科技日報北京4月13日電 （記者張佳欣）儘管人工智能（AI）在醫療領域的應用日益增多，但其“像醫生一樣思考”的能力仍存在明顯短板。由美國麻省總醫院MESH孵化器團隊開展的一項最新研究發現，生成式AI在臨牀推理關鍵環節仍顯不足，尚不具備獨立承擔臨牀診療任務的能力。相關成果發表在最新一期《JAMA Network Open》上。
團隊選取包括ChatGPT、DeepSeek、Claude、Gemini和Grok在內的21種大語言模型，在29個已發表的臨牀病例中進行測試，並通過逐步提供患者信息（從基本症狀到實驗室和影像結果）來模擬真實診療過程。結果顯示，當獲得完整信息時，所有模型在超過90%的案例中能給出正確的最終診斷。
然而，在關鍵的早期診斷階段，這些模型普遍表現欠佳。研究發現，超過80%的情況下，模型未能提出合理的“鑑別診斷”，即對多種可能疾病進行系統性分析與篩選。這一能力被認爲是臨牀推理的核心，也是醫生決策的重要基礎。
爲更全面評估模型能力，團隊提出了一種名爲PrIME-LLM的新指標，從提出潛在診斷、選擇檢查手段、給出最終診斷到制定治療方案等多個環節對模型進行綜合評價。結果顯示，各模型整體評分在64%至78%之間，表現存在明顯差異。
團隊指出，大語言模型更擅長在信息完備的情況下“給出答案”，但在信息不充分、需要開放性推理的情境中表現較弱。隨着實驗室數據和影像資料的加入，模型表現有所提升，且新一代模型整體優於舊版本，表明相關技術正在持續改進。
團隊表示，當前大語言模型尚不適合在缺乏監督的情況下直接用於臨牀實踐，其價值更在於輔助醫生決策，而非取而代之。
