顶刊给“AI医生”正名：会诊准确率高出人类一大截

　　文 | 字母 AI

　　微软让同一个大模型扮演五位“医生”组成会诊小组，其中一位 AI 医生专门负责抬杠。

　　在其他角色倾向于某个诊断时，它要找出其中的漏洞，免得大家沿着一条错误的思路越走越远。

　　这套名为 MAI-DxO 的系统，最近登上了《科学（Science）》杂志。

　　微软 10 月 22 日公布的结果显示，在用《新英格兰医学杂志》304 个疑难病例开展的测试中，它的诊断准确率约为 83%。作为对照，允许查阅资料的医生组，准确率约为 36%。

　　会诊小组里，还有一位专门管花费。如果便宜的检查能提供同样的信息，它就会建议替换，尽量省掉花钱多、作用小的项目。研究团队希望，这样的分工既能帮助 AI 找准病因，也能减少不必要的检查费用。

　　接下来，微软计划与美国一家医疗中心合作，让真实患者直接与系统互动。这场由 AI 自己给自己挑错的会诊，究竟怎么进行？

　　五个虚拟医生排排坐

　　给 AI 安排几个分工不同的角色，诊断过程会有什么变化？研究团队在论文中举了一个例子。

　　在这次根据历史病例进行的模拟诊断中，一位患者几个月来反复跌倒、腿部无力，还容易瘀青，伴有牙龈出血和牙齿脱落。

　　让普通 GPT-5“诊断”的时候，它把注意力放到了神经病变和自主神经问题上，接连安排了多项检查。

　　查到最后，它给出了一个涉及多种因素的解释，啥都说等于啥都没说，没能找准病因。

　　同样处理这份病例的 MAI-DxO，注意到了另一组值得联系起来的线索：患者做过胃旁路手术，平时很少吃水果，又出现了牙龈出血、掉牙的情况。系统由此考虑坏血病，并安排血浆维生素C检测，确认了这一诊断。

　　为什么 MAI-DxO 能做到？

　　核心秘诀就在于五位虚拟医生，它们由同一个底层模型扮演，各自承担诊断过程中的一项工作。

　　“诊医生（Dr. Hypothesis）”负责提出诊断，它会保留最可能的三种疾病，按可能性排序。有新证据出现，就重新调整。这样一来，暂时排在后面的可能性也还留在考虑范围内。

　　“查医生（Dr. Test-Chooser）”负责挑选做什么检查。它每轮最多选择三项检查。比如，假设两个诊断都能解释现有症状，一项检查无论结果如何，都不能帮助判断究竟是哪一种，它的价值就有限。

　　“杠医生（Dr. Challenger）”专门唱反调、抬杠，它要留意其他角色是不是太早认定了某种病，并把与当前判断矛盾的证据提出来。

　　拿前面的症状举个假设性的例子。如果一种诊断能解释腿部无力，却解释不了牙龈出血，讨论就不能停在“腿无力的原因找到了”。剩下的症状可能意味着，还需要考虑别的病因。这时候“杠医生”就得开麦了。

　　这个“杠医生”的角色很关键。研究人员复盘部分病例时发现，普通 GPT-5 或 o3 有时会被最初的判断带偏，没能及时调整诊断方向。“杠医生”的任务，就是提醒其他角色留意那些与当前判断不符的线索。

　　另外两位 AI 医生分别负责盯成本和做复核。

　　前者会比较不同检查的价值，诊断作用相当时，建议选择便宜的方案，如果某项检查价格高，又很难增加有用信息，它可以提出否决。后者在后台检查推理是否前后矛盾，以及开出的检查项目名称是否有效。

　　五位 AI 医生讨论之后，系统再决定下一步继续问病情、安排检查，还是给出诊断。检查结果出来后，这几位“医生”会再讨论一轮。如果结果不支持原先的判断，就要考虑其他可能的病因。

　　“AI 医生会诊”还真有用

　　为了检验这场会诊的效果，微软设计了一套叫 SDBench 的测试。

　　这个测试难就难在信息不完整。

　　以前有不少医疗 AI 测试会把症状、病史和检查结果一起交给模型，再让它给答案。SDBench 里被测者开局只能看到一小段病情介绍，想了解更多就得自己追问。如果觉得需要通过检查来获得更多信息，也得自己主动提出。

　　另一个负责提供信息的模型掌握完整病例，根据提问返回相应内容。比如，申请了某项血液检查，才能看到对应的结果。原始病历没有记载的部分结果，会由系统模拟补充。等参与者作出最终诊断，再核对答案，并估算此前安排的检查和就诊需要多少钱。

