AI 快讯 | AMIE 上《柳叶刀》：候选列表覆盖 90%，只押一个诊断时命中 56%
一款对话式 AI 在真实门诊接诊了 100 名患者，全程零安全中断——但官方给的三个数字里，只有一个接近「准确率」这个词。
这项由 Google Research / DeepMind 与贝斯以色列女执事医疗中心（BIDMC）合作的研究，本周正式发表于《柳叶刀》。预印本 3 月就已经公开，所以这周发生的事是「正式发表」，不是研究刚做完。官方的更新说明里，同时写下了两条对自己不利的结论。
研究是怎么做的
100 名成年患者在就诊前 0 到 5 天与 AMIE 做文本对话，其中 98 人按约就诊；对话全程由 7 名经培训的内科主治医师实时视频监护，另设 4 条预设停机标准。研究事先注册、经过伦理审查，单中心，最终诊断来自就诊后 8 周的病历回顾。
底层模型是 Gemini 2.5 Pro（知识截止 2025-01），没有做领域微调。
图 1：AMIE 与 BIDMC 研究的三步流程——患者先与 AMIE 文本对话，再到基层门诊就诊，8 周后由临床评估者回顾病历盲评。来源：Google Research 官方博客研究图（流程图，不含测评数据）。
三个数字不能混着读
90% 是「鉴别诊断候选列表（取前 7 项）中包含最终诊断」的比例；取前 3 项时是 75%；而把最终诊断列为唯一最可能诊断的命中率是 56%。换个说法：它擅长把答案放进候选里，单独押一个时并不准。
另外，流传的「75% 的临床医生反馈摘要帮助其准备就诊」在官方博客与论文里都对不上——那个 75% 其实是前 3 项诊断准确率；官方对「帮助就诊准备」的表述是定性的。
图 2：AMIE 与基层医生的盲评结果，以及 AMIE 的 top-k 诊断准确率曲线——k=1 为 56%，k=7 达 90%。来源：Google Research 官方研究图，出自厂商与医院合作、经同行评审发表于《柳叶刀》的研究。
官方自己划的边界
这项研究不含对照组，官方明确写它「不支持对本干预相对于基线流程之效果的定量主张」。它还是单中心、纯文本、需要专职医师实时监督，排除了心理健康主诉与孕妇，样本也偏年轻——外推范围有限。
盲评结果同样两面：AMIE 与基层医生在鉴别诊断质量（p=0.6）、管理计划的适当性（p=0.1）与安全性（p=1.0）上没有显著差异，但基层医生在「可行性」与「成本效益」上更优（p=0.003 / p=0.004）。这套组合给出的角色因此是「可监督的辅助」，而不是替代。
图 3：安全性、患者信任与诊断准确率的汇总；「可行性」与「成本效益」两项基层医生更优。来源：Google Research 官方研究图，同上研究。
患者这一侧的态度是正向的：GAAIS 量表上，整体评价与效用两项在对话后显著改善，并在就诊后保持；顾虑一项也略有缓和。
图 4：患者对 AI 的态度量表在就医前、对话后、就诊后三次测量的变化。来源：Google Research 官方研究图，同上研究。
另外一条跟进：一个符号错误，撤回 3 篇
OpenAI 在官方数学仓库的变更记录里写明：一篇论文里的符号错误使一个论证失效，因此撤回 3 篇手稿，其中两篇依赖该论证；同一批记录还修订了 14 篇、因引用联动更新 13 篇。官方同时给出形式化进度：top-line 结果里有300 / 719 ≈ 42% 已完成形式化。
媒体口径的「722 份手稿 / 372 项结果」与官方的 719 个 top-line 结果对不齐，引用时要把量词写清楚。这和本月初那批数学结果指向同一件事：瓶颈不在产出，而在验证流程与人类理解的归位。
来源链接
官方来源
- Google Research 官方博客《Exploring the feasibility of conversational diagnostic AI in a real-world clinical study》（2026-03-11 首发，2026-10-08 加更新说明已发表于 The Lancet）
- 论文预印本：arXiv 2603.08448v2；正式发表：《柳叶刀》
- OpenAI 数学仓库变更记录：github.com/openai/math（记录日 2026-10-07）
独立来源
- Retraction Watch（OpenAI 撤回手稿，10-08）