新智元報(bào)道

編輯：英智

【新智元導(dǎo)讀】AI從醫(yī)療工具變身為協(xié)作隊(duì)友，斯坦福大學(xué)研究揭示：醫(yī)生診斷準(zhǔn)確率竟飆升10%！70名美國執(zhí)業(yè)醫(yī)生參與的真實(shí)測(cè)試，AI-first、AI-second與傳統(tǒng)診斷，誰能更精準(zhǔn)破解臨床謎題？

你敢讓AI幫你看病嗎？

斯坦福大學(xué)的一群醫(yī)生和工程師，最近做了一項(xiàng)研究：讓AI和人類醫(yī)生組隊(duì)，共同破解復(fù)雜的診斷難題。

論文鏈接：https://www.medrxiv.org/content/10.1101/2025.06.07.25329176v1.full.pdf

結(jié)果讓人驚訝：當(dāng)AI從「工具」變成「隊(duì)友」，醫(yī)生的診斷準(zhǔn)確率直接飆升了10%。

網(wǎng)友驚嘆：顛覆的臨界點(diǎn)即將到來！

「充滿熱情的醫(yī)生加上AI將勢(shì)不可擋。」

「AI驅(qū)動(dòng)的臨床決策支持，仍然是該領(lǐng)域最有力的杠桿之一。」

還有人表示，「對(duì)于一個(gè)背負(fù)數(shù)十萬美元債務(wù)的醫(yī)生來說，這種發(fā)現(xiàn)有點(diǎn)令人害怕。這還只是用GPT 4，無法想象o3會(huì)有多厲害。」

AI當(dāng)醫(yī)生，

搶飯碗還是遞扳手？

過去幾年，AI在醫(yī)療領(lǐng)域的存在感越來越強(qiáng)，從影像識(shí)別到藥物研發(fā)。

但醫(yī)生把它當(dāng)搜索工具，用來查指南、找文獻(xiàn)，卻不敢真正把它當(dāng)作「搭檔」。

為什么會(huì)這樣？斯坦福的研究團(tuán)隊(duì)發(fā)現(xiàn)，關(guān)鍵問題出在交互模式上。

早期的AI就像個(gè)沉默的助手，醫(yī)生輸入問題，它輸出答案。

這導(dǎo)致醫(yī)生很難信任AI的判斷，甚至出現(xiàn)過「醫(yī)生用AI輔助診斷，結(jié)果反而比AI單獨(dú)診斷更差」的情況。

于是，他們決定做一個(gè)顛覆性實(shí)驗(yàn)：把AI變成會(huì)討論的隊(duì)友。

實(shí)驗(yàn)設(shè)計(jì)很巧妙：讓醫(yī)生和AI各自先獨(dú)立分析病例，然后AI生成一份聯(lián)合報(bào)告，不僅列出雙方的共識(shí)和分歧，還會(huì)像資深醫(yī)生一樣點(diǎn)評(píng)每個(gè)診斷的合理性。

比如，當(dāng)醫(yī)生考慮真性紅細(xì)胞增多癥，AI會(huì)補(bǔ)充低EPO水平支持這一診斷，但需排除罕見的EPO分泌腫瘤。

當(dāng)醫(yī)生漏掉淋巴瘤的可能性，AI會(huì)提醒瘙癢和尿酸升高可能是這個(gè)方向。

團(tuán)隊(duì)基于GPT-4開發(fā)了一款定制化的AI系統(tǒng)，設(shè)計(jì)了兩種協(xié)作工作流程，分別測(cè)試AI-first和AI-second時(shí)的效果。

