该项研究由中国AI医疗公司 “未来医生” 与 国内顶级三甲医院胸外科团队 联合开展,将医疗AI直接放进了临床最考验综合判断的一类场景:
背后发挥作用的,正是 未来医生医疗大模型MedGPT (以下简称:未来医生MedGPT)。
不仅对比GPT-5.4、Claude Opus 4.7、Gemini 3.1 Pro等当前国际主流通用大模型优势明显,人机协作一侧的变化也同样具体。
未来医生MedGPT辅助下,医生总体得分从53.40跃迁至66.27,相对增幅 24.1% 。
它的表现,也让包括中华医学会主委级专家、美国顶尖肿瘤医学专家在内的近10位一线临床权威纷纷竖起大拇指:
国内包括中国医学科学院肿瘤医院胸外科食管病区主任 李印 、山东省肿瘤医院乳腺病中心主任 王永胜 、四川大学华西医院胸外科学科带头人 陈龙奇 在内的多位中华医学会主委级专家均认可其临床实用价值,认为这正是 一线医生迫切需要的医疗AI 。
美国UCSF Health肿瘤外科主任 Robert Warren 、美国“希望之城”国家医疗中心乳腺肿瘤内科主任 Hope S. Rugo 、有迈阿密地区顶尖前列腺癌放疗专家之称的 Mark Pomper 、加州大学旧金山分校血液肿瘤科荣誉主任 Marc Shuman 等顶尖专家也同步发声,肯定研究的 行业价值 与 落地潜力 。
放到行业看,这场肺癌实验,让医疗AI参与复杂诊疗的能力,有了一份可以展开讨论的国产实证答卷。
尤其是类似肺癌这样的重大疾病。世界卫生组织的资料显示,肺癌是全球癌症死亡的首要原因,2024年约造成190万人死亡。
实际诊疗中,患者的情况也是千差万别。同样的治疗方案,遇到器官功能、共病和既往治疗不同的患者,适用条件就会发生变化,非常考验医生及AI的随机应变能力。
在他看来,肺癌灰区诊疗需要把循证医学与前沿研究放到患者的个体差异中,找到合理的治疗安排。团队与未来医生合作开展研究,便是希望将这些临床判断梳理成 AI能够参与、医生能够审阅 的决策过程。
研究从真实临床中选取40例 未公开病例 ,这些病例均具备灰区特征,存在指南推荐不明确、共病约束冲突等情况,具体治疗路径需要结合多个条件共同判断。
250名参与医生覆盖全国27个省级地区、98个标准化中心,横跨胸外科、呼吸科和肿瘤科。其中,主任医师、副主任医师共159位,占63.6%。
这样做的好处在于,能够让不同地区的临床经验与诊疗视角同时进入评估,让实验更充分地纳入本土多样化的诊疗实践。
接着每位医生将分别在无辅助、检索参考和未来医生MedGPT支持下,各完成3个不同病例,最终形成2250份策略文本。研究由此观察医生对同类肺癌复杂问题的处理表现差异。
在与医生无辅助条件下提交的750份诊疗方案的比较中,未来医生MedGPT有660次获得更高评分,以88比12战胜了250名三甲医生。
有未来医生MedGPT辅助的医生,明显对候选路径的考虑更加完整,路径选择中的关键判断和风险评估也更聚焦。
同时在与通用大模型的同条件横评中,未来医生MedGPT综合得分 96.22分 ,大幅度超越GPT-5.4(71.38分)、Claude Opus 4.7(61.81分)和Gemini 3.1 Pro(54.62分)。
其优势在于 候选治疗路径生成 。通用大模型通常给出单一诊疗方案,未来医生MedGPT更倾向于同时提出多个合理备选路径,以及每条路径的准入退出条件。
20名多学科专家通过三轮过程,形成240条病例评价规则,逐例明确需要处理的临床问题、治疗前必要信息和可选路径,并将医生复评一并纳入评价体系。
规则冻结后,再由三个AI裁判(GPT-5.5、Claude Opus 4.7、Gemini 3.1 Pro)独立评分,评审全程隐藏答案来源。
未来医生MedGPT是一个原生为临床使用场景设计的医疗大模型,也是中国首个获得批准的用于疾病诊断和治疗建议的生成式AI模型算法。
1.0时代主要面向通用问诊,控制模型输出安全、有效;新升级的2.0版本则把复杂诊疗决策做得更扎实。
相比通用大模型和医学检索工具,未来医生MedGPT能够 整合前沿医学证据 ,将候选路径、适用条件与风险应对组织成更完整的诊疗策略。
以这位68岁的肺癌患者为例,患者病情复杂,疑似术后复发,本身兼有间质性肺病。医生纠结的点是——要不要对局部病灶动手,但又怕放疗把本就脆弱的肺彻底打坏。
患者病历进入未来医生MedGPT后,多个专科Agent会先各自分析患者问题,并将需要进一步判断的分歧汇总,留待后续推演核验。
随后系统进行 病例编译 ,把病史和检查结果按时间整理,明确患者当前状态,再根据治疗目标确定约束条件。
这一环节相当依赖证据的细分程度,目前未来医生MedGPT的肺癌证据库已包含约1.3万篇原始文档,形成20.1万条临床证据单元(CEU)。
每条CEU均保留适用人群、治疗情况等信息,系统再拿该患者的背景逐项匹配,医生也可以随时沿着CEU进行原始研究检索,及时查看结论适用范围。
形成E-Path和F-Path之后,还要做 补证检索和校验 。例如,在选择某条F-Path时,还要看缺什么证据、需要补充哪些信息,才能判断该路径是否可行。
未来医生MedGPT会围绕争议点和证据缺口检索数据库,再针对患者情况,对每条候选路径进行 世界模型模拟推演 。
如果碰到有依据可以修正的风险点,补证后调整;遇到无法解决的风险,则降低优先级甚至移除相应路径,再检验剩余方案。
经过反复推演,系统逐渐收敛到可供审阅的策略,并形成 V-Path 验证路径,明确下一步需要完成的检查与判断。
每条路径还配有 患者获益分析 ,结合研究中的总生存期(OS)、无进展生存期(PFS)等数据,帮助医生综合比较不同路径。
AI更多承担的是多专科分析、证据匹配和路径校验的工作,待医生拿到材料后,可以围绕影响选择的关键条件展开审阅,再结合药物可及性、患者意愿和家庭情况,完成个体化判断。
发表于Nature子刊《npj Digital Medicine》的 CSEDB临床安全性与有效性双轨基准 ,已经将用药安全、危重症识别和诊疗路径优化纳入评价体系。
此次研究进一步进入肺癌灰区,确保新一代医疗AI在参与复杂策略形成时,同时做到安全与有效并重。
医疗AI正处于从简单医学问答走向复杂临床决策的关键转型期。未来医生MedGPT以肺癌灰区为切口,为这一进展提供了实在的案例支撑。
对医生而言,这意味着更为完整的决策参考。 AI辅助在前,医生判断在后 ,最终协同完成方案选择与执行。
除去对临床医生的实用价值外,美国方面,加州大学旧金山分校(UCSF)医学中心肿瘤外科主任Robert Warren博士也看到了模型水面下的潜力:
正在加载评论…