在现代医学领域，诊断过程的复杂性和多变性对医生提出了极高的要求。传统的诊断方法通常依赖医生丰富的临床经验和系统性的思考，但在快速变化和信息爆炸的时代背景下，人类医生面临的挑战也日益增加。人工智能，尤其是大型语言模型（Language Models, LMs）的出现，为医疗诊断带来了前所未有的机遇。通过模拟医生在临床实践中的思维轨迹，语言模型实现了逐步诊断（Sequential Diagnosis）的创新方法，极大地提升了诊断的效率和准确性。逐步诊断的核心理念源于现实中的医疗实践：医生并非一次性获得所有信息，而是通过询问病史、检查症状、安排相关检查，逐步累积证据，调整诊断思路，最终做出精准判断。传统的医疗AI往往依赖静态病例或预设选项，缺少动态交互的灵活性，难以反映医生在真实环境中的复杂思维过程。
最近发表的研究成果提出了“逐步诊断基准”（Sequential Diagnosis Benchmark），这一创新框架将医学经典病例转化为一系列渐进式的诊断对话，促使AI系统像医生一样，逐步获取关键信息并调整诊断方向。该基准使用麻省理工学院新英格兰医学杂志临床病理会议（NEJM-CPC）的304个复杂病例，重现医生在诊疗过程中的多轮决策场景。系统初始仅获取简短的案例摘要，随后通过与“守门模型”互动，主动提出问题以获得额外细节。这样不仅可以衡量诊断的正确率，还能评估完成诊断所需的医疗资源，包括访问量和检查次数，从而综合考量医疗效率和经济性。研究团队还开发了一个名为MAI诊断协调器（MAI Diagnostic Orchestrator，简称MAI-DxO）的模型无关平台，能够模拟一组医生协同工作，提出初步的诊断假设，智能筛选并安排高价值且成本有效的检查。MAI-DxO与市场领先的OpenAI o3模型结合时，表现出了惊人的能力。
它不仅实现了80%的诊断准确率，远超普通全科医生约20%的平均水平，还在降低诊断成本方面表现优异，相较于传统医生节约了大约20%的医疗资源，并比直接使用OpenAI o3模型节省近70%的成本。当MAI-DxO系统针对最高准确率进行优化，准确率更是达到85.5%。这表明，通过系统化的逐步诊断策略，AI能够以较低的资源消耗完成更精确的医疗判断。更具广泛意义的是，MAI-DxO展示了良好的跨模型适应能力，其优异的性能不仅限于OpenAI的模型，还适用于Gemini、Claude、Grok、DeepSeek和Llama等多种大型语言模型家族。这充分说明，逐步诊断理念具备较强的普适性和可扩展性。该研究强调，AI系统若能够被设计成模拟医生的迭代思考与谨慎决策，则有望显著推动临床诊断的精准度和降低医疗服务的整体成本。
同时，此举也为医疗行业的数字化转型提供了宝贵思路。语言模型凭借强大的自然语言理解和生成能力，能够对复杂的临床文本进行分析，并生成合适的诊断问题和判断建议。这种人机协作模式将医生从繁杂的资料整理和初步判断工作中解放出来，使其能够更多专注于患者的独特需求和复杂病情的深度分析。逐步诊断的最大优势在于其动态调整的特性，模拟医生的探索性查询和证据整合过程，避免了传统一刀切式诊断容易出现的误判和资源浪费。此外，基于多轮交互，语言模型能够持续优化诊断路径，合理安排检测优先级，节约检查费用的同时缩短诊断时间，对患者体验和医疗体系负担均有积极意义。在未来，逐步诊断技术有望与电子健康记录（EHR）、基因组数据、影像诊断等多源数据深度融合，构建更加全面和智能化的临床决策支持系统。
随着技术的成熟和数据资源的丰富，AI诊断将逐渐走向个性化和精准化，成为每位医生的得力助手。同时，相关伦理、隐私和监管问题也需同步推进，确保技术安全合规应用。总之，语言模型驱动的逐步诊断代表了医学人工智能的重要发展方向。它不仅有效模拟了人类医生复杂且细致的思考过程，更通过智能化的资源管理提升了整个医疗服务的效率和质量。凭借其强大的适应能力和卓越的性能表现，逐步诊断技术正引领医学诊断进入一个全新的智能时代，为全球医疗健康事业的发展注入源源不断的动力。