70名美國執(zhí)業(yè)的內(nèi)科或家庭科醫(yī)生參與了這項(xiàng)試驗(yàn)，他們被隨機(jī)分配到以下三種組別之一：

1. AI-first組：醫(yī)生首先輸入病例信息，查看AI生成的診斷建議（包括五個(gè)可能的診斷和七個(gè)后續(xù)步驟），然后結(jié)合自己的判斷形成最終診斷。

2. AI-second組：醫(yī)生先獨(dú)立完成診斷（可以使用傳統(tǒng)資源如UpToDate、PubMed等），再將病例和自己的初步診斷輸入AI系統(tǒng)，AI會(huì)生成獨(dú)立分析并與醫(yī)生的診斷進(jìn)行整合，生成一份綜合報(bào)告。

3. 對(duì)照組：醫(yī)生僅使用傳統(tǒng)資源完成診斷，不與AI互動(dòng)。

實(shí)驗(yàn)使用了六個(gè)基于真實(shí)患者的臨床病例，涵蓋了復(fù)雜診斷場(chǎng)景。

每個(gè)病例包含病史、體檢和實(shí)驗(yàn)室檢查結(jié)果，醫(yī)生需要提供三個(gè)可能的診斷、支持和反對(duì)的證據(jù)、最終診斷及三個(gè)后續(xù)步驟。

研究通過19分制的評(píng)分系統(tǒng)評(píng)估診斷的準(zhǔn)確性，評(píng)分由兩位內(nèi)科認(rèn)證醫(yī)生獨(dú)立完成，且評(píng)分者不知道答案來自醫(yī)生還是AI，以確保公平。

AI系統(tǒng)的核心設(shè)計(jì)在于協(xié)作。

它不僅生成自己的診斷，還會(huì)對(duì)比醫(yī)生和AI的判斷，生成一份綜合報(bào)告，清晰列出雙方提出的診斷、共識(shí)點(diǎn)、分歧點(diǎn)，并對(duì)每個(gè)診斷提供評(píng)論。

這種設(shè)計(jì)旨在激發(fā)醫(yī)生的批判性思考，而非簡(jiǎn)單依賴AI的輸出。

研究結(jié)果：

AI顯著提升診斷準(zhǔn)確性

研究結(jié)果令人振奮，AI協(xié)作組的醫(yī)生表現(xiàn)明顯優(yōu)于僅使用傳統(tǒng)工具的對(duì)照組。

診斷準(zhǔn)確性：

• 對(duì)照組（傳統(tǒng)工具）：平均得分75%。

• AI-first組：平均得分85%，比對(duì)照組高9.8%（p<0.0004）。

• AI-second組：平均得分82%，比對(duì)照組高6.8%（p<0.00001）。

• AI單獨(dú)運(yùn)行：平均得分90%，略高于協(xié)作組但差異不顯著。
  

醫(yī)生和AI協(xié)作后，雖然沒超過AI單獨(dú)水平，卻比醫(yī)生單打獨(dú)斗強(qiáng)。這說明，AI能補(bǔ)全人類思維的漏洞。

在最終診斷和后續(xù)步驟（即臨床上可操作的決策）方面，AI-first比AI-second組表現(xiàn)更好（高8.9%，p=0.026）。

AI-second相較于對(duì)照組在這些決策上的得分提升了14.9%（p=0.00092），其中36%的病例在與AI互動(dòng)后有所提高。

AI-first完成每個(gè)病例的平均時(shí)間為631秒，略快于AI-second的688秒。在剔除未嚴(yán)格遵循流程的病例后，AI-first的優(yōu)勢(shì)更明顯。

所有醫(yī)生在試驗(yàn)后對(duì)AI的態(tài)度顯著改善，98.6%表示愿意在復(fù)雜臨床推理中使用AI（試驗(yàn)前為91.4%，p=0.011）。

為什么AI當(dāng)隊(duì)友更厲害？

信息過載與遺漏：臨床診斷就像拼拼圖，每個(gè)病例可能包含幾十條線索。

醫(yī)生很容易漏掉某個(gè)實(shí)驗(yàn)室指標(biāo)（比如「血清LDH升高」提示細(xì)胞破壞），但AI能瞬間掃描所有數(shù)據(jù)，精準(zhǔn)關(guān)聯(lián)高LDH+巨幼細(xì)胞貧血可能指向骨髓增生異常綜合征。

