AI诊断真实病例准确率超医生，哈佛称医学评估标准或应重新改写

AI临床诊断新突破：在真实病历中，它的推理能力已比肩医生？

如今，AI在某个标准医疗测试集上刷出新高分，已经算不上什么大新闻了。真正的考验在于实战：当面对一份信息可能残缺不全、记录或许有些混乱的真实病历时，AI还能否给出可靠的诊断推理？最近的一项重磅研究给出了肯定的答案，而且是在与数百名医生的直接对比中得出的。

来自哈佛医学院、斯坦福大学等顶尖机构的研究团队，在《科学》杂志上发表了一项迄今最大规模的AI医疗对比研究。这项研究的突破性在于，它首次使用了真实的患者病历作为“考卷”，来检验AI的临床推理能力。这意味着，AI不再是在熟悉的题库里“背诵答案”，而是进入了信息更复杂、更不确定的真实临床战场。

研究人员让OpenAI的o1模型与数百名医生，在包括急诊决策、诊断、制定后续治疗方案在内的六种不同场景中同台竞技。结果令人印象深刻：AI在多项临床推理任务中的准确率，与医生持平甚至更高。

这或许预示着一个重要的转折点。随着模型能力飞速进化，传统的人工设计测试案例和选择题式的评估基准，可能正在逐渐失效。正如论文共同第一作者、哈佛医学院研究员Peter Brodeur所言：“过去可以用多项选择题来评估模型能力，但现在它们的得分长期接近满分，这对于追踪进展已经没有太大意义了。”

当然，必须清醒地认识到，这项研究结果并不意味着AI已经准备好独立行医，尤其是在生死攸关的急诊环境中。医生在解读影像、进行体格检查、观察患者细微表情等方面，依然拥有不可替代的优势。研究团队也特别强调，亟需开展前瞻性的临床试验，在真实的患者护理环境中进一步评估这项技术。

图丨相关论文（来源：Science）

“金牌标准”下的诊断对决

为了系统考察AI的临床推理能力，研究团队设计了一系列实验。在第一组实验中，他们搬出了医学界的“金牌标准”——《新英格兰医学杂志》自20世纪50年代起设立的临床病理会议病例。

面对2012年至2024年间的143个复杂病例，o1-preview模型成功覆盖了78.3%的正确病因。更关键的是，它给出的首个诊断就是正确答案的比例达到了52%。如果算上那些“非常接近”的诊断，这个比例更是跃升至惊人的97.9%。

与GPT-4的对比则进一步凸显了其进步。在同一批病例上，GPT-4的准确率为72.9%。而在70个重叠病例中，o1-preview在24.3%的病例上表现优于GPT-4，表现落后的仅占7.1%。

另一个值得关注的细节是诊断检查的选择。在136例测试中，o1-preview选择检查项目的正确率高达87.5%。评审医生认为，AI提出的检查建议中，有11%具备额外的临床价值，而仅有1.5%的建议被判定为无帮助。

（来源：Science）

书写质量与高风险误诊识别

在临床推理的书面表达质量评估中，差距更为明显。研究团队采用了20个来自NEJM Healer课程的教学病例，并使用经过验证的R-IDEA量表进行评分。

结果如何？o1-preview在80次评分中，78次获得了满分。相比之下，GPT-4仅获得47次满分，而主治医师和住院医师获得满分的次数分别为28次和16次。在高风险误诊项的识别上，o1-preview的中位命中率达到92%。不过需要说明的是，尽管数值上高于人类医生，但这一差异在统计学上并不显著。

（来源：Science）

管理决策与防“刷题”测试

在管理决策能力的测试中，结果同样引人深思。研究团队基于五个真实病例开发了临床场景，并设置了一系列治疗决策问题。o1-preview的中位得分高达89%，远超GPT-4的42%。有趣的是，将GPT-4作为辅助工具的医生得分是41%，而仅使用传统资源制定方案的医生得分则为34%。

