最新研究：生成式AI尚无法独立承担临床推理诊疗任务

美国麻省总医院MESH孵化器团队最新发表于权威医学期刊《JAMA Network Open》的研究，针对当前主流生成式AI的临床推理能力展开了系统性测试。研究团队选取了包括ChatGPT、DeepSeek、Claude在内的21种主流大语言模型，通过29个真实临床病例模拟动态诊疗过程，结果显示当前生成式AI虽在最终诊断上有不错表现，但核心的鉴别诊断环节短板明显，尚不具备独立承担临床诊疗任务的能力。

这项研究没有采用静态考题测试AI的医疗能力，而是刻意贴近临床真实场景设计实验：研究人员选取29个已经得到确诊的典型临床病例，逐步向AI模型释放患者症状、实验室检查数据以及影像结果，完整还原医生接诊时逐步获取信息、逐步推理的动态过程。本次测试共覆盖21款主流大语言模型，囊括了ChatGPT、DeepSeek、Claude、Gemini、Grok等市场知名度最高的头部产品。

实验数据呈现出十分矛盾的结果：当AI模型获得患者的全部临床信息后，所有模型给出正确最终诊断的准确率都超过了90%，这一表现已经接近合格执业医师的水平。但在临床推理最核心的鉴别诊断环节，结果却不尽如人意。

超过80%的参测模型无法完成系统性的鉴别诊断流程，既不能合理列出所有需要排除的潜在疾病，也无法结合已有信息逻辑清晰地完成病因筛选，本质上还是靠“关键词匹配”给出结论，没有形成符合医学规范的推理链条。为了量化不同模型在临床推理上的差距，研究团队还专门引入了PrIME-LLM综合评价指标，为后续行业优化模型能力提供了统一的评估标准。