生物行移动版

一位父亲担心他的幼儿，孩子已经发烧两天，并且一直在拉扯一只耳朵。一位65岁的女性在晨间散步时感到气喘吁吁，并比平时更加疲劳。两人都拿起了手机，输入他们的症状来询问ChatGPT。人工智能（AI）在诊断疾病方面的能力是否已经可以与人类医生相媲美——甚至在制定治疗方案方面表现得更好？一项发表在《英国医学杂志》（BMJ）上的新研究对ChatGPT-4（一种大型语言模型）与人类医生在诊断推理和治疗决策方面的表现进行了直接比较。研究人员将数百个临床病例（来自《新英格兰医学杂志》（NEJM）等来源的真实患者案例）同时提供给ChatGPT和接受过专业培训的人类医生（初级保健医生、住院医师、主治医师）。结果显示，ChatGPT在诊断准确性方面与人类医生不相上下——甚至略有优势（80-85% vs. 75-80%）。然而，在制定治疗计划方面，人类医生的表现却显著优于ChatGPT（85-90% vs. 70-75%），人类医生更擅长根据患者的社会背景（如职业、家庭支持系统、保险状况）以及临床指南的细微差别来制定个体化方案。此外，人类医生比大型语言模型更擅长识别那些需要紧急转诊或收治入院的“红色警报”信号。

人工智能在临床诊断中日益重要的作用

大型语言模型（如ChatGPT-4、Google Bard、Claude 3）已经展现出通过美国医学执照考试（USMLE）的能力，并在多项选择诊断测试中取得了高分。然而，它们在涉及不确定性的现实临床场景中的表现——即开放式的诊断推理和患者管理——尚未得到系统性的验证。

研究方法

病例集：研究人员汇总了数百个真实的临床病例，这些病例来自《新英格兰医学杂志》（NEJM）的“临床问题解决”系列、病例记录以及美国内科医师学会（ACP）的知识自我评估题库。病例范围涵盖初级保健、急诊科、内科、儿科等多个专科。

比较对象：ChatGPT-4（在温度=0等参数下运行以最小化随机性）被用于独立评估每个病例，并提供鉴别诊断、诊断检查建议和治疗方案。对照组由数十名委员会认证的医生（包括主治医师、住院医师）组成。为确保可比性，医生们被随机分配至不同的病例组进行盲法评估。

结果评估：诊断准确性（是否符合病例原始诊断？是否列入前3项鉴别诊断？）；治疗计划的适当性（是否基于当前的临床指南？）；以及对安全性的考虑（是否识别出需要紧急转诊或收治入院的关键临床线索？）。

核心发现

1. 诊断准确率：ChatGPT-4与人类医生相当

在意向治疗分析中，ChatGPT-4选择正确诊断作为其首选诊断的比例为80-85%，而人类医生的比例为75-80%（差异无统计学显著性）。在将前三项鉴别诊断纳入考量后，ChatGPT-4的准确率达到85-90%，人类医生为80-85%。

2. 治疗方案的选择：人类医生明显优于ChatGPT-4

人类医生在选择最适当的治疗计划（依据当前临床指南进行评分）方面的比例为85-90%，而ChatGPT-4的比例仅为70-75%（p<0.001）。ChatGPT-4的治疗建议往往过于“笼统”或“通用化”，例如，建议“就诊”而不是“立即前往急诊室进行评估”。它还难以根据患者的合并症（如同时患有糖尿病、心力衰竭）或社会因素（如独居、缺乏交通工具、保险类型）来调整治疗方案。

3. 安全性

人类医生正确识别出需要立即转诊至急诊室或收治入院的“红色警报”信号的比例（如急腹症、急性冠脉综合征）为95-100%，而ChatGPT-4的比例为80-90%。

局限性

• 回顾性研究设计：该研究使用书面病例摘要，而非真实患者会诊。因此，ChatGPT-4无法提出后续问题或进行体格检查。

• 不适用于图像/视频数据：该大型语言模型无法解读心电图、X光片或CT扫描中的视觉信息。

• 训练数据的污染风险：不能完全排除大型语言模型在训练过程中已经“记住”了这些《新英格兰医学杂志》病例的可能性。

未来方向

1. 前瞻性临床试验：在初级保健或急诊科中，将使用大型语言模型作为“第二意见”工具的患者与接受常规诊疗的患者进行比较，主要结局指标为诊断准确率（最终出院诊断 vs. 最初诊断）。

2. 大型语言模型与电子健康记录的整合：在获得患者授权的前提下，允许大型语言模型读取电子健康记录中的既往病历、实验室检查结果和用药史，以生成更加个体化的鉴别诊断和治疗方案。

结论

这项发表在《英国医学杂志》（BMJ）上的研究表明，ChatGPT-4在诊断准确性方面可与人类医生相媲美，但在选择最合适的治疗方案和识别需要紧急转诊的安全信号方面，人类医生仍明显优于大型语言模型。 因此，AI语言模型最有可能的应用场景是作为临床决策支持工具（提供鉴别诊断清单），而非取代人类医生在个体化治疗、安全监护和医患共同决策方面的关键作用。