1. 首頁 > 生活百科 > >

98%醫生點贊的AI隊友，斯坦福實驗揭秘：診斷準確率飆升10%

斯坦福人工智能ai互聯網醫療

98%醫生點贊的AI隊友，斯坦福實驗揭秘：診斷準確率飆升10%

文章圖片

98%醫生點贊的AI隊友，斯坦福實驗揭秘：診斷準確率飆升10%

文章圖片

98%醫生點贊的AI隊友，斯坦福實驗揭秘：診斷準確率飆升10%

文章圖片

98%醫生點贊的AI隊友，斯坦福實驗揭秘：診斷準確率飆升10%

文章圖片

98%醫生點贊的AI隊友，斯坦福實驗揭秘：診斷準確率飆升10%

AI從醫療工具變身為協作隊友 ， 斯坦福大學研究揭示：醫生診斷準確率竟飆升10%！70名美國執業醫生參與的真實測試 ， AI-first、AI-second與傳統診斷 ， 誰能更精準破解臨床謎題？
你敢讓AI幫你看病嗎？
斯坦福大學的一群醫生和工程師 ， 最近做了一項研究：讓AI和人類醫生組隊 ， 共同破解復雜的診斷難題 。
論文鏈接：https://www.medrxiv.org/content/10.1101/2025.06.07.25329176v1.full.pdf
結果讓人驚訝：當AI從「工具」變成「隊友」 ， 醫生的診斷準確率直接飆升了10% 。
【98%醫生點贊的AI隊友，斯坦福實驗揭秘：診斷準確率飆升10%】網友驚嘆：顛覆的臨界點即將到來！
「充滿熱情的醫生加上AI將勢不可擋 。 」
「AI驅動的臨床決策支持 ， 仍然是該領域最有力的杠桿之一 。 」
還有人表示 ， 「對于一個背負數十萬美元債務的醫生來說 ， 這種發現有點令人害怕 。 這還只是用GPT 4 ， 無法想象o3會有多厲害 。 」

AI當醫生 ， 搶飯碗還是遞扳手？過去幾年 ， AI在醫療領域的存在感越來越強 ， 從影像識別到藥物研發 。
但醫生把它當搜索工具 ， 用來查指南、找文獻 ， 卻不敢真正把它當作「搭檔」 。
為什么會這樣？斯坦福的研究團隊發現 ， 關鍵問題出在交互模式上 。
早期的AI就像個沉默的助手 ， 醫生輸入問題 ， 它輸出答案 。
這導致醫生很難信任AI的判斷 ， 甚至出現過「醫生用AI輔助診斷 ， 結果反而比AI單獨診斷更差」的情況 。
于是 ， 他們決定做一個顛覆性實驗：把AI變成會討論的隊友 。
實驗設計很巧妙：讓醫生和AI各自先獨立分析病例 ， 然后AI生成一份聯合報告 ， 不僅列出雙方的共識和分歧 ， 還會像資深醫生一樣點評每個診斷的合理性 。
比如 ， 當醫生考慮真性紅細胞增多癥 ， AI會補充低EPO水平支持這一診斷 ， 但需排除罕見的EPO分泌腫瘤 。
當醫生漏掉淋巴瘤的可能性 ， AI會提醒瘙癢和尿酸升高可能是這個方向 。
團隊基于GPT-4開發了一款定制化的AI系統 ， 設計了兩種協作工作流程 ， 分別測試AI-first和AI-second時的效果 。
70名美國執業的內科或家庭科醫生參與了這項試驗 ， 他們被隨機分配到以下三種組別之一：









































