发表出处待核验来源发表:
诊断不再从完整病历开始:微软系统在NEJM病例上答对83.2%,高于全科医生的36.1%
核心概要
微软团队把语言模型的诊断任务改成逐次问诊:只给主诉,由系统自己决定追问什么、开哪些检查,并持续修正鉴别诊断。他们为此搭建了交互式基准SDBench,在《新英格兰医学杂志》临床病理讨论会病例上达到83.2%准确率,在MIMIC-IV-ED急诊入院病例上达到80.3%,对照的全科医生分别为36.1%和46.8%,且总费用更低。这些结果来自受控基准环境。
深度剖析
语言模型做诊断的评测方式从一次性给出完整病例摘要,改为从主诉出发、由系统自己决定下一步问什么和查什么。 此前的临床AI评测多依赖写好的病例摘要,而真实就诊中患者不会带着整理好的关键症状和化验结果前来。 在《新英格兰医学杂志》临床病理讨论会病例上,该系统准确率为83.2%,对照的全科医生为36.1%;在MIMIC-IV-ED急诊入院病例上分别为80.3%和46.8%。
系统模拟一组医生会诊,反复更新鉴别诊断,并挑选性价比高的检查。 这套流程由交互式基准SDBench承载,检查费用按医院公开价目表折算,因此准确率与检查开销可以同时计入。 评测覆盖两类场景:期刊病例讨论与急诊入院记录,系统在这两类场景中的准确率都高于人类应答者,总费用更低。
启示与展望
结果来自受控基准环境:期刊临床病理讨论会病例与MIMIC-IV-ED急诊入院记录,对照对象是未使用该系统的全科医生。
作者指出这些发现是在受控基准设置下获得的;评测未覆盖治疗适当性、安全性和纵向管理,人机协作流程被列为后续工作。
