从顺序诊断测试到临床：医疗AI还需要证明什么

微软10月22日公布MAI-DxO诊断系统研究进展，并称论文已发表于《科学》。复杂病例测试中，系统准确率为83%，医生使用参考资料时为36%；急诊病例测试分别为80%和47%。¹这些数字描述特定测试，不是医院日常误诊率的比较。

AI生成示意图：人工智能辅助诊断研究与证据核验，非真实临床现场。

AI生成示意图：人工智能辅助诊断研究与证据核验，非真实临床现场。

不只是答对，还要决定下一步问什么

医疗问答考试通常把必要材料放在题目里；真实诊断的难处之一，却是决定还缺什么。SDBench把病例拆成互动过程：被测试者先看到有限摘要，再选择询问、检查或提交诊断。负责提供信息的模型按请求返回病例内容；原记录没有某项结果时，可以生成与病例相符的模拟结果。最后由另一模型对照参考诊断评分。²

这一设计让研究可以观察信息获取路径，而非只看最终答案。不过，模拟结果不是对患者新做的检查。若系统在模拟环境中选择了一条有效路径，仍需证明真实医院能及时取得相应信息，且信息质量没有改变判断。研究把测试做得更接近诊断过程，不等于已经完整复制诊疗现场。

研究作者此前公开的稿件介绍，复杂病例集包含304个《新英格兰医学杂志》病例。³这种精选病例能检验疑难推理，却不能直接代表所有门诊患者。把不同病例集的成绩分开报告很重要：一个平均数无法同时回答常见疾病、罕见疾病和紧急情况中的表现。

比较AI与医生独立作答，和验证医生使用AI后的表现，是两个问题。前者用于判断系统能力，后者才更接近辅助工具的使用方式。医生可能识别并纠正错误，也可能因系统回答流畅而过早接受结论；这里列出的是需要测试的风险，并非这项研究已经观察到的临床结果。

美、英、加监管机构2021年提出的机器学习医疗器械原则，强调有代表性的数据、独立测试，以及人机团队在临床相关条件下的表现。⁴用于理解这次研究，这意味着下一轮评价不能只重复一张准确率榜单，还应记录谁采纳了建议、何时推翻建议，以及有分歧时最终如何处置。原则本身不是对MAI-DxO的批准或认证。

同样，答错一个复杂病例与漏掉一个需要立即处理的危险情况，后果可能不同。临床评价应预先说明错误的类型、严重程度与升级处理方式。否则，即使平均分提高，也无法知道安全性是否在最关键的环节改善。

公开代码允许按检查项目估价，并说明论文使用了以医院公开收费表为依据的成本计算；模型直接估价和收费表匹配估价并不相同。²因此，费用比较首先是在给定计算方法下比较诊断路径，不是证明患者实际支付金额或整个医疗系统开支已经下降。

从经济机制看，少做一次没有价值的检查可能节省资源；但若节省来自漏做必要检查，后续治疗成本反而可能增加。还需考虑部署、人工复核、重复就诊与异常处理。这里只能提出需要核算的项目，不能把它们写成已经发生的收益或损失。

SDBench代码公开，不代表所有病例可以任意下载：NEJM资料需要许可，MIMIC数据有相应访问条件；仓库附带的五个完全合成病例用于开发测试，不应用来报告诊断表现。²这一区别关系到复现是否真正使用同一批数据与同一设置，而不只是运行了同名软件。

微软计划与波士顿贝斯以色列女执事医疗中心开展前瞻性研究。¹在这类研究给出结果以前，最有价值的下一步不是把“超过医生”推广到所有临床场景，而是明确适用人群、工作流程和失败时的责任边界。诊断推理有进步，与患者最终获得更安全、更及时的照护，是需要分别证明的两件事。

2026-10-22 · Microsoft AI，MAI Health Team · Building Medical Superintelligence（译名：构建医疗超级智能）。 ↩ ↩²
访问于2026-10-23 · Microsoft · SDBench: Sequential Diagnosis Benchmark（译名：SDBench：顺序诊断基准） · MIT许可。官方项目页列出的论文为《Sequential Diagnosis with Language Models》，Science，2026，DOI：10.1126/science.aeh7930。 ↩ ↩² ↩³
稿件日期2025-11-08 · Harsha Nori等 · Sequential Diagnosis with Language Models（译名：使用语言模型进行顺序诊断） · 作者公开稿，仅用于方法背景，不视为2026年发表版本全文。 ↩
2021-10 · FDA、Health Canada、MHRA · Good Machine Learning Practice for Medical Device Development: Guiding Principles（译名：医疗器械开发的良好机器学习实践：指导原则）。 ↩