83.2% 对 36.1%:诊断编排系统登《科学》,医院自建该把预算压在检查单而不是显卡上

行业新闻 · 丁香 · 发布 2026-10-24 · 阅读 42

先把数字摆出来

10 月 22 日《科学》刊出微软 AI 团队的序贯诊断研究。他们把 304 例《新英格兰医学杂志》临床病理讨论病例和 325 例 MIMIC-IV-ED 急诊入院记录,改造成可以逐步提问、逐步开检查的交互式病例,形成 SDBench 基准。MAI-DxO 不是单个模型,而是一个模拟医生小组互相辩论的编排器:每一轮提出鉴别诊断、挑信息量最高的检查,并把检查费用计入决策。

结果:疑难病例上准确率 83.2%,同批全科医师开卷 36.1%、闭卷 22.3%;平均检查费用 5,431 美元,医师两组分别是 4,725 美元与 3,049 美元。急诊病例上 80.3% 对 46.8%,费用 4,979 美元对 3,400 美元。

私有化的第一笔账不是算力

论文里有一句对自建最关键的话:模型推理成本约 0.15 美元/例,相对诊断检查费用可以忽略。按 1,000 例/年测算,推理侧 150 美元,检查侧 130.3 万美元,推理只占检查费用的 0.0115%。医院做私有化,把预算压在显卡上等于把钱花在最小的那一项;真正的成本项是检查开单、流程改造与审计留痕。

准确率与成本是同一条曲线上的四个点

论文给了四档配置:无预算约束 83.2%(5,431 美元)、预算优先 80.9%(2,241 美元)、更省 79.6%(1,303 美元)、极限准确率 84.5%(8,945 美元)。采购要做的不是选哪个模型,而是选哪一档运营点:79.6% 档比医师闭卷档便宜 57.3%,准确率高出 57.3 个百分点;而最高准确率档反而比医师开卷更贵 14.9%。也就是说,成本只有三分之一这句宣传只在预算档成立。

模型无关,才是它能进机房的理由

论文明确说增益在 OpenAI、Gemini、Claude、Grok、DeepSeek、Llama 各家族上都能复现,编排方法与模型代际解耦。对数据不出院的自建方案,这意味着可以把子代理换成本地开源权重模型,GPU 只需要撑住多轮辩论的并发,不必追最新旗舰卡。但要注意:论文的绝对分数是 GPT-5、o3 口径,国产开源模型在同一编排下的绝对准确率没有披露。招标条款就该写成以本院 200 例历史病例复测、准确率不低于基线,而不是复述论文数字。

三条验收线,和一笔预算建议

第一,成本基准要换成本地价格表:论文用的是 Kaiser Permanente Washington 2026 年 4 月的收费主目录与 CPT 定价,搬回国内必须换成院内收费目录,否则省钱是算出来的而不是省出来的。第二,对照组要补专科:论文自认对照组只有全科医师,没有专科医生与多学科团队,也没有真实门诊里的影像和体征。第三,口径要写清:全部是历史病例、纯文本、非前瞻,先证明的是文本序贯问诊能力。

1,000 例疑难病例口径下,检查费从 304.9 万美元降到 130.3 万美元,一年省 174.6 万美元;对应的准确率从 22.3% 抬到 79.6%。我给自建预算的分配是流程改造 60%、算力 30%、许可与服务 10%,先把谁为 AI 开的检查单负责写进制度,再谈上卡。

观察:这套系统真正的价值不在 83.2% 这个数字,而在它把检查费用写进了评测维度——一项能被计价的能力,才谈得上进医院预算表。微软已开源 SDBench 的基准代码与 Judge、Gatekeeper、成本估算模块,对照组实验可以自己复现一遍再决定买不买。

来源:《科学》Sequential Diagnosis with Language Models(Nori 等,2026-10-22);微软 AI 官方博客。检查费用为论文估算值,非患者账单。