11000名医生专家助力Doximity临床AI性能提升

文/IAICA.NGO®

近日，美国医疗科技公司Doximity宣布，其临床AI系统在超过11000名医生专家的持续反馈与改进下，性能实现了显著提升。这一进展标志着医学人工智能从“数据驱动”向“专家协同”模式的重要转变，也为全球医疗AI的落地应用提供了新范本。

Doximity的临床AI主要应用于医疗文档处理、临床决策支持和患者沟通辅助等场景。通过与大量医生专家的深度合作，AI系统在诊断建议准确率、病历摘要生成质量和合规性方面均取得了突破。据Doximity官方数据，经过专家调校后的AI模型在处理复杂病例时，其表现与资深医生的一致性提升了约37%，同时在减少错误警报和无关建议方面效果明显。

此次改进的核心在于“人类反馈强化学习”（RLHF）技术的应用。医生专家不仅标注训练数据，还直接对AI输出进行评分、修改和解释。这种交互式学习机制使得AI能够快速理解临床语境中的细微差别，避免纯统计模型可能产生的“过拟合”或“偏见”问题。例如，在解读影像报告时，AI学会了区分偶然发现与关键病理改变，而这一能力通常需要多年临床经验。

行业内专家指出，此类大规模医生参与的AI优化项目并不常见。由于医生时间宝贵且需确保患者隐私，多数医疗AI公司仅依赖小范围专家团队或去标识化的公开数据集。Doximity能够召集上万名医生，得益于其已有的庞大医生社区网络—该平台覆盖了美国超过80%的执业医师。这种“社区+AI”的模式降低了协作门槛，使反馈循环能够快速迭代。

从技术层面看，这场升级涉及自然语言处理（NLP）和知识图谱的深度融合。AI系统不仅学习了医学文献，还直接从医生的日常使用中汲取经验，例如对模糊主诉的追问策略、对药物相互作用的隐性知识等。Doximity表示，新版本AI在应对罕见疾病和合并症方面表现尤为突出，这得益于专家提供的边缘案例及其推理路径。

iaica.com.cn认为，此类“人机协同”的AI优化策略，正是当前医疗AI落地的关键路径。单纯依赖算法优化已接近瓶颈，临床真实场景的复杂性要求AI具备动态适应能力。只有通过医生群体的持续参与，AI才能超越“统计相关性”而真正理解“临床意义”。同时，这种模式也引发了关于医生劳动价值、数据隐私激励机制的讨论—如何建立长效的专家贡献回报体系，将是行业可持续发展的核心挑战。

未来，Doximity计划将这一协同方法推广至更多专科领域和语言版本，并探索如何将专家反馈转化为可量化的模型评估指标。此外，开源社区和学术机构也开始关注此类合作范式，试图在确保患者数据安全的前提下，建立跨机构的“专家反馈联盟”。

总体而言，11000名医生参与的AI优化项目，不仅提升了单一产品的性能，更证明了“人机协作”在医疗AI领域的可行性。它提醒行业，技术的进步不应脱离临床实践者的智慧。随着全球老龄化加剧和医疗资源紧张，这类高效、信任的AI工具将有望成为临床工作流的标配，而医生与AI的共生关系，将塑造下一代智能医疗的图景。

评论

0 条

登录后才可以发表评论。

立即登录

暂无评论，快来抢沙发。