报道基于 JAMA Network Open 的研究，研究者用 29 个标准化临床案例对 GPT-5、Claude 4.5 Opus、Gemini 3、Grok 4 等 21 款大型模型进行评测，模拟鉴别诊断、检查选择、最终诊断、治疗管理与其他临床推理五个阶段。结果显示各模型在不同环节表现不均衡：在信息较完整的“最终诊断”和“治疗管理”环节准确率较高，“检查选择”等中等，而在早期“鉴别诊断”阶段错误率普遍超过 80%，模型易在信息不足时过早收敛到单一结论，提示当前大型模型难以直接用于临床决策，应保持谨慎并依赖临床医生的逐步推理与信息积累。
4 月 17 日消息，美国医学会旗下期刊 JAMA Network Open 发文，透露业界现有的大型语言模型（LLMs）在临床推理方面仍存在明显短板，尤其是在早期的鉴别诊断阶段，错误率普遍超过 80%。
IT之家参考论文获悉，研究团队利用 29 个标准化临床案例对 GPT-5、Claude 4.5 Opus、Gemini 3、Grok 4 等 21 款主流大模型进行评测，模拟完整医疗决策流程，覆盖鉴别诊断、检查选择、最终诊断、治疗管理及其他临床推理五个阶段。
结果显示，各大模型整体表现存在一定差异，同时在不同诊疗阶段呈现出明显不均衡。具体来看，AI 在“最终诊断”和“治疗管理”环节的准确率相对较高，“检查选择”和其他推理能力处于中等水平，而在最早期的“鉴别诊断”阶段表现最差，错误率普遍超过 80%，也就是模型通常会误判病人的具体疾病。
进一步分析认为，AI 更擅长在信息相对完整的情况下给出答案，但在信息不足、需要逐步推理的早期阶段，往往容易过早收敛到单一结论，导致当前 AI 难以直接应用于临床决策。相比之下，临床医生通常会在初期保留多种可能性，并随着检查结果和信息积累不断修正判断，最终定论患者的具体疾病。