2026年4月30日，发表于Science的磋议 “Performance of a large language model on the reasoning tasks of a physician ”系统评估了大型言语模子（LLM）在临床会诊与搞定推理中的发扬。磋议团队将OpenAI o1 系列模子与数百名医师进行对照测试，覆没病例会诊、搞定决议及真确急诊场景等多个任务。

✦

✧

多轮评测：从病例推理到真确急诊

✦

磋议共谋略六类临床推理实践，包括 NEJM CPCs、NEJM Healer cases、Grey Matters management cases，以及真确急诊病例等。磋议强调，此前多数医学AI磋议短缺“东谈主类医师基线”，而本磋议初度在多个复杂任务中径直比拟模子与医师发扬。

在NEJM clinicopathological conferences中，o1-preview在 78.3%的病例中将正确会诊纳入辩认会诊；若进一步纳入“相配接近”的会诊，准确率达到 97.9%。在并吞批病例上，o1-preview 的发扬也优于 GPT-4。在 Grey Matters搞定决议测试中，o1-preview 的病例中位得分达到 89%，权贵高于 GPT-4、使用 GPT-4 的医师，百家乐2026世界杯中国官方下载以及依赖传统资源的医师。

图1：2012年至2024年间，辩认会诊生成器和大型言语模子（LLMs）在《新英格兰医学杂志》（NEJM）临床病理盘问会（CPCs）上的发扬

图2-1：o1-preview 在 2021 年至 2024 年 143 个圆善病例集上的发扬直方图（以 Bond 评分行为估计圭臬）

图2-2：在疏通的 70 个病例中，o1-preview 与此前 GPT-4 在提供“准确或相配接近的会诊”（Bond 评分为 4 至 5 分）方面的发扬对比

✦

✧

真确场景：急诊“第二意见”测试

✦

磋议还引入了来自波士顿 Beth Israel Deaconess Medical Center 急诊科的76个真确病例，并建立三个要津会诊节点：ER 运转分诊、急诊医师接诊，以及入院/ICU 收治阶段。

效果清晰，开云体育o1 在多个阶段均优于两位资深内科医师与 GPT-4o，尤其在“信息最少、时分最伏击”的运转分诊阶段差距最澄莹。磋议者指出，跟着患者信息徐徐增多，东谈主类医师与模子的会诊智力王人会晋升，但 o1 在多个节点仍保捏率先。值得镇定的是，评估收受盲法进行，两位评分医师无法踏实折柳会诊意见来自 AI 照旧东谈主类医师。

图3：对真确急诊（ER）病例中 AI 和东谈主类众人“第二意见”的盲法评估

✦

✧

性能破损之后：临床落地仍需考据

✦

论文指出：“Our findings suggest that LLMs have now eclipsed most benchmarks of clinical reasoning.” 磋议团队以为，大模子已在多个传统临床推理基准上跳跃既往系统与东谈主类医师，这意味着医学AI磋议正在从“基准测试”阶段转向真确临床考据阶段。

不外，作家也强调，本磋议主要聚焦文本推贤达力，而真确医疗环境还包含影像、声息、患者情景等多数非文本信息。现在模子在多模态临床推理上的智力仍有限。与此同期，急诊磋议更接近“想法考据”，并不虞味着AI还是概况孤独完成临床决议。

磋议临了忽视开云·体育中国官网，翌日亟需开展前瞻性临床西宾，并修复安全监测、东谈主机相助与医疗基础措施体系，以评估AI在真确医疗经过中的本色价值。