尽管人工智能（AI）在医疗领域的应用日益增多，但其“像医生一样思考”的能力仍存在明显短板。由美国麻省总医院MESH孵化器团队开展的一项最新研究发现，生成式AI在临床推理关键环节仍显不足，尚不具备独立承担临床诊疗任务的能力。相关成果发表在最新一期《JAMA Network Open》上。
团队选取包括ChatGPT、DeepSeek、Claude、Gemini和Grok在内的21种大语言模型，在29个已发表的临床病例中进行测试，并通过逐步提供患者信息（从基本症状到实验室和影像结果）来模拟真实诊疗过程。结果显示，当获得完整信息时，所有模型在超过90%的案例中能给出正确的最终诊断。
然而，在关键的早期诊断阶段，这些模型普遍表现欠佳。研究发现，超过80%的情况下，模型未能提出合理的“鉴别诊断”，即对多种可能疾病进行系统性分析与筛选。这一能力被认为是临床推理的核心，也是医生决策的重要基础。
为更全面评估模型能力，团队提出了一种名为PrIME-LLM的新指标，从提出潜在诊断、选择检查手段、给出最终诊断到制定治疗方案等多个环节对模型进行综合评价。结果显示，各模型整体评分在64%至78%之间，表现存在明显差异。
团队指出，大语言模型更擅长在信息完备的情况下“给出答案”，但在信息不充分、需要开放性推理的情境中表现较弱。随着实验室数据和影像资料的加入，模型表现有所提升，且新一代模型整体优于旧版本，表明相关技术正在持续改进。
团队表示，当前大语言模型尚不适合在缺乏监督的情况下直接用于临床实践，其价值更在于辅助医生决策，而非取而代之。
