新华社柏林4月20日电　新闻分析｜理论知识不输专家，AI为何仍不能替代医生

新华社记者褚怡

头痛是不是脑梗的前兆？咳嗽要不要拍个片子？体检报告上的指标异常意味着什么？在去医院之前，越来越多人愿意先把健康问题抛给人工智能（AI）。输入症状、上传报告，几秒钟后，一份看似专业、条理清晰的分析便出现在屏幕上。对不少人来说，AI正在成为“24小时在线”的医学咨询窗口。但这真的意味着AI会看病吗？

标准化测试的“高分选手”

德国马尔堡大学等机构参与的团队近日发布的一项研究显示，在针对急性肾损伤的标准化知识测试中，多款AI大语言模型平均得分高于接受测试的医学专业人员。

研究选取了13个公众可使用的大语言模型，并将其与123名志愿者的表现进行比较。志愿者是2025年德国内科学会年会参会人员，其中包括内科执业医生。

测试采用同一套急性肾损伤知识问卷，包含两个模拟病例和15道选择题。结果显示，接受测试的大语言模型平均答对约90%的题目，多个模型达到满分；志愿者答题正确率约48.7%，且人类答题时间明显长于大语言模型。

研究人员认为，这表明在标准化测试情境中，大语言模型已经能够较可靠地调取并应用符合指南的相关医学知识，具有为临床工作快速提供事实性信息的潜力。

年初发表于“施普林格-自然出版集团”旗下《Cureus》医学科学杂志的一项研究也显示，一些大语言模型在标准化医师资格测试中的表现可比肩专业人员。研究人员选取美国全国医学考试委员会题库中的105道选择题，对GPT-4 Turbo模型进行测试，其正确率高达90.99%。

临床过程的“推理短板”

标准化测试中的高分，并不意味着AI具备真实临床诊疗所需的判断力。美国麻省总医院布里格姆医疗中心等机构研究人员近日在《美国医学会杂志·网络开放》上发表研究说，大语言模型在临床推理方面的能力仍然不足，在相关数据收集齐全情况下，这些模型通常能给出较准确的最终诊断，但在病例早期、信息仍然匮乏时，它们往往不具备鉴别诊断的能力。

为还原真实临床过程，研究人员采取分步输入方式，评估了21个大语言模型对29个标准化临床案例的诊断情况。研究人员先输入患者年龄、性别和症状等基础信息，再补充体格检查和实验室结果。模型每个阶段表现由医学专业学生进行评估，并据此计算得分。

结果显示，所有受测试模型在超过80%的情景下都未能在病情尚未明确、信息仍不完整时给出恰当的鉴别诊断，即未能准确判断最可能的病因或排除严重疾病，并据此为下一步检查和排查提供可靠方向。

“鉴别诊断是临床推理的核心，也是目前AI尚无法复制的‘医学艺术’的基础。”研究论文通讯作者马克·苏奇说，现阶段AI在临床医学中的潜力，在于其能够辅助而非取代医生的推理过程。

哈佛大学医学院和斯坦福大学等机构研究人员年初在《自然-医学》杂志发表的一项研究也显示，大语言模型在标准化医学考试中表现优异，但在基于医患对话记录进行诊断时明显吃力。

研究论文通讯作者、哈佛大学医学院副教授普拉纳夫·拉杰普尔卡尔说，医疗对话具有动态性，需要在恰当时机提出恰当问题，将零散信息整合起来，并根据症状推理，这种独特挑战远非答题可比。“当场景从标准化测试转向自然对话时，即使是最先进的AI模型，诊断准确性也会显著下降。”

医生主导下的人机协作

既然AI还无法独立诊疗，它应当以何种身份进入医疗实践？在18日开幕的2026年德国内科学会年会上，德国杜伊斯堡－埃森大学人工智能医学研究所所长延斯·克莱西克说，随着AI的发展，医生与计算机的协作正在加强。数字系统不再只是提供支持，而是通过病例记录、协调流程等方式主动地介入医疗过程，“这将从根本上改变医疗服务”。他认为，要让AI真正发挥潜力，前提是高质量、结构化且可互操作的数据，以及足够可靠的技术基础设施。

但医生的主体责任并未因此削弱。克莱西克强调，人的因素仍至关重要，仍需要由具备医学专业能力、能够理解并合理使用AI技术的医生来推动和把关。

在医生主导下由人机协作开展医疗服务的效果已得到研究支持。斯坦福大学等机构研究人员近期在《自然合作期刊-数字医学》杂志上发表的一项随机对照试验显示，在经过设计的人机协作流程中，医生诊断准确性可由传统资源条件下的75%提高至80%以上。

专家强调，推动AI技术融入临床诊疗的同时须警惕伴随风险。美国密苏里大学医学院副教授法里斯·阿拉赫达卜认为，经验丰富的临床医生通常能够识别AI提供的错误建议，而医学学生和年轻医生往往缺乏相应的判断力，难以识别那些细微却可能致命的错误。

阿拉赫达卜指出，更隐蔽的风险在于，过度使用AI可能削弱医生的批判性思维。医生可能会在不知不觉中把推理过程“外包”给AI。模型给出的答案越流畅、越完整、越像是正确的，使用者就越可能放弃独立检索信息、批判性思考及知识整合。久而久之，那些本应持续训练的能力将逐渐退化。