顶刊给“AI医生”正名：会诊准确率高出人类一大截

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？

01

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。

02

“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。

03

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。