未来医生MedGPT考肺癌难题：85分对53分赢了250名三甲医生

微软上个月在《科学》杂志发了一篇论文，内容是自家AI诊断系统的正确率达到83%，而作为对照组的全科医生只有36%。

微软AI CEO苏莱曼对此的表述是，这是通往「医疗超级智能」的一步。

微软那边的讨论还没降温，未来医生就和国内顶级三甲医院的胸外科一起做了个多中心研究，同样让AI和医生同场答题，结果数字比微软那篇还要亮眼。

考题由顶级三甲医院胸外科提供，是40例真实疑难肺癌病例，此前从未公开。20位顶级专家在没看到任何答卷时，先为每道题写好评分规则，答卷按满足规则的程度计分，满分100。250名三甲医生亲自作答，平均53分；未来医生医疗大模型MedGPT（下称未来医生MedGPT）做同一套题，拿到85分。

再把两边的答卷按病例一对一摆开比较，未来医生MedGPT对250名三甲医生的比分是88:12。另外，AI的答卷平均比医生的短了四成以上。

更有意思的地方在于它赢的方式，和微软那套正好相反。

先看考题本身。肺癌晚期合并间质性肺病，手术做过又复发，基因检测结果还没出来——这类病人教科书里找不到标准答案，临床指南写到这儿也得打个问号，只能靠医生在「灰度区域」里凭经验判断。

研究团队从100例复杂肺癌病例里挑出40例这样的「灰区」难题，具体包括：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，以及治疗先后顺序会直接影响后续结果的。

20位多学科顶级专家先为每个病例定好参照标准：每例6条规则，合计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。

对面的医生阵容也不是全科医生。250名医生来自98家医疗机构，都是三甲医院的大夫，六成以上为主任、副主任医师，分布在胸外、呼吸、肿瘤三个科室。

在人机比较这一维度下，没有任何辅助的医生群体平均得分53.26，未来医生MedGPT则交出了85.29。

同一道病例一对一比较，在医生无辅助条件下提交的750份诊疗方案中，未来医生MedGPT有660次拿到更高评分，以88比12战胜250名三甲医生。它的答卷平均还比医生的短了四成以上。

放到模型横评维度，未来医生MedGPT综合评分96.22，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，多数人心里大概会冒出一个疑问：是不是它底下的模型比别家更大？

论文专门做了消融实验来回应这个疑问。所谓消融实验，就是像拆积木一样逐个拿掉系统模块，看哪一部分真正在起作用。

把未来医生MedGPT的流程整个拆掉，只让底层模型裸着直接回答，成绩马上掉了将近24分；仅仅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能赢医生，靠的不是知识量更大，而是把医生看病的那套功夫——查资料、想方案、自己挑错、留后路——整套做成了一套能自动运行的流程。

另一个值得关注的点是，医生在得到未来医生MedGPT辅助后，综合决策评分从53.4升到66.27，相对提高24.1%。

对于这一实验结果，近10位一线临床权威给出了正面评价，其中包括中华医学会主委级专家和美国顶尖肿瘤医学专家。

第一步：

把文献拆碎，拆到一条一结论

遇到复杂病例，医生头一件事就是查指南、翻文献。

可这一步很容易出岔子。一篇肺癌论文往往同时装着好几个结论，而每个结论只对特定人群成立。整篇文献搜出来直接往病人身上套，就会把「对A人群有效」的证据用到B身上。

未来医生MedGPT在这上面下了笨功夫：文献入库时就拆到最小颗粒，一条证据只记一个结论，同时标明它对哪类病人管用、什么情况下不成立、出自哪篇文献。

这里有条铁规矩——证据只能由程序从原文里抄出来，模型只许引用，不许自己编。这是从结构上锁死AI幻觉的第一道硬约束。

仅肺癌这一个病种，团队就拆了一万三千多篇文献，覆盖临床指南与共识、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，还有十二个国际学术会议近三年的摘要。

拆出来超过20万条结构化证据单元，分进23个类别，其中98.3%发表于2024至2026年。

证据与证据之间还连起43万条关系链，织成一张能检索的知识网络。

全库累计已超过800万条证据单元。一个医生每天读一篇论文，要读四百多年才看得完。

这活儿干了好几年，靠搭个常规的RAG搜索（即先检索资料再让大模型生成回答的技术）追不上。

第二步：把病人也拆开，拆成动态状态表

病历记的是事实。系统要的却不是一份静态事实清单，而是这个人当下的状态：病情走到哪一步、还有哪些合并症（同时患有的其他疾病）、患者自己的治疗意愿是什么、哪些关键信息尚未拿到。

每来一条新检查结果就更新一次，且须医生签字才作数。

接下来，系统拿那20万条证据往这个具体的人身上挨个「套」。这可不是简单的关键词匹配——证据本身够不够硬是一回事，对眼前这个人管不管用是另一回事。

同一条指南推荐，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。

系统干的，是把这层「对号入座」的苦力活替医生先做了，将海量信息压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

整套流程里，这一步最狠，也最关键。

首先，系统按病例组织最多6个相关专科的AI智能体，让它们各自独立出意见。意见不合怎么办？不打圆场、不求平均，分歧原样保留。复杂病例的真正难点，往往就藏在这些分歧里。

接下来，系统会输出三条不同用途的路径。第一条是标准路径，也就是指南与共识能够支撑起来的治疗方案，用来划定决策的底线；第二条是前沿路径，当标准答案的效果不够理想时，从最新研究和学术会议中挑选更有希望的候选方案，这条路径单独生成，再与标准路径放在一起比较，并接受同样的审查；第三条是验证任务，要讲清楚做哪几项检查能最快分辨出哪条路径更适用，以及检查结果出来后方案会怎样调整。

