发布日期：2026-05-11 21:08 点击次数：101
这项由谷歌斟酌院（Google Research）与谷歌DeepMind联接开展的大范围斟酌，于2026年5月5日以预印本方法发布，论文编号为arXiv:2605.04012v1。有好奇爱慕深入了解的读者可以通过该编号在arXiv平台查询齐备论文。
你有莫得在更阑已而感到躯壳不对劲，却不细则要不要去看大夫的资历？喉咙有点痛，是普通伤风照旧扁桃体炎？肚子费解作痛，是吃坏了东西照旧需要坐窝去急诊？大多数东说念主遭受这种情况，第一响应不是坐窝拨打病院电话，而是掏开始机，掀开搜索引擎或者AI聊天用具，输入我方的症状描摹，但愿得到一个初步谜底。
这个行顺耳起来再普通不外，但背后其实藏着一个莫得被追究回答过的热切问题：当普通东说念主用日常语言向AI描摹症状时，AI给出的会诊提出到底有多准确？它能和信得过的大夫比拟吗？不同的对话方式——比如AI主动追问照旧用户我方淘气说——会不会权贵影响会诊质地？
谷歌斟酌院的团队决定用一场真实的大范围实验走动答这些问题。他们开辟了一套叫作念SymptomAI的对话式AI系统，把它接入了数百万东说念主在用的Fitbit健身跟踪应用，让真实用户在真实生病时使用它，历时快要一年，采集了快要1.4万场真实的症状对话。这不是在实验室里缱绻的模拟场景，也不是请演员演出病东说念主，而是真材实料的真实寰宇测试。
这项斟酌的专有之处在于，它同期作念了三件事：测试AI是否能准确会诊普通东说念主自述的症状，比较不同对话计谋对会诊准确率的影响，以及探索将AI会诊与可穿着建树的生理数据结合起来有莫得价值。最终的论断让许多东说念主感到无意——在特定要求下，AI给出的辩认会诊落幕彰着优于东说念主类临床大夫。
一、为什么普通东说念主看病前总要先问AI
在正经先容这项斟酌之前，有必要先衔接它为什么热切。咱们正处在一个医疗信息获取方式发生根人性变化的时期。以前，东说念主们生病了起始参谋家庭大夫，或者打电话给诊所。自后互联网普及，各式症状查询网站和在线症状查验用具兴起。而近几年，大语言模子（也即是ChatGPT、Gemini这类AI聊天用具）的普及，让情况进一步发生了变化。
罕见据知道，东说念主们向AI发问的问题中，约略有五分之一与医疗健康知知趣干。而在健康关连的AI对话里，快要二成波及症状评估或疾病辩论。这个趋势也曾实简直在地影响了东说念主们的就医行动——有斟酌发现，当搜索引擎上某种症状的查询量飞腾时，对应的门诊就诊量反而会下降。换句话说，东说念主们在信得以前病院之前，也曾越来越习尚先通过数字用具完成一次"预会诊"。
问题是，传统的在线症状查验用具阐扬并不睬想。一项隐私23个症状查验用具的系统性综述发现，这些用具能把正确会诊排在第一位的概率只须约34%。也即是说，你告诉它"我头疼、发热、周身酸痛"，它有三分之二的概率不会把伤风列为首选谜底。这个准确率，连病东说念主我方立时计算都只怕差若干。
那大语言模子呢？有斟酌用模范化的临床病例描摹来测试GPT-4，发现它在前五个候选会诊（也叫Top-5辩认会诊）里包含正确谜底的概率越过80%，令东说念主印象深入。但这里有一个要津问题被残暴了：那些测试用的病例描摹，是由专科大夫写的，信息齐备、抒发表率。真实病东说念主不会那么话语。
一项很有劝服力的斟酌落幕揭示了这个差距有多大：当AI径直处理专科撰写的病例描摹时，Top-3准确率高达94.9%；而当普通东说念主把合并个病例的信息用日常语言理论转述给AI时，准确率骤降至34.5%。从快要95%跌到不及35%，这个峭壁式着落，明晰地讲明了一件事：在实验室里阐扬优秀的AI，在靠近真实用户的时候，阐扬可能截然有异。
谷歌斟酌院的团队恰是看到了这个空缺，决定把AI症状评估拉到真实寰宇里来观察。
二、一场不绝九个月、涵盖近1.4万东说念主的真实实验
这项斟酌的缱绻自己就值得好好先容，因为它的范围和真实性在同类斟酌中相配悲惨。
斟酌团队把SymptomAI系统接入了Fitbit应用的"Fitbit Labs"斟酌环境，向好意思国各地的Fitbit用户发出邀请。这个实验从2025年6月正经启动，一直运行到2026年4月，不绝了快要一年。斟酌通过了寥落伦理审查委员会（Advarra，马里兰州，编号GH-SCD-001）的批准，系数参与者都经过了知情快活方法，明确了解这是一项斟酌，而非正经的医疗行状。参与者莫得任何经济薪金。
