดพลาดที่อาจเกิดขึ้นและการกำหนดความรับผิดชอบในการตัดสินใจทางการแพทย์ การทดลองกับผู้ป่วยจริงจึงเป็นขั้นตอนสำคัญก่อนที่เทคโนโลยีจะได้รับการยอมรับให้ใช้ในกระบวนการดูแลสุขภาพอย่างกว้างขวาง

AI Microsoft จะมาแทนแพทย์หรือไม่

จากหลักฐานที่มีอยู่ในขณะนี้ ยังไม่มีเหตุผลเพียงพอที่จะสรุปว่า AI จะเข้ามาแทนแพทย์ได้ทั้งหมด แม้ระบบจะทำคะแนนวินิจฉัยสูงกว่าแพทย์บางกลุ่มในชุดทดสอบ แต่การทำงานทางการแพทย์ไม่ได้จบลงที่การระบุชื่อโรค แพทย์ยังต้องตรวจร่างกาย ประเมินบริบทของผู้ป่วย สื่อสารความเสี่ยง ตัดสินใจร่วมกับผู้ป่วย วางแผนการรักษาและติดตามผลในระยะยาว ขณะที่ AI อาจทำหน้าที่เป็นเครื่องมือสนับสนุนการวิเคราะห์และช่วยจัดระบบข้อมูล

สรุป

ผลการทดสอบ MAI-DxO ของ Microsoft แสดงให้เห็นว่า AI สามารถทำคะแนนวินิจฉัยได้สูงกว่าแพทย์เวชปฏิบัติทั่วไปในกรณีศึกษาบางประเภท โดยเฉพาะเมื่อระบบได้รับการออกแบบให้ซักถามและรวบรวมหลักฐานทีละขั้น พร้อมพิจารณาต้นทุนของการตรวจ  ความสำเร็จในชุดทดสอบยังเป็นเพียงหนึ่งขั้นของการพัฒนา เทคโนโลยีต้องผ่านการประเมินในสถานพยาบาลจริง เพื่อพิสูจน์ทั้งความแม่นยำ ความปลอดภัยและประโยชน์ต่อผู้ป่วย

ข้อมูลอ้างอิง

1. Microsoft AI — Building Medical Superintelligence

2. Reuters — Microsoft develops AI tool that can diagnose 'sequentially' like a doctor

3. Becker's Hospital Review — Microsoft AI diagnostic tool tops generalist physicians, 83% to 36%

4. Medical Economics — AI system outperforms physicians on diagnostic accuracy in Microsoft study

5. Microsoft — Sequential Diagnosis Benchmark (SDBench)