AI-first組：醫生首先輸入病例信息 ， 查看AI生成的診斷建議（包括五個可能的診斷和七個后續步驟） ， 然后結合自己的判斷形成最終診斷 。AI-second組：醫生先獨立完成診斷（可以使用傳統資源如UpToDate、PubMed等） ， 再將病例和自己的初步診斷輸入AI系統 ， AI會生成獨立分析并與醫生的診斷進行整合 ， 生成一份綜合報告 。對照組：醫生僅使用傳統資源完成診斷 ， 不與AI互動 。實驗使用了六個基于真實患者的臨床病例 ， 涵蓋了復雜診斷場景 。每個病例包含病史、體檢和實驗室檢查結果 ， 醫生需要提供三個可能的診斷、支持和反對的證據、最終診斷及三個后續步驟 。研究通過19分制的評分系統評估診斷的準確性 ， 評分由兩位內科認證醫生獨立完成 ， 且評分者不知道答案來自醫生還是AI ， 以確保公平 。AI系統的核心設計在于協作 。它不僅生成自己的診斷 ， 還會對比醫生和AI的判斷 ， 生成一份綜合報告 ， 清晰列出雙方提出的診斷、共識點、分歧點 ， 并對每個診斷提供評論 。這種設計旨在激發醫生的批判性思考 ， 而非簡單依賴AI的輸出 。研究結果：AI顯著提升診斷準確性 研究結果令人振奮 ， AI協作組的醫生表現明顯優于僅使用傳統工具的對照組 。診斷準確性： 對照組（傳統工具）：平均得分75% 。AI-first組：平均得分85% ， 比對照組高9.8%（p AI-second組：平均得分82% ， 比對照組高6.8%（p AI單獨運行：平均得分90% ， 略高于協作組但差異不顯著 。醫生和AI協作后 ， 雖然沒超過AI單獨水平 ， 卻比醫生單打獨斗強 。 這說明 ， AI能補全人類思維的漏洞 。在最終診斷和后續步驟（即臨床上可操作的決策）方面 ， AI-first比AI-second組表現更好（高8.9% ， p=0.026） 。AI-second相較于對照組在這些決策上的得分提升了14.9%（p=0.00092） ， 其中36%的病例在與AI互動后有所提高 。AI-first完成每個病例的平均時間為631秒 ， 略快于AI-second的688秒 。 在剔除未嚴格遵循流程的病例后 ， AI-first的優勢更明顯 。所有醫生在試驗后對AI的態度顯著改善 ， 98.6%表示愿意在復雜臨床推理中使用AI（試驗前為91.4% ， p=0.011） 。為什么AI當隊友更厲害？ 信息過載與遺漏：臨床診斷就像拼拼圖 ， 每個病例可能包含幾十條線索 。醫生很容易漏掉某個實驗室指標（比如「血清LDH升高」提示細胞破壞） ， 但AI能瞬間掃描所有數據 ， 精準關聯高LDH+巨幼細胞貧血可能指向骨髓增生異常綜合征 。經驗依賴的陷阱：資深醫生容易被典型病例固化思維 。比如看到老年女性、乏力、舌炎 ， 可能優先考慮缺鐵性貧血 ， 但AI會跳出經驗框架 ， 提出維生素B12缺乏或甲狀腺功能減退的可能性 。決策鏈的邏輯性：AI的診斷報告就像思維流程圖：先列出3個最可能的診斷 ， 再用支持證據和反對證據逐條論證 ， 最后給出3個下一步檢查建議 。AI的「人性化改造」 為了讓AI更懂醫生 ， 研究團隊給它加了三個補丁 。1. 會「吵架」的批判性思維：當醫生的診斷和AI不一致時 ， AI不會直接服從 ， 而是會說：「您提到的原發性膽汁性膽管炎可能性較低 ， 因為患者缺乏膽汁淤積的證據 ， 但需要注意罕見變異型 。 」 這種挑戰不是對抗 ， 而是逼醫生重新審視自己的邏輯漏洞 。2.能「翻譯」的溝通能力：傳統AI輸出的是學術化的語言 ， 但實驗中的AI會用口語化表達：「目前看 ， 真性紅細胞增多癥是最可能的 ， 但淋巴瘤不能完全排除 ， 建議先查血清EPO水平和骨髓活檢 。 」 這種說人話的能力 ， 讓醫生更容易理解和接受 。3.可「追溯」的透明化決策：每個診斷結論 ， AI都會標注證據來源 ， 比如「支持淋巴瘤的證據是瘙癢和尿酸升高（引用文獻X） ， 反對證據是缺乏淋巴結腫大（引用指南Y） 。 」 這解決了醫生對AI黑箱決策的不信任感 ， 讓協作建立在可驗證的基礎上 。AI的「錨定效應」 研究發現 ， AI-second組中 ， AI的獨立分析有時會受到醫生初步診斷的影響 。實驗中有個有趣的細節：AI-second組中 ， 48%的病例中AI的診斷和醫生初始意見完全重疊 ， 而AI-first組僅為3% 。說明如果醫生先入為主給出思路 ， AI可能會「迎合」人類判斷 ， 未能完全遵循獨立分析的指令 。比如 ， 有個病例中醫生誤判缺鐵性貧血 ， AI在后續分析中居然也把這個診斷放在了第一位 。 盡管按照數據 ， 維生素B12缺乏才是更合理的方向 。這意味著 ， AI的批判性依賴于獨立思考的空間 ， 一旦被人類思維錨定 ， 反而會降低協作價值 。但反過來 ， 當AI先發言時 ， 醫生會更主動地挑戰它的結論 。有位住院醫師在看到AI提出骨髓瘤時 ， 立刻反駁：患者沒有骨痛和蛋白尿 ， 這個診斷可能性太低 ， 并最終通過追問病史排除了這一方向 。這種「對抗性協作」 ， 反而激發了更深入的臨床推理 。參考資料 https://x.com/emollick/status/1931907652118069510 https://www.medrxiv.org/content/10.1101/2025.06.07.25329176v1 本文來自微信公眾號“新智元” ， 作者：英智， 36氪經授權發布 。

    推薦閱讀