未来医生MedGPT医考胜250名三甲医生：85分对53分，流程才是关键

新智元报道  

微软AI CEO苏莱曼把这称作通往「医疗超级智能」的一步。

这波讨论还没退，未来医生联合国内顶级三甲医院胸外科做的一项多中心研究也把AI和医生放在一起比了一场，成绩比微软那组还亮眼。

题目来自顶级三甲医院胸外科提供的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前，先为每道题定好评分规则，答卷按满足规则的程度打分，满分100。

250名三甲医生亲自作答，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，拿到85分。

再把双方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。AI的答卷平均还比医生短了四成以上。

更有意思的是它赢的方式，和微软那套正好相反。

先看考题。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——这类病人教科书里没有标准答案，临床指南写到这里也得打个问号，全靠医生在「灰度区域」里凭经验判断。

研究团队从100例复杂

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。

先由20位多学科顶级专家为每个病例确立参照标准：每例定6条规则，合计240条；每条都明确写成在什么条件下成立、什么情况下不算数，其中有40条属于安全红线，一旦踩线就直接判负。

对面坐的也不是全科医生。医生阵容来自98家医疗机构，共250名三甲医院医生，六成以上是主任、副主任医师，覆盖胸外、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。

同一道病例做一对一比较，医生在没有辅助的条件下提交了750份诊疗方案，未来医生MedGPT在其中660次拿到更高评分，以88比12赢过250名三甲医生。它的答卷篇幅还比医生短了四成以上。

放到模型横评维度里，未来医生MedGPT综合评分96.22，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：

一旦把未来医生MedGPT的流程整体拆掉，只让底层模型裸露着直接作答，成绩马上掉了将近24分；仅仅去掉多学科会诊这一个模块，就少了16分。

差距不在模型，在流程。

说到底，AI能赢医生，靠的不是知识储备更多，而是把医生看病的那套本事——查资料、想方案、自己挑错、留后路——做成了一整套能自动跑起来的流程。

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

碰上复杂病例，医生做的头一件事就是查指南、翻文献。

可这里头藏着一个很容易掉的坑：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。若把整篇文献搜出来直接往病人身上套，「对A人群有效」的证据很可能就用到了B身上。

未来医生MedGPT下了笨功夫：文献一入库就拆到最小颗粒，一条证据只记一个结论，同时标清它对哪类病人管用、什么情况下不算数、出自哪篇文献。

还有一条铁规矩——证据只能由程序从原文里抄出来，模型只准引用，不许自己编。这是从结构上锁死AI幻觉的第一道硬约束。

单是肺癌这一个病种，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，外加十二个国际学术会议近三年的摘要。

由此产出超过20万条结构化证据单元，分入23个类别，其中98.3%发表于2024至2026年。

证据之间还搭起43万条关系链，织成一张能检索的知识网络。

整个库累计超过800万条证据单元。哪怕一个医生每天读一篇论文，也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）根本追不上。

病历记下的只是事实。系统要的不是静态事实清单，而是这个人当下的状态：病情走到哪一步、合并症（同时患有的其他疾病）有哪些、患者本人的治疗意愿是什么、哪些关键信息还没拿到。

每来一条新检查结果，状态表就更新一次，且须医生签字才算数。

之后，系统会把那20万条证据逐一对照到具体患者身上。判断分两层：证据本身有多可靠是一层；落到眼前这个人身上是否适用，是另一层。这不等于简单做关键词匹配。

同一条指南推荐，肝功能正常的患者用是首选，换成同时合并间质性肺病的患者，就可能成了禁忌。

系统替医生干的，正是这层「对号入座」的苦力活：把海量信息压成几个医生需要优先判断的关键问题。

这是整套流程里最狠、也最关键的一环。

系统先按病例组织最多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。复杂病例真正的难点，往往就藏在这些分歧里。

系统随后同时产出三类路径。标准路径指指南和共识能够支持的方案，用作决策底线。前沿路径则是在标准答案不够理想时，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一起比较，并接受同样的审查。验证任务会明确列出哪几项检查能最快判断哪条路更合适，同时写明检查结果将如何改变方案。

