浙江
過去幾年，大型語言模型在醫學考試中屢創佳績，甚至能超越人類醫生。然而現實中的診斷遠非回答選擇題那么簡單——醫生需要從一句主訴開始，逐步追問病史、安排檢查、修正假設，整個過程充滿不確定性?，F有AI模型能否勝任這種動態、迭代的臨床診斷流程，一直是個懸而未決的問題。
近日，Nature Communications期刊發表了四川大學華西醫院運動醫學中心李箭教授、骨科研究所付維力教授以及華西生物醫學大數據中心李康教授共同領導團隊的研究成果，題為《Grounding large language models in clinical diagnostics》的研究。該工作系統評估了多個主流大語言模型在真實診斷場景中的表現，并開發了一個名為ClinDiag-GPT的專用模型，探索了人機協作的可行路徑。
研究團隊首先構建了一套模擬真實臨床環境的評估框架。在這個框架中，被測的“醫生智能體”只拿到患者的初始信息（例如“腹痛三天”），然后必須主動提問，逐步獲取病史、體格檢查和檢驗結果，最終給出診斷。配套的數據集包含4421個真實病例，涵蓋32個?？疲渲屑扔屑痹\常見病，也有疑難和罕見病。測試結果令人意外：在靜態問答中表現亮眼的GPT-4o、Claude-3-Haiku、通義千問等模型，一旦進入動態診斷流程，準確率就驟降到30%左右，遠低于它們靜態問答中60%的水平。進一步分析發現，這些模型普遍存在信息采集不全、過早錨定某個診斷、忽視矛盾證據等問題——這些恰恰是人類醫生也會犯的認知偏誤。
針對上述短板，研究團隊利用7616個真實病例轉化而成的多輪診斷對話數據，對通義千問2.5-72B進行了監督微調，得到了ClinDiag-GPT。在同樣的動態診斷測試中，該模型以39.76%的準確率超越了所有基線模型。更重要的是，它在病史采集階段的錯誤率為20.56%（其他模型高達40%-52.8%），體格檢查階段為19.44%（其他模型28%-46%），診斷檢驗階段為46.67%（其他模型55.6%-62.2%）。錨定偏誤和確認偏誤的發生率也顯著降低。這表明，通過針對性的訓練，AI不僅可以記住醫學知識，還能學會遵循臨床規范、主動收集信息、抵抗認知偏誤。
研究最后進行了一項三臂對照試驗：醫生單獨診斷60個病例的準確率為40%，ClinDiag-GPT單獨為23.33%，而人機協作組達到了45%，且平均耗時從醫生的22分鐘縮短至15分鐘。尤其值得注意的是，在罕見病子集中，人機協作的優勢最為明顯。研究者認為，AI憑借廣博的知識儲備，可以彌補醫生在少見病上的經驗盲區；而醫生則能憑借臨床判斷校準AI的偏差。雖然ClinDiag-GPT的絕對準確率仍有提升空間，但這項研究證實了一條務實路徑：讓AI成為醫生的得力助手，而非替代者。
READING
BioPeers
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
