Google研究：对话式医疗系统AMIE升级，管理推理能力不劣于人类医生！
Google研究：对话式医疗系统AMIE升级，在管理推理上不劣于人类医生！
近期，Google Deepmind与Google Research以对话式医疗系统AMIE为基础，开发了全新的基于LLM的智能Agent系统，可针对多次随访场景进行临床管理和医患对话优化。
大语言模型加速进入医疗健康领域，应用从文献检索、病历生成延伸至临床决策支持，辅助诊断是较成熟方向之一。但诊断只是起点，真正影响治疗质量的是诊断后的管理决策，这类“管理推理”更接近真实临床工作核心，也更考验模型综合理解能力。
相较于诊断推理，管理推理评估难度更大。目前医学教育中评价这类综合能力主要靠客观结构化临床考试（OSCE），但难以用于大语言模型自动化评测。
针对这一空白，Google Deepmind与Google Research的研究以AMIE为基础开发新系统。AMIE利用Gemini模型长上下文能力，结合上下文检索与结构化推理，使输出与最新临床实践指南和药物处方目录一致。在随机、双盲的虚拟客观结构化临床考试（OSCE）研究中，将AMIE与21名初级保健医生（PCP）比较，测试涵盖100个多次就诊案例场景。结果显示，在疾病管理推理能力方面，AMIE不逊于人类医生；在治疗方案和检查建议准确性、对临床指南遵循程度和知识依据可靠性方面，AMIE得分优于医生群体。
相关研究成果以“Towards Conversational AI for Disease Managemen”为题发表于Nature，研究亮点如下：
- 该研究将AMIE能力从单轮诊断推进到全流程临床管理推理。
- 系统利用Gemini长上下文能力，结合上下文内检索与结构化推理，使管理方案输出与权威临床知识高度一致。
- 在多项指标上，系统表现达到或超过全科医师水平。
数据集：从单次问答走向纵向临床场景
为评估对话式医疗人工智能长期管理推理能力，研究团队构建多层级数据体系，用于模型训练、方案生成和标准化评测。
核心评测载体是“多就诊虚拟OSCE场景数据集”，研究编制100套独立病例，分布在五个专科，每个专科20套。病例由加拿大和印度临床医师联合设计，参照NICE临床指南和BMJ最佳实践指南构建，设计为连续三次就诊，包含纵向信息，部分病例加入特殊要素检验系统判断能力。除100套正式评测病例外，还设置20套验证场景。
循证依据来自临床指南知识库，收录627份文档，总规模约1050万token，评测时向AI系统和参评全科医师开放。
研究团队还构建RxQA专项基准评估模型药物理解能力，包含600道选择题，题目源于美国OpenFDA和英国国家处方集，初稿由Gemini模型生成，经8名执业药师审核修订。目前公开300道源自OpenFDA的题目。
AMIE模型：让系统同时具备“对话能力”和“深度管理能力”
该研究以谷歌对话式医疗系统AMIE为基础专项升级，新系统采用双智能体协同架构，借鉴“双过程理论”，底层模型用Gemini 1.5 Flash。
系统由对话智能体和Mx管理推理智能体组成。对话智能体负责医患对话，维护患者状态；Mx智能体负责管理推理，生成管理计划。两者通过共享状态模块同步信息。
对话智能体相比原有诊断模型有三方面升级：更换基础模型，新增训练数据，加入强化学习。实时推理采用“规划 - 生成 - 完善”流程，维护模块化状态结构。
Mx智能体是深度管理推理核心模块，采用“粗检索 + 全上下文推理”策略，减少信息割裂。通过Gecko 1B嵌入模型建立索引，筛选相关文档输入模型推理。采用JSON模式约束结果，按框架输出，附带指南引用，先独立生成草案再整合完善。
在15项指标上均不劣于全科医师
为验证系统临床管理推理能力，研究采用随机、盲法的虚拟OSCE框架，结合RxQA药物基准测试，将AMIE系统与21名全科医师对照。评估围绕诊疗方案整体质量、检查项目推荐质量、治疗方案推荐质量三个维度展开。
临床评测中，系统和全科医师完成100套多就诊病例，30名专科医师和标准化患者盲法评分。药物测试设置闭卷和开卷环境。
结果显示，在诊疗方案整体质量方面，系统在15项评估维度上均不劣于全科医师，多项指标有统计学优势。治疗推荐适当率和检查治疗推荐精确性上，系统持续优于全科医师。指南依从性方面，系统可追溯性明显优于人类医生。
在双视角偏好评估中，近半数案例双方表现相当，系统胜率47%高于全科医师的7%，专科医师与患者评价趋势一致。随着就诊次数增加，系统在时间相关维度优势更明显。
药物推理方面，RxQA基准显示系统在高难度试题上优于全科医师，开卷资料对双方都有帮助，但不能完全解决高难度药物推理问题。
写在最后
这项研究价值在于将评估重点从“能否诊断”推进到“能否持续管理”。研究提出的多就诊虚拟OSCE、指南知识库、药物专项基准和双智能体系统，为医疗AI评测提供更贴近临床的框架。但虚拟环境无法完全还原真实医疗情况。
更稳妥的判断是：医疗大模型正从“辅助诊断”走向“辅助管理”，短期价值是成为临床决策支持工具。