98%医生点赞的AI队友，斯坦福实验揭秘：诊断准确率飙升10%！

　　新智元报道

　　编辑：英智

　　【新智元导读】AI从医疗工具变身为协作队友，斯坦福大学研究揭示：医生诊断准确率竟飙升10%！70名美国执业医生参与的真实测试，AI-first、AI-second与传统诊断，谁能更精准破解临床谜题？

　　你敢让AI帮你看病吗？

　　斯坦福大学的一群医生和工程师，最近做了一项研究：让AI和人类医生组队，共同破解复杂的诊断难题。

　　论文链接：https://www.medrxiv.org/content/10.1101/2025.06.07.25329176v1.full.pdf

　　结果让人惊讶：当AI从「工具」变成「队友」，医生的诊断准确率直接飙升了10%。

　　网友惊叹：颠覆的临界点即将到来！

　　「充满热情的医生加上AI将势不可挡。」

　　「AI驱动的临床决策支持，仍然是该领域最有力的杠杆之一。」

　　还有人表示，「对于一个背负数十万美元债务的医生来说，这种发现有点令人害怕。这还只是用GPT 4，无法想象o3会有多厉害。」

　　AI当医生，

　　抢饭碗还是递扳手？

　　过去几年，AI在医疗领域的存在感越来越强，从影像识别到药物研发。

　　但医生把它当搜索工具，用来查指南、找文献，却不敢真正把它当作「搭档」。

　　为什么会这样？斯坦福的研究团队发现，关键问题出在交互模式上。

　　早期的AI就像个沉默的助手，医生输入问题，它输出答案。

　　这导致医生很难信任AI的判断，甚至出现过「医生用AI辅助诊断，结果反而比AI单独诊断更差」的情况。

　　于是，他们决定做一个颠覆性实验：把AI变成会讨论的队友。

　　实验设计很巧妙：让医生和AI各自先独立分析病例，然后AI生成一份联合报告，不仅列出双方的共识和分歧，还会像资深医生一样点评每个诊断的合理性。

　　比如，当医生考虑真性红细胞增多症，AI会补充低EPO水平支持这一诊断，但需排除罕见的EPO分泌肿瘤。

　　当医生漏掉淋巴瘤的可能性，AI会提醒瘙痒和尿酸升高可能是这个方向。

　　团队基于GPT-4开发了一款定制化的AI系统，设计了两种协作工作流程，分别测试AI-first和AI-second时的效果。

　　70名美国执业的内科或家庭科医生参与了这项试验，他们被随机分配到以下三种组别之一：

　　AI-first组：医生首先输入病例信息，查看AI生成的诊断建议（包括五个可能的诊断和七个后续步骤），然后结合自己的判断形成最终诊断。

　　AI-second组：医生先独立完成诊断（可以使用传统资源如UpToDate、PubMed等），再将病例和自己的初步诊断输入AI系统，AI会生成独立分析并与医生的诊断进行整合，生成一份综合报告。

