未来医生MedGPT考出85分：250名三甲医生平均53分，一对一比分88:12

新智元报道  

微软AI CEO苏莱曼把这件事说成是迈向「医疗超级智能」的一步。

那边的讨论还没冷下来，未来医生就和国内顶级三甲医院胸外科一起做了项多中心研究，同样让AI和医生同场答题。结果比微软那组数字还高。

这套卷子由顶级三甲医院胸外科出题，用的40例真实疑难肺癌病例此前从未公开。20位顶级专家在见到任何答卷之前，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，平均拿到53分。同一套题交给未来医生医疗大模型MedGPT（下称未来医生MedGPT），得分85。

再把双方答卷按病例一一对照：未来医生MedGPT对250名三甲医生的比分是88:12。AI写出的答卷还平均比医生的短四成以上。

它赢下来的路子，其实跟微软那套正好相反。

先看考题。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——这样的病人，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」凭经验判断。

研究团队从100例复杂肺癌病例里挑出了40例这样的「灰区」难题：

指南推荐不明确的；多种疾病与治疗限制彼此冲突的；多因素交织让标准路径走不通的；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下参照标准：每例6条规则，合计240条，每条都写清楚什么条件下成立、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，分布在胸外、呼吸、肿瘤三科。

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

同一病例一对一较量，比较医生在无辅助条件下提交的750份诊疗方案，未来医生MedGPT有660次评分更高，以88比12赢了250名三甲医生。它的答卷平均还比医生短四成以上。

换成模型横评维度，未来医生MedGPT综合评分96.22；GPT-5.4得71.38，Claude Opus 4.7得61.81，Gemini 3.1 Pro得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

看到这里，多数人心里会冒出一个疑问：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答这个问题——就像拆积木那样，一块块拿掉系统模块，看哪部分真正在起作用：

把未来医生MedGPT的流程整个拆掉，只让底层模型裸着直接作答，成绩马上掉了将近24分；仅拿掉多学科会诊这一个模块，就少了16分。

差的地方不在模型，在流程。

也就是说，AI赢医生靠的不是知识更多，而是把医生看病那套功夫——查资料、想方案、自己挑错、留后路——做成了一套能自动跑起来的流程。

还有一点更该留意：医生得到未来医生MedGPT辅助后，综合决策评分从53.4升到66.27，相对提高24.1%。

对这项实验成果，近10位一线临床权威给出了正面评价，其中包含中华医学会主委级专家和美国顶尖肿瘤医学专家。

碰到复杂病例，医生做的头一件事就是翻文献、查指南。

可这里藏着个极易踩的坑：一篇肺癌论文往往塞着好几个结论，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，很可能把「对A人群有效」的证据用到了B身上。

未来医生MedGPT下了番笨功夫：文献入库时就拆到最小颗粒，一条证据只记一个结论，同时标清它适合什么样的病人、什么情况下不作数、出自哪篇文献。

有条铁规矩卡在这儿：证据只能由程序从原文里抄出来，模型只准引用，不准自己编。这是把AI幻觉锁死的第一道结构性硬约束。

单是肺癌一个病种，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。

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

证据与证据之间还搭起43万条关系链，织成一张能检索的知识网络。

全库累计已有超过800万条证据单元。一个医生一天读一篇论文，得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。

病历上写的是事实。系统要的却不是一份静态的事实清单，而是这个人眼下的状态：病到了哪一步、还合并哪些病（同时患有的其他疾病）、患者自己怎么想、哪些关键信息还没拿到手。

每来一条新检查结果就刷新一次，还得医生签字才作数。

接下来，系统拿那20万条证据往这个人身上一条条「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，对眼前这个具体的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，是替医生先把这层「对号入座」的苦力活揽下来，把海量信息压成医生需要优先判断的几个关键问题。

