微软AI诊断工具采用分步推理，疑难病例准确率超全科医生两倍，《Science》刊发研究

文/IAICA.NGO®

微软AI健康团队公布的一项研究显示，其开发的诊断工具在疑难病例上的准确率超过全科医生两倍以上。相关论文已于周四发表在学术期刊《Science》上。该系统的核心思路是通过分阶段推理完成诊断，复现医生问诊的真实路径，与多数“一次性读数”的医疗AI形成区别。

模拟专家会诊的“编排器”

该工具的核心是一个被称为“编排器”（orchestrator）的模块，作用类似由多名临床专家组成的模拟会诊小组。其工作流程分为数步：先判断应当向患者追问哪些病史细节，再决定开具哪些检查项目，随后对检查结果进行复核解读，并在整个过程中持续更新鉴别诊断假设。研究团队称，这种“边问、边查、边修正”的方式，使模型能够在信息不完整时主动获取关键证据，而不是被动等待全部数据齐备。

这一设计与当前主流的医疗AI形成明显对照。现有系统多将症状、化验值与影像学结果同时输入，由模型进行单轮匹配和概率排序，本质上是“给出答案”；微软的方案更接近“执行流程”，属于医疗智能体（agentic AI）思路的一种落地形态。

测试设计与主要结果

论文显示，模型在300余例高度罕见且极易混淆的病例上接受了测试，对照组的全科医生在诊断过程中被允许查阅教科书与互联网资源。结果显示，该工具的准确率是对照医生的两倍以上。此外，在取自大型急诊入院数据库的场景中，模型的表现同样优于人类医生。研究还发现，由编排器规划的检查组合，其总体费用低于人类医生开具的同类方案。

主导该项目的微软AI健康部门负责人多米尼克·金（Dominic King）对既有评测方式提出批评：过去的测试大多依赖选择题式的标准化问答，与真实诊室情境相去甚远。“没有哪位病人是带着一份整理好的病例摘要来找我看病的。”他说。

从“考试高分”到“临床可用”

过去数年间，医疗AI的公开评测大多集中在医学执照考试题库上，模型分数逐年攀升，但学界长期质疑“考试能力不等于临床能力”：真实诊疗中，关键信息往往缺失、矛盾甚至具有误导性，医生的价值很大程度体现在决定“下一步问什么、查什么”。分步推理与工具调用被视为缩小这一落差的主要路径之一，此次研究提供的正是该方向上的量化证据。

但研究本身的边界同样清晰。样本集中于疑难病例，属于“难题集”评测，而非连续入组的真实门诊人群；研究衡量的是诊断结论与检查方案，尚未涉及误诊的实际代价、过度检查风险、模型幻觉率，以及在多病共存、老年照护等复杂场景中的长期安全性。将单次研究结果直接等同于临床替代能力，仍缺乏依据。

下一步验证与商业化节奏

研究团队表示，接下来将与波士顿的贝斯以色列女执事医疗中心（Beth Israel Deaconess Medical Center）合作，把该工具用于急诊科候诊区的患者分诊测试。分诊环节信息高度不完整、时间压力大，被普遍认为是大模型能力与风险同时暴露的场景。

在商业层面，这一研究成果短期内不太可能对微软股价形成直接推动；但在最近一次财报电话会上，公司称本自然年内有望自动化超过一亿人次的患者就诊交互，显示其医疗健康业务的重心正从工具提供转向流程承接。对医疗机构而言，这意味着采购决策的评估对象正在从“单点算法精度”变为“端到端工作流的可靠性与责任边界”。

iaica.com.cn 指出，分诊、病史采集与病历整理是照护链条中人力最为紧张、也最容易被自动化的环节，评估此类系统时应把安全性、可解释性与临床工作流的嵌合度置于单点准确率之前，并在真实世界环境中完成前瞻性验证，再讨论规模化部署。

值得关注的是，此类系统的落地还将牵动监管与伦理议题：当模型参与检查决策，谁为漏诊负责、训练数据如何覆盖不同年龄与族裔人群、医生在多大程度上保留最终判断权，都需在试点阶段同步明确。技术指标的领先只是起点，能否在真实照护场景中稳定复现，才是决定其价值的关键。

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。