云南龙网

  1. 首页 > 生活百科 > >

98%医生点赞的AI队友，斯坦福实验揭秘：诊断准确率飙升10%

斯坦福人工智能ai互联网医疗

98%医生点赞的AI队友，斯坦福实验揭秘：诊断准确率飙升10%

文章图片

98%医生点赞的AI队友，斯坦福实验揭秘：诊断准确率飙升10%

文章图片

98%医生点赞的AI队友，斯坦福实验揭秘：诊断准确率飙升10%

文章图片

98%医生点赞的AI队友，斯坦福实验揭秘：诊断准确率飙升10%

文章图片

98%医生点赞的AI队友，斯坦福实验揭秘：诊断准确率飙升10%

AI从医疗工具变身为协作队友 ， 斯坦福大学研究揭示：医生诊断准确率竟飙升10%！70名美国执业医生参与的真实测试 ， AI-first、AI-second与传统诊断 ， 谁能更精准破解临床谜题？
你敢让AI帮你看病吗？
斯坦福大学的一群医生和工程师 ， 最近做了一项研究：让AI和人类医生组队 ， 共同破解复杂的诊断难题 。
论文链接：https://www.medrxiv.org/content/10.1101/2025.06.07.25329176v1.full.pdf
结果让人惊讶：当AI从「工具」变成「队友」 ， 医生的诊断准确率直接飙升了10% 。
【98%医生点赞的AI队友，斯坦福实验揭秘：诊断准确率飙升10%】网友惊叹：颠覆的临界点即将到来！
「充满热情的医生加上AI将势不可挡 。 」
「AI驱动的临床决策支持 ， 仍然是该领域最有力的杠杆之一 。 」
还有人表示 ， 「对于一个背负数十万美元债务的医生来说 ， 这种发现有点令人害怕 。 这还只是用GPT 4 ， 无法想象o3会有多厉害 。 」

AI当医生 ， 抢饭碗还是递扳手？过去几年 ， AI在医疗领域的存在感越来越强 ， 从影像识别到药物研发 。
但医生把它当搜索工具 ， 用来查指南、找文献 ， 却不敢真正把它当作「搭档」 。
为什么会这样？斯坦福的研究团队发现 ， 关键问题出在交互模式上 。
早期的AI就像个沉默的助手 ， 医生输入问题 ， 它输出答案 。
这导致医生很难信任AI的判断 ， 甚至出现过「医生用AI辅助诊断 ， 结果反而比AI单独诊断更差」的情况 。
于是 ， 他们决定做一个颠覆性实验：把AI变成会讨论的队友 。
实验设计很巧妙：让医生和AI各自先独立分析病例 ， 然后AI生成一份联合报告 ， 不仅列出双方的共识和分歧 ， 还会像资深医生一样点评每个诊断的合理性 。
比如 ， 当医生考虑真性红细胞增多症 ， AI会补充低EPO水平支持这一诊断 ， 但需排除罕见的EPO分泌肿瘤 。
当医生漏掉淋巴瘤的可能性 ， AI会提醒瘙痒和尿酸升高可能是这个方向 。
团队基于GPT-4开发了一款定制化的AI系统 ， 设计了两种协作工作流程 ， 分别测试AI-first和AI-second时的效果 。
70名美国执业的内科或家庭科医生参与了这项试验 ， 他们被随机分配到以下三种组别之一：









