經(jīng)驗(yàn)依賴的陷阱：資深醫(yī)生容易被典型病例固化思維。

比如看到老年女性、乏力、舌炎，可能優(yōu)先考慮缺鐵性貧血，但AI會(huì)跳出經(jīng)驗(yàn)框架，提出維生素B12缺乏或甲狀腺功能減退的可能性。

決策鏈的邏輯性：AI的診斷報(bào)告就像思維流程圖：先列出3個(gè)最可能的診斷，再用支持證據(jù)和反對(duì)證據(jù)逐條論證，最后給出3個(gè)下一步檢查建議。

AI的「人性化改造」

為了讓AI更懂醫(yī)生，研究團(tuán)隊(duì)給它加了三個(gè)補(bǔ)丁。

1. 會(huì)「吵架」的批判性思維：當(dāng)醫(yī)生的診斷和AI不一致時(shí)，AI不會(huì)直接服從，而是會(huì)說：「您提到的原發(fā)性膽汁性膽管炎可能性較低，因?yàn)榛颊呷狈δ懼俜e的證據(jù)，但需要注意罕見變異型。」

這種挑戰(zhàn)不是對(duì)抗，而是逼醫(yī)生重新審視自己的邏輯漏洞。

2.能「翻譯」的溝通能力：傳統(tǒng)AI輸出的是學(xué)術(shù)化的語言，但實(shí)驗(yàn)中的AI會(huì)用口語化表達(dá)：「目前看，真性紅細(xì)胞增多癥是最可能的，但淋巴瘤不能完全排除，建議先查血清EPO水平和骨髓活檢。」

這種說人話的能力，讓醫(yī)生更容易理解和接受。

3.可「追溯」的透明化決策：每個(gè)診斷結(jié)論，AI都會(huì)標(biāo)注證據(jù)來源，比如「支持淋巴瘤的證據(jù)是瘙癢和尿酸升高（引用文獻(xiàn)X），反對(duì)證據(jù)是缺乏淋巴結(jié)腫大（引用指南Y）。」

這解決了醫(yī)生對(duì)AI黑箱決策的不信任感，讓協(xié)作建立在可驗(yàn)證的基礎(chǔ)上。

AI的「錨定效應(yīng)」

研究發(fā)現(xiàn)，AI-second組中，AI的獨(dú)立分析有時(shí)會(huì)受到醫(yī)生初步診斷的影響。

實(shí)驗(yàn)中有個(gè)有趣的細(xì)節(jié)：AI-second組中，48%的病例中AI的診斷和醫(yī)生初始意見完全重疊，而AI-first組僅為3%。

說明如果醫(yī)生先入為主給出思路，AI可能會(huì)「迎合」人類判斷，未能完全遵循獨(dú)立分析的指令。

比如，有個(gè)病例中醫(yī)生誤判缺鐵性貧血，AI在后續(xù)分析中居然也把這個(gè)診斷放在了第一位。盡管按照數(shù)據(jù)，維生素B12缺乏才是更合理的方向。

這意味著，AI的批判性依賴于獨(dú)立思考的空間，一旦被人類思維錨定，反而會(huì)降低協(xié)作價(jià)值。

但反過來，當(dāng)AI先發(fā)言時(shí)，醫(yī)生會(huì)更主動(dòng)地挑戰(zhàn)它的結(jié)論。

有位住院醫(yī)師在看到AI提出骨髓瘤時(shí)，立刻反駁：患者沒有骨痛和蛋白尿，這個(gè)診斷可能性太低，并最終通過追問病史排除了這一方向。

這種「對(duì)抗性協(xié)作」，反而激發(fā)了更深入的臨床推理。

參考資料：

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

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