新智元報道

　　編輯：英智

　　【新智元導讀】AI從醫療工具變身為協作隊友，斯坦福大學研究揭示：醫生診斷準確率竟飆升10%！70名美國執業醫生參與的真實測試，AI-first、AI-second與傳統診斷，誰能更精準破解臨床謎題？

　　你敢讓AI幫你看病嗎？

　　斯坦福大學的一群醫生和工程師，最近做了一項研究：讓AI和人類醫生組隊，共同破解復雜的診斷難題。

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

　　結果讓人驚訝：當AI從「工具」變成「隊友」，醫生的診斷準確率直接飆升了10%。

　　網友驚嘆：顛覆的臨界點即將到來！

　　「充滿熱情的醫生加上AI將勢不可擋。」

　　「AI驅動的臨床決策支持，仍然是該領域最有力的杠桿之一。」

　　還有人表示，「對于一個背負數十萬美元債務的醫生來說，這種發現有點令人害怕。這還只是用GPT 4，無法想象o3會有多厲害。」

　　AI當醫生，

　　搶飯碗還是遞扳手？

　　過去幾年，AI在醫療領域的存在感越來越強，從影像識別到藥物研發。

　　但醫生把它當搜索工具，用來查指南、找文獻，卻不敢真正把它當作「搭檔」。

　　為什么會這樣？斯坦福的研究團隊發現，關鍵問題出在交互模式上。

　　早期的AI就像個沉默的助手，醫生輸入問題，它輸出答案。

　　這導致醫生很難信任AI的判斷，甚至出現過「醫生用AI輔助診斷，結果反而比AI單獨診斷更差」的情況。

　　于是，他們決定做一個顛覆性實驗：把AI變成會討論的隊友。

　　實驗設計很巧妙：讓醫生和AI各自先獨立分析病例，然后AI生成一份聯合報告，不僅列出雙方的共識和分歧，還會像資深醫生一樣點評每個診斷的合理性。

　　比如，當醫生考慮真性紅細胞增多癥，AI會補充低EPO水平支持這一診斷，但需排除罕見的EPO分泌腫瘤。

　　當醫生漏掉淋巴瘤的可能性，AI會提醒瘙癢和尿酸升高可能是這個方向。

　　團隊基于GPT-4開發了一款定制化的AI系統，設計了兩種協作工作流程，分別測試AI-first和AI-second時的效果。

　　70名美國執業的內科或家庭科醫生參與了這項試驗，他們被隨機分配到以下三種組別之一：

　　AI-first組：醫生首先輸入病例信息，查看AI生成的診斷建議（包括五個可能的診斷和七個后續步驟），然后結合自己的判斷形成最終診斷。

　　AI-second組：醫生先獨立完成診斷（可以使用傳統資源如UpToDate、PubMed等），再將病例和自己的初步診斷輸入AI系統，AI會生成獨立分析并與醫生的診斷進行整合，生成一份綜合報告。

　　對照組：醫生僅使用傳統資源完成診斷，不與AI互動。

　　實驗使用了六個基于真實患者的臨床病例，涵蓋了復雜診斷場景。

　　每個病例包含病史、體檢和實驗室檢查結果，醫生需要提供三個可能的診斷、支持和反對的證據、最終診斷及三個后續步驟。

　　研究通過19分制的評分系統評估診斷的準確性，評分由兩位內科認證醫生獨立完成，且評分者不知道答案來自醫生還是AI，以確保公平。

　　AI系統的核心設計在于協作。

　　它不僅生成自己的診斷，還會對比醫生和AI的判斷，生成一份綜合報告，清晰列出雙方提出的診斷、共識點、分歧點，并對每個診斷提供評論。

　　這種設計旨在激發醫生的批判性思考，而非簡單依賴AI的輸出。

　　研究結果：

　　AI顯著提升診斷準確性

　　研究結果令人振奮，AI協作組的醫生表現明顯優于僅使用傳統工具的對照組。

　　診斷準確性：

　　對照組（傳統工具）：平均得分75%。

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

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

　　AI單獨運行：平均得分90%，略高于協作組但差異不顯著。

　　醫生和AI協作后，雖然沒超過AI單獨水平，卻比醫生單打獨斗強。這說明，AI能補全人類思維的漏洞。

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

　　AI-second相較于對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互動后有所提高。

　　AI-first完成每個病例的平均時間為631秒，略快于AI-second的688秒。在剔除未嚴格遵循流程的病例后，AI-first的優勢更明顯。

　　所有醫生在試驗后對AI的態度顯著改善，98.6%表示愿意在復雜臨床推理中使用AI（試驗前為91.4%，p=0.011）。

　　為什么AI當隊友更厲害？

　　信息過載與遺漏：臨床診斷就像拼拼圖，每個病例可能包含幾十條線索。

　　醫生很容易漏掉某個實驗室指標（比如「血清LDH升高」提示細胞破壞），但AI能瞬間掃描所有數據，精準關聯高LDH+巨幼細胞貧血可能指向骨髓增生異常綜合征。

　　經驗依賴的陷阱：資深醫生容易被典型病例固化思維。

　　比如看到老年女性、乏力、舌炎，可能優先考慮缺鐵性貧血，但AI會跳出經驗框架，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的診斷報告就像思維流程圖：先列出3個最可能的診斷，再用支持證據和反對證據逐條論證，最后給出3個下一步檢查建議。

　　AI的「人性化改造」

　　為了讓AI更懂醫生，研究團隊給它加了三個補丁。

　　1.會「吵架」的批判性思維：當醫生的診斷和AI不一致時，AI不會直接服從，而是會說：「您提到的原發性膽汁性膽管炎可能性較低，因為患者缺乏膽汁淤積的證據，但需要注意罕見變異型。」

　　這種挑戰不是對抗，而是逼醫生重新審視自己的邏輯漏洞。

　　2.能「翻譯」的溝通能力：傳統AI輸出的是學術化的語言，但實驗中的AI會用口語化表達：「目前看，真性紅細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，讓醫生更容易理解和接受。

　　3.可「追溯」的透明化決策：每個診斷結論，AI都會標注證據來源，比如「支持淋巴瘤的證據是瘙癢和尿酸升高（引用文獻X），反對證據是缺乏淋巴結腫大（引用指南Y）。」

　　這解決了醫生對AI黑箱決策的不信任感，讓協作建立在可驗證的基礎上。

　　AI的「錨定效應」

　　研究發現，AI-second組中，AI的獨立分析有時會受到醫生初步診斷的影響。

　　實驗中有個有趣的細節：AI-second組中，48%的病例中AI的診斷和醫生初始意見完全重疊，而AI-first組僅為3%。

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

　　比如，有個病例中醫生誤判缺鐵性貧血，AI在后續分析中居然也把這個診斷放在了第一位。盡管按照數據，維生素B12缺乏才是更合理的方向。

　　這意味著，AI的批判性依賴于獨立思考的空間，一旦被人類思維錨定，反而會降低協作價值。

　　但反過來，當AI先發言時，醫生會更主動地挑戰它的結論。

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

　　這種「對抗性協作」，反而激發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