　　这来来回回之间，SDBench 测试就完成了。

　　首先是 AI 与人类的对决。

　　研究准备了两组病例。一组来自《新英格兰医学杂志》，包含 304 个疑难病例。MAI-DxO 的诊断准确率约为 83%。医生不能查资料时准确率仅约为 22%，允许查资料后约为 36%。

　　另一组是 325 个急诊患者的病例，系统准确率约为 80%，医生约为 47%。

　　两组成绩都拉开了差距，尤其是疑难病例。但这些病例本就以复杂、难诊断著称，参加测试的医生主要来自全科和综合内科，独立完成任务。我们至少可以说，从这个测试来看，AI 会诊团队要胜过单打独斗的人类医生。

　　其次是 AI 会诊团队与单个 AI 的对决。

　　作者公开稿列出的结果是，普通 GPT-5 在 NEJM 病例上的准确率为 78.9%，使用 MAI-DxO 后升至 83.2%，提高 4.3 个百分点。

　　费用变化更大。按研究的估算，普通 GPT-5 安排的诊断过程，平均每例需要 8409 美元；加入会诊流程后，降到 5430 美元，减少了近 3000 美元。不过，允许查资料的医生组平均费用为 4725 美元，仍然更低。

　　不过如果再给 AI 加上预算约束，MAI-DxO 又赢了。系统在开检查前估算费用，查看累计花费，并可以据此取消部分检查。在一个控制预算的配置中，MAI-DxO 的准确率为 80.9%，平均费用为 2241 美元，不到允许查资料的医生组一半。

　　下一站，急诊室

　　微软给这套系统安排的下一项任务，是到急诊室接受测试。公司已宣布与波士顿贝斯以色列女执事医疗中心（BIDMC）合作。

　　研究人员准备检验 MAI-DxO 能否帮助分诊，也就是判断哪些患者需要优先接受诊治。

　　毕竟在现实生活中，候诊患者的病情轻重缓急不同。AI 如果能通过追问发现提示病情严重的线索，就有机会帮助医护人员更早识别这些患者。

　　按照微软公布的计划，患者将直接与系统互动，研究人员再把 AI 的表现与医生独立作出的评估比较。目前，这项合作尚未公布临床研究结果。

　　把问诊 AI 带到真实患者面前这件事，谷歌也在推进，合作方恰好也是 BIDMC。

　　10 月 9 日，这家医院公布了与谷歌合作的 AMIE 研究。在这项可行性研究中，98 名患者完成了 AI 互动及后续门诊就诊。患者先在家里与 AI 进行文字对话，由它询问症状、收集病史，接诊医生可以提前查看对话记录或摘要。整个 AI 对话过程都有医生实时监督。

　　GPT-5 背后的 OpenAI，则在把产品接入医生使用的病历系统。今年 9 月，OpenAI 宣布，医疗机构可以将电子病历厂商 Epic 系统中的患者信息接入 ChatGPT for Healthcare。临床人员可以用 AI 梳理患者的检查结果、用药变化，并回查对应的病历记录。这类功能瞄准的是医生每天都要做的准备工作，让 AI 在接诊时派上用场。

　　从这些动作看，医疗 AI 的竞争已经延伸到了具体的诊疗环节。

　　同行在推进真实患者研究，也在争取让医生日常使用自己的产品。微软要把 MAI-DxO 继续往前推，同样需要把诊断能力的验证和产品开发联系起来。

　　微软手里已经有一批进入医院的工具。以医疗 AI 助手 Dragon Copilot 为例，它可以帮助医护人员整理诊疗记录，生成转诊信、就诊后摘要等文书。

　　微软今年 3 月披露，超过 10 万名临床人员在日常工作中使用 Dragon Copilot。这批用户，以及产品团队与医院合作的经验，构成了微软继续开发医疗 AI 的基础。

　　这也解释了微软为什么在发布研究成果的同时，宣布整合医疗相关团队，将微软研究院的科学家，以及 Dragon Copilot、PowerScribe 等产品团队汇集到 Microsoft AI。

　　从这次整合看，微软希望把诊断研究和医疗产品开发结合起来，让 AI 的判断能力用于医生的日常工作。

　　微软更大的野心是“医疗超级智能”。按照公司的设想，诊断只是其中一步，AI 还要帮助选择治疗方案，根据后续病情变化调整建议，并考虑患者的个人意愿和实际能获得的医疗服务。它希望未来的系统能够超越当今最强的临床团队和医疗系统。

　　很明显，这个目标还有很长一段路要走。但不得不说，科幻作品中果决准确但同时略显冰冷的赛博诊疗，似乎正在照进现实。