DeepSeek、千问、GPT、OpenAI、Claude，“AI医生”哪家强？

哪款AI（人工智能）大模型的“医术”更高明？当它和人类医生意见不同时，谁更靠谱？未来，AI会取代人类医生吗？

近日，北京友谊医院放射介入科医生金龙、栗荐带领团队，联合北京同仁医院等国内外多家医疗机构，在国际学术期刊《自然》子刊《数字医学》上发表了一项大规模研究。结论是：AI眼下还无法取代医生，通用AI大模型难以满足不同医生的需求；但AI可以辅助医生提高效率，让医生有更多的时间和精力服务患者，去做最终的决策和有温度的沟通。

此轮“应考”的“AI医生”是5款通用AI大模型，分别是GPT-4o、Claude 3.5、Qwen-Max、DeepSeek-R1、OpenAI o1。

考题是真实临床病例。包括心内科、眼科、神经内科、肿瘤科等7个科室选取的有代表性的真实病例。栗荐强调，是隐去患者信息后，交给它们作答的。

判卷人分了两批。一批是400余名不同年资、不同地区的执业医生，对大模型给出的意见进行盲评打分。结果显示：高年资医生更认可DeepSeek-R1和GPT-4o，年轻医生则更认可Qwen-Max。不同地区的医生对同一款大模型的评价也存在明显差异。

还有一批评委就是AI自己。结果AI评委评出的“第一名”和400多位医生选出的并不相同——AI评委把OpenAI o1排在首位。

栗荐说，我国很多医院都已部署AI大模型辅助医生工作。但究竟哪款AI大模型更适合临床辅助诊疗，尚无定论。所以研究团队首次采用真实临床病例来检验大模型的诊疗能力。卷面成绩没有达成一致，是因为，AI只认“标准答案”。但现实中的医学案例，往往伴随着复杂的个体情况和病理差异，是一道“多选题”，甚至是“开放题”。

举个例子，同样是胸痛，心内科医生会优先排查冠心病，呼吸科医生会想到肺栓塞，急诊科医生则会立刻做心电图排除心梗。3种判断在各自专科逻辑里都成立，没有对错之分。但AI还难以理解这种差异。他说：“恰恰就是这种‘只认标准答案’的思路，让大模型暂时还无法取代人类医生。当前的研究方向，也多是针对不同专科，开发定制化的AI智能体。”

门诊中已经出现很多拿着AI给的诊断意见来找医生求证的患者。栗荐表示，患者可以参考AI给出的建议，但不宜全信。普通患者缺乏医学训练，向AI描述病情时的用词、角度如果不准确，AI据此给出的答案也可能存在偏差。 “不过，AI在慢病管理、诊前筛查、诊后随访方面优势明显。对于高血压、糖尿病、乙肝、肿瘤、青光眼等需要长期监测的疾病，AI非常适合承担定期复查提醒、化验单解读等事务性工作。”