方案出来了，也不急着交。

系统先照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。推演只用研究中已有的真实数据，不做凭空填补。

推演结束，进入五个维度的对抗式审查：

• 安全维度，看有没有踩到禁忌或红线；

• 尾部风险维度，看有没有小概率但后果严重的情况；

• 证据和剂量这一层，要看证据是不是真能支撑这个动作，剂量给得对不对。

• 时序与执行这一层，问的是先后次序、时间窗放到真实临床里能不能跑通。

• 边际价值这一层，则是新加的药品或检查，究竟能不能改变结果。

审查之后只有三种结局：留下、修补、剔除。

负责挑错的模块只找问题，不给推荐。挑出一处就得改一处，能补救的就补救，补不了的就放弃，放弃的还要写清楚在什么条件下可以重新启用。

一个方案通常要经过两到三轮审查才有资格出炉，通不过就不出。

有个真实病例很说明问题：患者刚入院时，某个候选方案只排第三位。

十天后，两项检查结果出来，基因突变呈阳性，名次一下子反转，原先第三的方案跃居首位。

条件一变，结论就变，方案是动态的。

系统还守着一条硬规矩：绝不说「成功率87%」这类话。

不少AI产品开口就是「方案A的成功率是87%」，听着精确，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，引用与患者条件最接近的人群在真实试验里的数据，并注明出处和证据编号。

这些数字能追溯、能复核，用不用得上，交给接诊医生判断。

未来医生MedGPT真正难被复制的地方，归结起来是三样：把证据拆解整理好的库、结构化的病人档案，再加上医生对每个方案签字确认之后，拿真实结果回头复盘的反馈机制。

新模型并不自带这三样。GPT-6可以接进来，Claude也可以接进来，底层模型随时能换更强的。

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」复盘数据它也没有。

换个角度看，更强的模型接进来，这三样只会更结实。

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

说到底，这套系统产出的东西本来就不是用来取代医生的，而是供医生审阅的决策材料。

论文里另有一个“人机协作”维度，评分口径和前面的人机比较、模型横评不是一回事。在这个维度下，医生完全得不到辅助时平均得分是53.40；改用与未来医生MedGPT同一知识库提供检索参考之后，分数升到61.05。

而当医生直接审阅未来医生MedGPT输出的完整策略报告后再做判断，分数来到了66.27，比无辅助时涨了24%。

AI并没有取代医生的判断，它做的是把医生判断的水准往上托了一截。

从对比图看，无论是没有辅助，还是只翻检索资料，都不如MCE（MedGPT Clinical Explorer）参与后医生给出的诊疗方案得分高；这部分增益覆盖治疗备选路径、关键信息、安全风险以及后续评估。

对这一点，中美两国临床一线的专家看法相当接近。

国内多位中华医学会主委级专家都认可它的临床实用价值，其中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；他们觉得，一线医生眼下急需的医疗AI，正是未来医生MedGPT这样的东西。

大洋彼岸同样有声音。美国 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 等顶尖专家也先后表态，认可这项研究的行业价值与落地潜力。

作为本次实验PI，知名胸外科专家梁教授在实验结束后提到一句话：「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，会直接左右模型后续的表现。基础资料一旦不完善，模型再强也躲不开大量幻觉和判断偏差。

他的另一句话更直白：不学习AI的医生一定会被淘汰——淘汰医生的不是AI，是会用AI的医生。

未来医生创始人王仕锐引了张载的「横渠四句」，把这件事的使命落成两层：「继绝学」，是把顶级专家的判断力装进流程里，让它能复制、能规模化；「开太平」，是让医学知识自身更新得更快，并造出全新的医学知识。

中国的医疗现实就摆在眼前：优质资源高度集中，一个县城的主治医生碰到复杂病例，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、把方案比清、把风险标出、把退路想好，他做出的决策质量就有机会往顶级专家那边靠。

88比12这个数字背后，真正让人兴奋的地方正在这里。