AI-first组：医生首先输入病例信息 ， 查看AI生成的诊断建议（包括五个可能的诊断和七个后续步骤） ， 然后结合自己的判断形成最终诊断 。AI-second组：医生先独立完成诊断（可以使用传统资源如UpToDate、PubMed等） ， 再将病例和自己的初步诊断输入AI系统 ， AI会生成独立分析并与医生的诊断进行整合 ， 生成一份综合报告 。对照组：医生仅使用传统资源完成诊断 ， 不与AI互动 。实验使用了六个基于真实患者的临床病例 ， 涵盖了复杂诊断场景 。每个病例包含病史、体检和实验室检查结果 ， 医生需要提供三个可能的诊断、支持和反对的证据、最终诊断及三个后续步骤 。研究通过19分制的评分系统评估诊断的准确性 ， 评分由两位内科认证医生独立完成 ， 且评分者不知道答案来自医生还是AI ， 以确保公平 。AI系统的核心设计在于协作 。它不仅生成自己的诊断 ， 还会对比医生和AI的判断 ， 生成一份综合报告 ， 清晰列出双方提出的诊断、共识点、分歧点 ， 并对每个诊断提供评论 。这种设计旨在激发医生的批判性思考 ， 而非简单依赖AI的输出 。研究结果：AI显著提升诊断准确性 研究结果令人振奋 ， AI协作组的医生表现明显优于仅使用传统工具的对照组 。诊断准确性： 对照组（传统工具）：平均得分75% 。AI-first组：平均得分85% ， 比对照组高9.8%（p AI-second组：平均得分82% ， 比对照组高6.8%（p AI单独运行：平均得分90% ， 略高于协作组但差异不显著 。医生和AI协作后 ， 虽然没超过AI单独水平 ， 却比医生单打独斗强 。 这说明 ， AI能补全人类思维的漏洞 。在最终诊断和后续步骤（即临床上可操作的决策）方面 ， AI-first比AI-second组表现更好（高8.9% ， p=0.026） 。AI-second相较于对照组在这些决策上的得分提升了14.9%（p=0.00092） ， 其中36%的病例在与AI互动后有所提高 。AI-first完成每个病例的平均时间为631秒 ， 略快于AI-second的688秒 。 在剔除未严格遵循流程的病例后 ， AI-first的优势更明显 。所有医生在试验后对AI的态度显著改善 ， 98.6%表示愿意在复杂临床推理中使用AI（试验前为91.4% ， p=0.011） 。为什么AI当队友更厉害？ 信息过载与遗漏：临床诊断就像拼拼图 ， 每个病例可能包含几十条线索 。医生很容易漏掉某个实验室指标（比如「血清LDH升高」提示细胞破坏） ， 但AI能瞬间扫描所有数据 ， 精准关联高LDH+巨幼细胞贫血可能指向骨髓增生异常综合征 。经验依赖的陷阱：资深医生容易被典型病例固化思维 。比如看到老年女性、乏力、舌炎 ， 可能优先考虑缺铁性贫血 ， 但AI会跳出经验框架 ， 提出维生素B12缺乏或甲状腺功能减退的可能性 。决策链的逻辑性：AI的诊断报告就像思维流程图：先列出3个最可能的诊断 ， 再用支持证据和反对证据逐条论证 ， 最后给出3个下一步检查建议 。AI的「人性化改造」 为了让AI更懂医生 ， 研究团队给它加了三个补丁 。1. 会「吵架」的批判性思维：当医生的诊断和AI不一致时 ， AI不会直接服从 ， 而是会说：「您提到的原发性胆汁性胆管炎可能性较低 ， 因为患者缺乏胆汁淤积的证据 ， 但需要注意罕见变异型 。 」 这种挑战不是对抗 ， 而是逼医生重新审视自己的逻辑漏洞 。2.能「翻译」的沟通能力：传统AI输出的是学术化的语言 ， 但实验中的AI会用口语化表达：「目前看 ， 真性红细胞增多症是最可能的 ， 但淋巴瘤不能完全排除 ， 建议先查血清EPO水平和骨髓活检 。 」 这种说人话的能力 ， 让医生更容易理解和接受 。3.可「追溯」的透明化决策：每个诊断结论 ， AI都会标注证据来源 ， 比如「支持淋巴瘤的证据是瘙痒和尿酸升高（引用文献X） ， 反对证据是缺乏淋巴结肿大（引用指南Y） 。 」 这解决了医生对AI黑箱决策的不信任感 ， 让协作建立在可验证的基础上 。AI的「锚定效应」 研究发现 ， AI-second组中 ， AI的独立分析有时会受到医生初步诊断的影响 。实验中有个有趣的细节：AI-second组中 ， 48%的病例中AI的诊断和医生初始意见完全重叠 ， 而AI-first组仅为3% 。说明如果医生先入为主给出思路 ， AI可能会「迎合」人类判断 ， 未能完全遵循独立分析的指令 。比如 ， 有个病例中医生误判缺铁性贫血 ， AI在后续分析中居然也把这个诊断放在了第一位 。 尽管按照数据 ， 维生素B12缺乏才是更合理的方向 。这意味着 ， AI的批判性依赖于独立思考的空间 ， 一旦被人类思维锚定 ， 反而会降低协作价值 。但反过来 ， 当AI先发言时 ， 医生会更主动地挑战它的结论 。有位住院医师在看到AI提出骨髓瘤时 ， 立刻反驳：患者没有骨痛和蛋白尿 ， 这个诊断可能性太低 ， 并最终通过追问病史排除了这一方向 。这种「对抗性协作」 ， 反而激发了更深入的临床推理 。参考资料 https://x.com/emollick/status/1931907652118069510 https://www.medrxiv.org/content/10.1101/2025.06.07.25329176v1 本文来自微信公众号“新智元” ， 作者：英智， 36氪经授权发布 。

    推荐阅读


    上一篇：消息称富士康3月份到5月份在印度组装的iPhone 几乎全部出口到美国

    下一篇：2026年苹果新机大升级：为创新而创新，真的好吗？