图丨 o1-preview、GPT-4 与临床医师在诊断推理能力方面的比较（来源：Science）

为了防止模型通过“刷题”获得优势，研究人员还增加了一道防线：使用6个从未公开发布过的标志性诊断病例进行测试。结果发现，o1-preview虽然获得了97%的中位得分，但与GPT-4的92%以及人类医师的74%相比，其统计学优势并不显著。这从侧面说明，大模型能力的提升并非在所有任务上都齐头并进。

急诊室里的真实较量

最接近真实临床环境的实验，发生在波士顿一家医院的急诊室。研究以76名真实患者为对象，设置了从早期分诊、接诊后到决定是否收入病房三个关键决策节点。

与以往研究不同，这次提供给模型的信息未经过任何人工预处理，直接来源于标准电子病历中那些可能杂乱无章的数据：生命体征、人口统计信息、对就诊原因的简要描述等。模型需要基于这些原始信息，生成诊断并提出下一步建议。

结果显示，在分诊阶段，医生的正确率在50%至55%之间，而AI在67%的病例中做出了接近甚至更准确的诊断。一个明显的趋势是：在需要快速决策且信息有限的紧急情况下，AI的优势更为突出。当提供更多细节信息后，人类专家的准确率提升至70%-79%，而OpenAI的o1模型的诊断准确率则进一步提升至近82%。

整个实验过程采用了严格的盲法设计。两位评审医生在判断答案来源是人还是AI时，猜对的比例分别仅为15.2%和3.1%。这意味着，在大多数情况下，他们根本无法区分眼前的诊断建议是出自AI还是人类同行之手。

（来源：Science）

AI并非万能，协同才是未来

必须明确的是，急诊室的核心决策远不止于诊断正确性，它更关乎分诊、紧急处理和即时管理。因此，这项研究绝不意味着AI将全面取代急诊医生。

同时，这项研究也存在其局限性。实验仅测试了AI在解读文本化患者数据方面的表现，并未涉及对患者痛苦程度、外貌体征等非文本信号的解读能力。此外，研究覆盖的病例主要集中在内科和急诊领域，未来仍需在外科、专科等更广泛的临床场景中加以验证。

AI在医疗辅助诊断中的应用已呈燎原之势。今年3月美国医学协会的一项研究显示，近20%的美国医生正在使用AI辅助诊断。在英国，每天使用AI的医生比例也达到了16%。根据英国皇家内科医师学会的调查，在临床决策中将AI作为辅助诊断工具，已成为医生最常见的用途之一。

尽管表现亮眼，但AI远非万能。一方面，它自身存在出错和相应的责任风险；另一方面，也需要警惕医生可能在不经意间过度依赖AI建议，从而弱化自身的独立判断。此外，AI在诊断老年患者或非英语母语患者时，仍面临不小的挑战。

综合来看，当前AI的核心角色定位依然是“辅助”而非“替代”。它的优势在于能够快速整合海量的医学文献、诊疗指南和历史病例，在信息处理的广度与速度上为医生提供强大支持，帮助发现那些容易被遗漏的关键信息。然而，在面对非结构化的临床情境、需要进行复杂伦理权衡，以及提供不可或缺的医患共情时，医生的角色依然无可替代。

因此，人机协同或许才是最理想的未来图景：AI提供精准、实时的数据与知识支持，而医生则凭借其专业经验、整体判断和人文关怀把握最终方向。未来的关键，或许不在于比较人与AI谁更强，而在于谁能更快学会与对方高效协作。

参考资料：

1. 相关论文：https://www.science.org/doi/10.1126/science.adz4433

2.https://www.ama-assn.org/system/files/physician-ai-sentiment-report.pdf

3.https://www.rcp.ac.uk/policy-and-campaigns/policy-documents/snapshot-of-uk-physicians-artificial-intelligence-in-healthcare/

4.https://hms.harvard.edu/news/study-suggests-ai-good-enough-diagnosing-complex-medical-cases-warrant-clinical-testing

5.https://www.theguardian.com/technology/2026/apr/30/ai-outperforms-doctors-in-harvard-trial-of-emergency-triage-diagnoses

排版：刘雅坤

注：封面/首图由 AI 辅助生成