摘要：医生看病不是看一眼症状就按答案键，而是边问、边检查、边修正判断。微软10月22日发表的新研究，让AI也参加这种“分步诊断考试”；成绩醒目，但考场还不是医院。

医生看病不是看一眼症状就按答案键，而是边问、边检查、边修正判断。微软10月22日发表的新研究，让AI也参加这种“分步诊断考试”；成绩醒目，但考场还不是医院。

文｜最极客

有些病情一开始并不“像教科书”：一个症状可能对应几种原因，医生得先问清楚，再决定要不要做检查。微软的新研究把这段过程搬进AI测试：系统不能直接看完整答案，而要像接诊一样，一步步请求信息、选择检查，再根据新线索调整判断。

在这套考题里，病例信息不会一开始全部摊开。系统需要主动请求病史或检查结果，评测程序再按规则给出相应线索；它必须为下一步花时间和成本，而不是把所有化验单都当成免费的提示卡。

微软10月22日宣布，相关论文当天发表于《Science》。研究介绍了一个名为SDBench的分步诊断基准，以及诊断协调系统MAI-DxO。简单说，SDBench像一套模拟考题，MAI-DxO则像一个会安排“下一步该问什么”的AI团队。

时间线也要交代清楚：这项研究并非本周才首次公开，作者团队在2025年6月已把早期版本放上arXiv。10月22日的新进展，是经过同行评审的论文正式发表于《Science》，并在公司公布的研究结果中增加了较常见急诊病例的评估；它是研究更新，不是突然冒出的临床产品。

这项消息值得看，不是因为“AI医生已经来了”，而是因为它把测验方式往真实看诊流程推进了一步。过去不少AI医学测试，会把整理好的病历一次性递给模型，再让它选一个病名；这次则让系统面对不完整信息，自己决定下一步。

像侦探一样，一条线索一条线索找

MAI-DxO不是一个模型独自作答的简单问答框。微软描述的系统会协调多个AI角色，模拟问诊、提出检查建议，并围绕可能诊断进行推理；它还要考虑检查的成本，而不是把所有检查都点一遍。

这有点像侦探办案：先听到有限线索，再决定问谁、查什么，得到新信息后重新判断。类比只是为了说明“分步决策”，并不表示AI真的理解患者处境，更不意味着研究者让它在医院里接触了患者。

测试集包含304个来自《新英格兰医学杂志》病例讨论的复杂病例，以及一组来自MIMIC-IV-ED数据库的急诊病例。后者让研究人员能观察系统面对较常见急诊情形时的表现；两类考题都以文本交互方式模拟，不能等同于把一套AI放进诊室。

在复杂病例测试中，微软报告MAI-DxO的诊断准确率约83%，参与比较的全科及内科医生使用教科书和互联网资料时约36%；医生不使用外部资料时约22%。在急诊病例上，系统约80%，医生约47%。这些数字来自不同病例集，不能混在一起理解成“所有看病场景都提高了某个固定比例”。

83%听起来很高，考场条件同样重要

最容易被标题省掉的一句是：这是一场历史病例的模拟测试。系统读到的是整理成文字的病情线索，不是一个会停顿、漏说信息、表情痛苦，或需要现场检查的真实患者。

对照组也不是“所有医生”。复杂病例通常可能由专科医生或多学科团队处理；微软与媒体报道都说明，这次比较的医生主要是单独工作的全科医生或内科医生，并没有把专家团队放进同一场对照考试。

因此，准确率的差距说明系统在这套题目和规则下表现突出，不足以证明它在医院里比医生更安全、更有效。病例测试关注最终诊断是否与既有答案一致，也无法完整呈现沟通、体检、患者偏好、急救优先级等真实医疗环节。

另一个值得注意的点是“检查成本”。研究同时考察系统选择问题和检查的方式；微软称，加入成本限制后仍能保持一定准确率。但成本模型、检查价格和医疗流程会随医院、地区而变化，不能据此直接推算普通患者能省多少钱。

它离真正的诊室，还隔着临床验证

对患者来说，AI辅助诊断最有希望的价值，不一定是机器直接告诉你“得了什么病”，而是帮助医生更快整理复杂信息、提醒可能遗漏的线索，或为资源紧张的地方提供额外参考。前提是这些建议在真实工作流里有用，而且不会增加新的误诊风险。

微软表示，下一步计划与波士顿一家医院开展前瞻性临床研究，在医院环境中比较AI评估与医生判断。注意“计划研究”不等于已经验证；真正有说服力的结果，要看研究对象、执行流程、错误类型、对患者结局的影响，以及不同医院能否复现。

如果AI把一种罕见病排到很前面，却漏掉需要立刻处理的常见急症，单看“猜中最终病名”的总分就不够。医疗系统还要知道什么时候应该追问、什么时候应请医生接手、什么时候不能把不确定说成确定。

这次研究把AI医学从“背答案”推向“边问边判断”，是可核实的进展；但它目前证明的是一项模拟评测成绩，而不是AI可以独立看病。对普通人而言，暂时最实用的结论很简单：看诊仍找医生，AI研究值得关注，但不要把论文排行榜当成健康建议。