Google DeepMind團隊於權威醫學期刊《The Lancet》發表前瞻性臨床可行性研究，針對旗下基於Gemini架構的對話式診斷AI系統「AMIE」，在基層與緊急照護診所實測98位真實病患。研究結果顯示，在病患尚未接受任何影像掃描、血液檢驗或電子病歷存取的情況下，AMIE僅憑對話問診即達成高達90%的正確診斷率。
這項研究最大的突破，在於跳脫過去「人機同條件文字對話」的實驗限制，採取貼近真實世界的「非對稱」對照：AI透過文字聊天機器人與病患互動，醫師則維持既有的面對面看診或視訊診療流程。研究強調，AI在缺乏病患影像、聲音語調及過往病歷的情況下，仍展現了極強的臨床推理能力。在44例由醫師回顧的案例中，有33例認為AI的預診斷有助於加速臨床判斷與精準檢查的開立。
值得注意的是，AMIE並非要取代醫師，而是作為「加速器」：當AI先排除資深醫師憑經驗即可排除的鑑別診斷，醫師便能將寶貴時間投注於真正的臨床難題。病患對聊天機器人的「不插話、不打斷、不顯得不耐煩」特質給予高度好評，這也凸顯了當前實體看診環境中，醫師被迫在18分鐘內完成問診的制度性困境。
這項研究表面上是AI技術突破，骨子裡卻是西方現代醫療體系積弊已久的「看診時間被壓縮」與「防禦性醫療氾濫」兩大結構病灶的總爆發。事件本質不適合以政商陰謀論式的利益角力強行套入，其深層矛盾源自醫療給付制度、法規監管與臨床實務的歷史演化。
首先，是「症狀醫學」（Symptom Based Medicine）退場已逾60年的技術史斷裂。1960年代以後，隨著X光、CT、MRI等影像技術與自動化血液檢驗普及，現代醫學典範徹底轉向以「檢查數據」為核心的實證醫學路徑。然而當健保給付與醫療訴訟結構反向迫使醫師在極短時間內完成問診時，醫師被迫退化為「開單機器」——不是依臨床判斷決策，而是為避免「虎視眈眈等待提告的掠食者（律師）」而進行防禦性檢查與防离性處方，這正是文章作者點名的結構性病灶。
其次，是18分鐘看診魔咒。文中引述的數據顯示，醫師在病患開始敘述症狀後，平均僅11秒便打斷對方發言，這是政府保險制度擠壓下形成的病態效率指標。AMIE的真正價值，不在於它比醫師聰明，而在於它給了病患「完整敘述的時間」。當病患能在不打斷的對話中傾瀉所有症狀細節，AI反而能更精準地聚焦鑑別診斷，這反襯出當代看診制度的荒謬。
第三，則是AI在缺乏病歷與影像時仍能達到90%準確率所揭示的「資訊密度」問題。這意味著絕大多數基層診療其實並不需要昂貴的侵入性檢查，現行醫療支出的浪費程度令人咋舌。但若直接以症狀醫學為預設，文章也警告，享有醫療特權的女性恐將被大量誤診為慢性疲勞症候群、萊姆病或纖維肌痛，而年輕男性則可能更氾濫地取得大麻處方籤，凸顯AI的價值在於「補強」而非「取代」醫師的臨床判斷。
這項研究最深層的歷史意義，在於它暴露了一個被掩蓋的真相：過去數十年醫療成本飆漲的真正元兇，未必是技術或藥價，而是制度設計強迫醫師放棄了「聆聽」這項最古老、最便宜、也最有效的診斷工具。
比對1970年代電腦輔助診斷系統（CAD）的失敗史，與近年IBM Watson Health黯然退場的殷鑑，AMIE的未來發展將面臨三種截然不同的情境：
無論哪種情境成真，2026年都將被視為「對話式診斷AI從實驗室走進診療室」的歷史分水嶺。
01 起因觸發：Google DeepMind於《Lancet》發表AMIE對話式診斷AI前瞻性實測，98位真實病患達9成準確率
02 一階傳導：基層診所、遠距醫療平台與緊急照護中心開始評估導入對話式AI預篩系統
03 二階擴散：EHR廠商、醫療影像設備商面臨估值重估壓力；防禦性醫療保險與訴訟產業首當其衝
04 宏觀終局：各國醫療法規被迫重新定義「AI輔助診療」的法律地位，醫療支出結構與醫師角色同步重塑
領域延伸情報推薦 相關延伸研讀
依主題領域自動關聯之高參考價值外電情報