整套流程里，这一步最狠，也最关键。

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

系统随后会同时产出三类路径。第一类是标准路径，靠指南和共识就能支撑的方案，用作决策的底线。第二类叫前沿路径：当标准答案不够理想时，从最新研究和学术会议中挑出更有利的候选方案，单独生成后与标准路径放在一起比较，并接受同样的审查。第三类则是验证任务，直接点明做哪几项检查能最快判断哪条路更合适，同时写清检查结果会怎样改变方案。

方案出来了，也不急着交。

系统先按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，要问的是：这个动作到底有没有证据撑着，剂量给得对不对。

• 再看时序与执行，先做什么后做什么、时间窗卡在哪里，放到真实临床里能不能跑得通。

• 还有边际价值：多加一种药、多做一项检查，真的能改变结果吗。

审查走完，结果只有三种：留下、修好、淘汰。

负责挑错的模块只挑错，不给推荐。挑出一个问题，就得改一处；能修就修，修不了直接扔掉，扔掉的还要写清楚在什么条件下能重新捡回来。

方案一般要扛过两到三轮审查才允许拿出来——扛不过去，就不出。

有个真实病例挺能说明问题：一位患者刚入院时，某个候选方案只排第三。

十天后，两项检查结果出来，基因突变阳性，排名一下子翻过来，原来第三的方案成了首选。

条件一变，结论就跟着变。方案是活的。

系统还有一条硬规矩：绝不说「成功率87%」这种话。

不少AI产品开口就是「方案A的成功率是87%」，听着很精准，可实际上没有任何研究能给出针对某一个具体个体的百分比。

未来医生MedGPT的做法是：需要量化的时候，引用与患者条件最接近的人群在真实试验中的数据，把出处和证据编号标出来。

数字能追溯、能复核，至于适不适用，由接诊医生来判断。

在医生黄鹏看来，未来医生MedGPT能立住，靠的是三样东西：一是经过拆解的证据库，二是结构化的病人档案，三是每位医生签过字的方案最终都会对照真实结果做复盘，并由此形成反馈。

新模型并不自带这三样。GPT-6可以接进来，Claude也可以接进来，换个更强的底层模型都行。

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，它也没有。

反过来讲，更强的模型接进来，这三样只会更强。

壁垒不在模型本身，而在模型上面跑的这整套系统。前面消融实验里差出来的那24分，是流程的价值，不是模型参数量的价值。

说到底，这套系统输出的东西本来就不是拿来替代医生的，而是交给医生审阅的决策材料。

在该论文人机协作这一维度下，评分口径与前面的人机比较、模型横评并不相同。医生完全没有辅助时平均得分53.40；在拿到与未来医生MedGPT相同知识库的检索参考之后，这一分数提升到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 并没有替医生拿主意，它做的是把医生判断的质量往上提了一档。

图里能看出来：医生在 MCE（MedGPT Clinical Explorer）辅助下给出的诊疗策略，总得分高于无辅助、或只查检索资料的情况；提升覆盖了治疗备选路径、关键信息、安全风险以及后续评估几方面。

这个结果，中美两边的临床一线专家看法相当接近。

国内多位中华医学会主委级专家都认它的临床实用价值，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。他们的说法是，未来医生 MedGPT 正是一线医生眼下急需的那种医疗 AI。

美国那边同样有顶尖专家发声。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、加州大学旧金山分校血液肿瘤科荣誉主任 Marc Shuman 等人，都肯定了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说：「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全不全、准不准、够不够翔实，直接决定模型后面跑出什么效果。基础资料不到位，模型再强也会冒出大量幻觉和判断偏差。

他的话更直白：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」，把这件事的使命分成两层：「继绝学」，是把顶级专家的判断力装进流程，让它能复制、能规模化；「开太平」，是让医学知识本身更新得更快，并且造出全新的医学知识。

中国的医疗现实就摆在那儿：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，跟协和的主任完全不在一个量级。

可要是有一套系统，能帮他把文献查到位、把方案比清楚、把风险标出来、把退路想好，他做出来的决策质量，就有机会往顶级专家那边靠。

88 比 12 这个数字背后，真正让人兴奋的其实是这件事。