由美國麻省總醫院MESH孵化器團隊開展的一項針對生成式人工智能（AI）臨床推理能力的最新研究顯示，盡管AI在醫療領域的滲透日益加深，但在模擬真實診療的邏輯鏈條中仍存在顯著短板。相關研究成果已發表于權威期刊《JAMA Network Open》，明確指出當前主流模型尚不具備獨立承擔臨床診療任務的能力。
該研究選取了包括ChatGPT、DeepSeek、Claude、Gemini及Grok在內的21種大語言模型，通過29個已知臨床病例進行多輪測試。實驗通過逐步釋放患者癥狀、實驗室數據及影像結果，高度模擬了醫生的動態診療過程。數據顯示，在獲得完整信息的前提下，所有模型給出正確最終診斷的準確率均超過90%。然而，在臨床推理的核心環節——“鑒別診斷”中，超過80%的模型表現欠佳，無法對多種潛在疾病進行系統性分析與篩選。
為量化這一差異，研究團隊引入了PrIME-LLM綜合評價指標，覆蓋從初期診斷、檢查決策到治療方案制定的全流程。評測結果顯示，各模型綜合得分在64%至78%之間，反映出AI更擅長在信息完備時“揭曉答案”，而非在信息不充分的情況下進行開放性邏輯推演。
盡管新一代模型在處理復雜數據資料方面較舊版本有明顯進步，但研究團隊強調，大語言模型目前仍定位為輔助工具，在缺乏專業監督的情況下直接用于臨床實踐仍具風險。這一發現為AI醫療的未來演進提供了理性坐標:從簡單的“結果擬合”向復雜的“邏輯推理”跨越，將是醫療大模型邁向專業化應用的關鍵門檻。
