一位病人走进诊室，只说了一句"我最近总是发烧、浑身没力气"。这样模糊的症状，可能指向几十种不同的疾病。
接下来，医生要问哪些问题、开哪些检查、怎样一步步排除可能，最终给出诊断，这个过程考验的是真功夫。
微软最近宣布，它的医疗AI系统在处理疑难病例时，诊断准确率是执业医生的两倍多，而且开出的检查和医疗程序更少。这套系统名叫"微软AI诊断协调器"，简称DxO。
相关研究论文《基于语言模型的序贯诊断》于2025年首次以预印本形式发布在arXiv上，最近正式发表在国际顶级期刊《科学》上。经过同行评审后登上顶刊，意味着这项研究的方法和结论得到了更严格的检验。
一个人工智能"会诊团队"
DxO最大的特点，是模仿医生的真实诊断流程。这让它的测试结果更贴近临床实际。
以往的AI医疗测试，往往是把病人的全部资料一次性交给AI，让它直接给出答案。可现实中的医生从来不是这样看病的。
DxO从病人的主诉出发，自己决定下一步该问什么问题、该开哪项检查，逐步收集信息，最后才得出诊断。更巧妙的是，它并不是一个单打独斗的AI，而是由多个分工不同的智能体组成的"会诊团队"。
有的智能体负责提出可能的诊断，有的负责挑选检查项目，有的专门质疑前面的假设，还有的负责权衡费用。它们彼此讨论、相互挑刺，像一场浓缩版的多学科会诊。
研究人员认为，这种设计有助于减少人类医生常见的认知偏差，比如过早锁定第一印象而忽视其他可能，也就是所谓的"锚定效应"。
为了检验这种序贯诊断能力，研究团队还提出了一个新的评测基准，称为"序贯诊断基准"。他们认为，以往的基准没有按顺序考察大语言模型的诊断过程。
两组数字背后的真相
在最受关注的测试中，研究人员使用了《新英格兰医学杂志》上的复杂疑难病例。结果，DxO的诊断准确率达到83.2%。
参与测试的全科医生在可以查阅参考资料的情况下，准确率为36.1%。如果不允许查资料，医生的准确率降到约22%，几乎只有DxO的四分之一。
在另一项针对急诊入院病例的测试中，差距明显缩小：DxO得分80.3%，全科医生为46.8%。急诊病例相对常见，医生的经验更能派上用场，差距缩小也在情理之中。
表现最好的结果出现在DxO调用OpenAI的GPT-5模型时，后续测试显示，换用GPT-5.5后表现还有提升。
微软还表示，DxO达到这样的准确率，所需费用只有医生的二分之一到三分之一，开出的检查也更少。
不过，这些节省是基于模拟病例中估算的费用，并非真实的医疗支出。
别急着让AI坐诊
漂亮的数字背后，有几点值得冷静看待。任何一项医疗技术，从实验室走到病床边，都需要经过层层检验。
首先，这次的比较对象是全科医生，而不是相关领域的专科专家。
研究人员自己也表示，如果与专科医生比较，差距预计会缩小。
《新英格兰医学杂志》上的疑难病例，本来就以罕见、复杂著称，往往需要专科医生才能破解。让全科医生去挑战这些难题，难度本身就偏高。
其次，在基准测试中表现出色，并不意味着AI能够或应该取代医生。
微软人工智能业务负责人穆斯塔法·苏莱曼也表示，真正投入实际使用之前，仍需要进行临床测试。
微软人工智能健康业务负责人多米尼克·金透露，相关测试将在未来几个月内于波士顿的贝斯以色列女执事医疗中心启动。真实医院里的表现，才是检验这套系统的试金石。
第三，如果AI辅助诊断大规模推广，责任归属将成为棘手问题。
这不仅是技术问题，也是法律和伦理问题。
一旦AI给出的诊断出错，责任该由医生、医院还是技术公司承担，目前并没有明确答案。
此外，过度依赖AI也可能削弱医生自身的能力。
就像长期依赖导航的司机，可能渐渐记不住路。
2025年的一项研究发现，在结肠镜检查中依靠AI提示癌症风险的医生，在AI被撤走后，表现反而变差了。
这提醒人们，AI应当增强而不是替代医生的专业判断。
类似"AI胜过医生"的说法也不是第一次出现。
此前，哈佛大学和贝斯以色列女执事医疗中心的一项研究发现，OpenAI的一款早期推理模型在急诊分诊方面表现优于医生。
从这些研究来看，AI在诊断推理上的潜力确实令人瞩目，尤其是在面对罕见病和复杂病例时。对于医疗资源匮乏的地区，这样的工具或许能弥补专科医生不足的短板。
但医学从来不只是推理题。
病人需要的不只是一个正确的诊断名称，还需要被理解、被安慰、被陪伴。
望闻问切中的人文关怀、对病人处境的体察、对治疗方案的综合权衡，这些都是AI目前难以替代的。
更现实的图景或许是，AI成为医生身边一位博学的"第二意见"提供者，帮助医生少走弯路、少漏诊断，而最终的判断和责任，依然握在医生手中。