方案出来了，也不急着交。

系统的做法是先依据病人的真实状况构建一个「虚拟患者」，再把候选路径逐条放进去做模拟推演，对获益、风险、等待代价和可执行性分别进行比较。推演采用的数据全部来自研究中已有的真实数据，不做任何凭空填补。

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；

落到证据和剂量这一层，要看的是证据到底撑不撑得住这个动作，用量给得对不对。

再往下是时序和执行，先做哪步、后做哪步，时间窗卡在哪儿，放到真实临床里究竟跑不跑得通。

还有边际价值：多加上去的药或者检查，真能改变结局吗。

审查之后只有三条路可走：留下、修补、剔除。

负责找茬的模块只干一件事，就是挑毛病，不给推荐。查出一个问题，就得相应改一处；能补的补上，补不了的就弃掉，弃掉的还要注明在什么条件下可以重新启用。

一般来说，方案得先挺过两到三轮审查，才有资格拿出来；挺不过去，就不出。

有个真实病例很说明问题：某位患者刚住进来时，一个候选方案只排在第3位。

十天之后，两项检查结果出来了——基因突变呈阳性，名次一下子倒了过来，原先排第3的方案成了第一选择。

条件一变，结论就跟着变，方案是动态的。

系统还守着一条硬规矩：绝不张口就说「成功率87%」这类话。

不少AI产品上来就讲「方案A的成功率是87%」，听着挺精确，可实际上没有任何研究能给出针对某个具体个人的百分比。

未来医生MedGPT的处理办法是：该量化的时候，引用条件与患者最接近的人群在真实试验中得到的数字，同时把出处和证据编号标清楚。

这样数字能追溯、能复核，至于适不适用，交给接诊医生去判断。

那GPT-6一出来，不就追平了？

未来医生MedGPT真正的壁垒有三块：已经拆解好的证据库、结构化的病人档案，以及每位医生签过字的方案事后对照真实结果回来复盘的反馈回路。

新模型并不自带这三块。GPT-6可以接进来，Claude也可以接进来，底层模型换成更强的都行。

可800万条拆到最小颗粒的证据单元，它没有；动态更新的患者状态档案，它没有；几年攒下来的「方案到结果」复盘数据，它同样没有。

换个角度说，更强的模型接进来，这三块只会更扎实。

壁垒不在模型本身，而在模型之上跑的这一整套系统。前面消融实验里拉开的24分，体现的是流程的价值，不是模型参数量的价值。

赢过医生只是附带的结果，

把医生变强才是真正的目的

说到底，这套系统给出的东西，压根不是用来取代医生的，而是供医生审阅的决策材料。

在论文的人机协作维度下（该维度的评分口径与前文的人机比较、模型横评并不相同），医生完全无辅助时平均得分53.40；拿到与未来医生MedGPT同款知识库的检索参考后，分数升到61.05。

等医生直接审阅未来医生MedGPT输出的完整策略报告再做判断，分数达到66.27，比没有辅助时高出24%。

AI并没有取代医生的判断，它做的是把医生判断的质量整体往上托了一把。

上图对比的是无辅助、仅查检索资料和MCE(MedGPT Clinical Explorer)辅助三种情况下医生给出的诊疗策略：最后一种的总体得分更高，提升覆盖了治疗备选路径、关键信息、安全风险和后续评估几项。中美两国的临床一线专家对此看法相当一致。

中华医学会多位主委级专家都认可这套系统的临床实用价值，包括中国医学科学院肿瘤医院胸外科食管病区主任李印、山东省肿瘤医院乳腺病中心主任王永胜、四川大学华西医院胸外科学科带头人陈龙奇，他们认为一线医生眼下正需要未来医生MedGPT这样的医疗AI。

美国那边同样有顶尖专家表态，肯定了这项研究的行业价值和落地前景：UCSF Health 肿瘤外科主任 Robert Warren、美国「希望之城”国家医疗中心乳腺肿瘤内科主任 Hope S. Rugo、被称为迈阿密地区最顶尖前列腺癌放疗专家的 Mark Pomper，以及加州大学旧金山分校血液肿瘤科荣誉主任 Marc Shuman。

作为本次实验PI，知名胸外科专家梁教授在实验结束后说了一句话：「人工智能的核心不在于『智能』，而在于『人工』。」

前期人工梳理的资料够不够全面、准确、翔实，直接决定模型后面跑出来的效果。基础资料要是残缺，模型再强，也会冒出大量幻觉和判断偏差。

他还有更直白的说法：不学习AI的医生一定会被淘汰——淘汰医生的不是AI，是那些会用AI的医生。

未来医生创始人王仕锐引了张载的「横渠四句」，把这件事的使命拆成两层：一层是「继绝学」，将顶级专家的判断力放进流程里，让它能复制、能规模化；另一层是「开太平」，让医学知识本身的更新速度提上去，并造出全新的医学知识。

中国的医疗现实就摆在那里：优质资源高度集中，一个县城的主治医生碰到复杂病例，手头能调用的信息和经验，跟协和的主任压根不在一个量级。可要是有一套系统，能帮他把文献查全、把方案比明白、把风险点标出来、把退路先想好，他做出来的决策质量就有机会朝顶级专家靠。

88比12这个数字背后真正让人兴奋的，其实是这一点。