250名三甲医生输给中国AI！引发中美医疗权威热议

新智元报道 上个月，微软在《科学》杂志上甩出一篇论文：自家AI诊断系统诊断正确率83%，对照组的全科医生只有36%。 微软AI CEO苏莱曼直言： 这是通往「医疗超级智能」的一步。 热闹还没散，未来医生联合国内顶级三甲医院胸外科开展的一项多中心研究，也拿AI和医生比了一场，数字比微软的更亮眼。 考卷是 顶级三甲医院 胸外科拿出的40例真实疑难肺癌病例，从未公开过；20位顶级专家在看到任何答卷之前，先给每道题写好评分规则，答卷按满足规则的程度打分，满分100。 250名三甲医生自己做，平均53分。未来医生医疗大模型MedGPT（以下简称：未来医生MedGPT）做同一套题，85分。 再把两边的答卷按病例一对一摆在一起比： 未来医生MedGPT对250名三甲医生的比分是88:12。 而且AI的答卷，平均比医生的短了四成以上。 更有意思的是它赢的方式：和微软那套，正好相反。 先说考题。肺癌晚期合并间质性肺病，做过手术又复发，基因检测结果还没出来——这种病人，教科书没有标准答案，临床指南写到这里也得打个问号，全靠医生在「灰度区域」里拿经验做判断。 研究团队从100例复杂肺癌病例中，精挑细选出40例这样的「灰区」难题： 指南推荐不明确的、多种疾病与治疗限制相互冲突的、多因素交织导致标准路径走不通的，以及治疗先后顺序直接影响后续结果的。 20位多学科顶级专家先给每个病例定好参照标准：每例6条规则，共240条，每条都写死了什么条件下成立、什么条件下不算数，其中40条是安全红线，踩线直接判负。 对面坐的也不是全科医生。医生阵容，是来自98家医疗机构的250名三甲医院医生，六成以上是主任、副主任医师，胸外、呼吸、肿瘤三科。 在人机比较维度下，没有任何辅助的医生群体平均得分53.26，未来医生MedGPT直接交出了85.29。 同一道病例一对一比，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。 ——而且它的答卷平均比医生的短了四成以上！ 放到模型横评维度里，未来医生MedGPT综合评分96.22，而GPT-5.4得分71.38，Claude Opus 4.7得分61.81，Gemini 3.1 Pro得分54.62。 图示：在本研究的病例和评分条件下，完整MCE(MedGPT Clinical Explorer)生成的诊疗策略内容评分高于三种通用大模型对照，也高于删减功能或简化协作流程的版本 读到这里，你心里大概率会冒出一个问题： 是不是底下的模型比人家大？ 论文里专门做了消融实验（即像拆积木一样逐个拿掉系统模块，测试哪部分真正起作用）来回答这个问题： 把未来医生 MedGPT 的流程整个拆掉，只让底层的模型裸着直接回答，成绩立刻跌了将近24分；光是拿掉多学科会诊这一个模块，就掉了16分。 差距不在模型，在流程。 换句话说，AI赢了医生，不是因为它知道得多，而是因为它把医生看病的那套功夫——查资料、想方案、自己挑错、留后路，整个做成了一套可以自动运行的流程。 更值得关注的是， 医生在获得未来医生MedGPT辅助后，综合决策评分从53.4提升至66.27，相对提高24.1%。 对于这一实验成果，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位一线临床权威给出了正面评价。 第一步： 把文献拆碎，拆到一条一结论 医生看复杂病例，第一件事是翻文献、查指南。 但这里有个很容易踩的坑：一篇肺癌论文里可能同时装了好几个结论，每个结论只对特定人群成立。要是整篇文献搜上来往病人身上一套，很可能把「对A人群有效」的证据用到了B身上。 未来医生MedGPT干了一件笨功夫，把文献在入库时就拆到最小颗粒：一条证据只记一个结论，并且标清楚它对什么样的病人管用、在什么情况下不算数、出自哪篇文献。 这里有一条铁规矩：证据只能由程序从原文中抄出来，模型只能引用，不能自己编。这是锁死AI幻觉的第一道结构性硬约束。 光肺癌这一个病种，团队就拆了一万三千多篇文献，涵盖临床指南与共识、随机对照试验、Meta分析（综合多项研究结果的统计分析）、真实世界研究（基于真实临床诊疗数据的研究）、药品说明书，以及十二个国际学术会议近三年的摘要。 一共生成了超过20万条结构化证据单元，归入23个类别，其中98.3%发表于2024至2026年。 证据与证据之间还建起43万条关系链，构成一张可检索的知识网络。 全库累计超过800万条证据单元。一个医生每天读一篇论文，要读四百多年才能看完。 这活儿干了好几年，不是搭个常规的RAG搜索（即先检索资料再让大模型生成回答的技术）就能追上的。 第二步：把病人也拆开，拆成动态状态表 病历上记的是事实。但系统要的不是静态的事实清单，而是这个人现在的状态：病到了哪一步、还有什么合并症（同时患有的其他疾病）、患者自己的治疗意愿是什么、哪些关键信息还没拿到。 每来一条新检查结果就更新一次，医生签字才作数。 接着，系统拿着那20万条证据往这个人身上挨个「套」。这不是简单的关键词匹配——证据本身够不够硬是一回事，对眼前这个具体的人管不管用是另一回事。 同一条指南推荐，放在肝功能正常的患者身上是首选，放到同时合并间质性肺病的患者身上，就可能是禁忌。 系统做的，是替医生把这层「对号入座」的苦力活先干了，把海量信息压缩成医生需要优先判断的几个关键问题。 第三步：方案先自己找茬，扛住了才能出门 这一步是整套流程里最狠、也最关键的部分。 首先，系统按病例组织最多6个相关专科的AI智能体，各自独立给意见。意见不合怎么办？不打圆场、不求平均，分歧原样保留。因为复杂病例的真正难点，往往就藏在这些分歧里。 随后，系统同时生成三类路径： 一是标准路径， 即指南和共识能撑住的方案，作为决策底线； 二是前沿路径， 当标准答案不够好时，从最新研究和学术会议中寻找更有利的候选方案，单独生成后与标准路径同台比较，接受同等审查； 三是验证任务， 明确指出做哪几项检查能最快判断哪条路更合适，并写明检查结果将如何改变方案。 方案出来了，还不急着交。 系统先按病人的真实状态造一个「虚拟患者」，把候选路径放进去模拟推演，逐项比较获益、风险、等待代价与可执行性。推演只使用研究中已有的真实数据，不做凭空填补。 推演完毕，进入五个维度的对抗式审查： 安全上，有没有踩到禁忌或红线； 尾部风险上，有没有小概率但后果严重的情况； 证据与剂量上，证据是否真的支持这个动作，剂量对不对； 时序与执行上，先后顺序和时间窗在真实临床中能不能落地； 边际价值上，新加的药物或检查真的能改变结果吗。 审查结果只有三种去向：保留、修复、淘汰。 挑错的模块只管挑，不管推荐。挑出一个问题就得改一处，能修就修，修不了就扔掉，扔掉的还得写明什么条件下能捡回来。 通常要扛过两到三轮审查才允许出方案——过不了，就不出。 有一个真实案例很能说明问题：一位患者刚入院时，某个候选方案只排在第三。 等了十天，两项检查结果回来：基因突变阳性，排名直接翻了过来，原来排第三的方案成了首选。 条件变了，结论就跟着变，方案是活的。 系统还有一个硬原则：绝不说「成功率87%」这种话。 很多AI产品一张嘴就是「方案A的成功率是87%」，听着精准，实