　　对照组：医生仅使用传统资源完成诊断，不与AI互动。

　　实验使用了六个基于真实患者的临床病例，涵盖了复杂诊断场景。

　　每个病例包含病史、体检和实验室检查结果，医生需要提供三个可能的诊断、支持和反对的证据、最终诊断及三个后续步骤。

　　研究通过19分制的评分系统评估诊断的准确性，评分由两位内科认证医生独立完成，且评分者不知道答案来自医生还是AI，以确保公平。

　　AI系统的核心设计在于协作。

　　它不仅生成自己的诊断，还会对比医生和AI的判断，生成一份综合报告，清晰列出双方提出的诊断、共识点、分歧点，并对每个诊断提供评论。

　　这种设计旨在激发医生的批判性思考，而非简单依赖AI的输出。

　　研究结果：

　　AI显著提升诊断准确性

　　研究结果令人振奋，AI协作组的医生表现明显优于仅使用传统工具的对照组。

　　诊断准确性：

　　对照组（传统工具）：平均得分75%。

　　AI-first组：平均得分85%，比对照组高9.8%（p<0.0004）。

　　AI-second组：平均得分82%，比对照组高6.8%（p<0.00001）。

　　AI单独运行：平均得分90%，略高于协作组但差异不显著。

　　医生和AI协作后，虽然没超过AI单独水平，却比医生单打独斗强。这说明，AI能补全人类思维的漏洞。

　　在最终诊断和后续步骤（即临床上可操作的决策）方面，AI-first比AI-second组表现更好（高8.9%，p=0.026）。

　　AI-second相较于对照组在这些决策上的得分提升了14.9%（p=0.00092），其中36%的病例在与AI互动后有所提高。

　　AI-first完成每个病例的平均时间为631秒，略快于AI-second的688秒。在剔除未严格遵循流程的病例后，AI-first的优势更明显。

　　所有医生在试验后对AI的态度显著改善，98.6%表示愿意在复杂临床推理中使用AI（试验前为91.4%，p=0.011）。

　　为什么AI当队友更厉害？

　　信息过载与遗漏：临床诊断就像拼拼图，每个病例可能包含几十条线索。

　　医生很容易漏掉某个实验室指标（比如「血清LDH升高」提示细胞破坏），但AI能瞬间扫描所有数据，精准关联高LDH+巨幼细胞贫血可能指向骨髓增生异常综合征。

　　经验依赖的陷阱：资深医生容易被典型病例固化思维。

　　比如看到老年女性、乏力、舌炎，可能优先考虑缺铁性贫血，但AI会跳出经验框架，提出维生素B12缺乏或甲状腺功能减退的可能性。

　　决策链的逻辑性：AI的诊断报告就像思维流程图：先列出3个最可能的诊断，再用支持证据和反对证据逐条论证，最后给出3个下一步检查建议。

　　AI的「人性化改造」

　　为了让AI更懂医生，研究团队给它加了三个补丁。

　　1.会「吵架」的批判性思维：当医生的诊断和AI不一致时，AI不会直接服从，而是会说：「您提到的原发性胆汁性胆管炎可能性较低，因为患者缺乏胆汁淤积的证据，但需要注意罕见变异型。」

　　这种挑战不是对抗，而是逼医生重新审视自己的逻辑漏洞。

　　2.能「翻译」的沟通能力：传统AI输出的是学术化的语言，但实验中的AI会用口语化表达：「目前看，真性红细胞增多症是最可能的，但淋巴瘤不能完全排除，建议先查血清EPO水平和骨髓活检。」

　　这种说人话的能力，让医生更容易理解和接受。

　　3.可「追溯」的透明化决策：每个诊断结论，AI都会标注证据来源，比如「支持淋巴瘤的证据是瘙痒和尿酸升高（引用文献X），反对证据是缺乏淋巴结肿大（引用指南Y）。」

　　这解决了医生对AI黑箱决策的不信任感，让协作建立在可验证的基础上。

　　AI的「锚定效应」

　　研究发现，AI-second组中，AI的独立分析有时会受到医生初步诊断的影响。

　　实验中有个有趣的细节：AI-second组中，48%的病例中AI的诊断和医生初始意见完全重叠，而AI-first组仅为3%。

　　说明如果医生先入为主给出思路，AI可能会「迎合」人类判断，未能完全遵循独立分析的指令。

　　比如，有个病例中医生误判缺铁性贫血，AI在后续分析中居然也把这个诊断放在了第一位。尽管按照数据，维生素B12缺乏才是更合理的方向。

　　这意味着，AI的批判性依赖于独立思考的空间，一旦被人类思维锚定，反而会降低协作价值。

　　但反过来，当AI先发言时，医生会更主动地挑战它的结论。

　　有位住院医师在看到AI提出骨髓瘤时，立刻反驳：患者没有骨痛和蛋白尿，这个诊断可能性太低，并最终通过追问病史排除了这一方向。

　　这种「对抗性协作」，反而激发了更深入的临床推理。

　　参考资料：

　　https://x.com/emollick/status/1931907652118069510

　　https://www.medrxiv.org/content/10.1101/2025.06.07.25329176v1