最终，约4万名Fitbit用户被邀请参与，其中13917东说念主完成了至少一次与SymptomAI的齐备对话。这些参与者在信得过感到躯壳不当令，会掀开应用与AI进行一场对于症状的对话，AI凭据对话内容给出可能的病因列表（也即是辩认会诊，简称DDx）。对话落幕后，参与者还会被邀请填写一个毛糙问卷，答谢我方是否去看了大夫以及得到了什么会诊。如果那时还没去看大夫，两周后系统会再次提醒，请他们补充后续会诊落幕。
最终，13917东说念主中有1228东说念主提供了大夫给出的真实会诊，这部分数据成为评估AI准确率的"金模范"。在这1228东说念主中，斟酌团队又立时抽取了517东说念主，邀请三位具有越过35年从业申饬的家庭科派司大夫进行了深度临床评估，耗时越过250个小时。
这三位大夫的责任分两个阶段。第一阶段，其中两位大夫寥落阅读对话记载（AI给出的会诊被保密，只保留用户的阐发），各自给出我方的辩认会诊列表，并评估我方的信心进程。第二阶段，第三位大夫在不知说念任何会诊来源的情况下，同期看到三份会诊列表（两份来自东说念主类大夫，一份来自AI），对它们进行盲评和排行，并在看到真实会诊后评估各列表的准确率。
除了东说念主类大夫的评估，斟酌团队还西宾了一个AI自动评分系统（auto-rater），用来把东说念主类评估的范围从517东说念主扩张到一都1228东说念主，确保论断更有统计力度。
通盘实验期间，参与者被立时刻派到五个不同的"对话模式"组，每组使用不同的AI对话计谋。这个立时刻组缱绻，使得斟酌者大略径直比较不同计谋的效用，而不是让参与者摆脱摄取。
三、五种对话计谋，哪种更像信得过的好大夫
这项斟酌最中枢的变量之一，是AI和用户交流的方式。斟酌团队缱绻了五种不同的对话计谋，对应五个实验组，这五种计谋的区别，本体上是AI主动性的上下。
第一种计谋叫"基础模式"，这亦然当今市面上大多数破费级AI聊天用具的默许状态。AI只被见告要聚焦于健康话题，并在对话落幕时给出可能的会诊列表。它不会主动追问，用户说什么它就回答什么，会诊的质地全都取决于用户我方温情提供若干信息。这就像走进一家诊所，大夫只是坐在哪里等你话语，不主动问任何问题。
第二种计谋叫"固定问题模式"，基于医学院教会中的模范病史采集框架——HPI（现病史）。AI被要求按门径问一套固定的问题，包括症状发生的位置、启动技术、严重进程（1-10分）、症状的具体感受（比如是刺痛照旧钝痛）、什么情况下症状加剧或收缩、是否有关连风险要素，以及症状怎样影响日常生计。无论用户之前说了什么，AI都要把这套问题问完，最多对话六轮，然后给出会诊。
第三种计谋叫"纯真问题模式"，与第二种肖似，但AI有权凭据用户也曾提供的信息跳过无须要的问题。比如用户一启动就提到了症状出现了三天，AI就不需要再问"症状什么时候启动的"。这种方式在保持结构化的同期，更接近天然对话的嗅觉。
第四种计谋叫"动态及时更新模式"，AI有全都的自主权决定问什么、奈何问，莫得任何预设问题列表。独一的拘谨是对话最多进行六轮，何况AI在每轮对话后都要及时更新并展示当前最可能的会诊列表，匡助用户边聊边了解情况。
第五种计谋叫"动态最终输出模式"，与第四种尽头相似，同样给AI全都的自主权，但AI不会在历程中展示中间会诊落幕，只在对话落幕时给出最终的会诊列表。
这五种计谋从第一种到第五种，AI的主动性和结构化进程渐渐发生变化。斟酌团队的中枢假定是：主动酌量更多信息的计谋，会比恭候用户主动提供信息的计谋阐扬更好。
四、落幕令东说念主欷歔：主动追问的AI，会诊准确率当先27%
实验落幕尽头知晓地因循了这个假定，何况差距之大超出了许多东说念主的预期。
更特地念念的是，固定问题模式（第二和第三种，系数准确率75.6%）和动态自主模式（第四和第五种，系数准确率71.4%）之间，并莫得统计上权贵的各异（Welch t观察，p=0.155）。换句话说，AI不需要沉静地除名医学院教的模范问题清单，只须它被赋予追问的权限，哪怕全都自主决定问什么，效用也和除名经典临床框架差未几。
从用户参与度来看，基础模式下用户在通盘对话中平均输入的单词数最少，而其他四种模式由于AI主动追问，用户被相易提供了更多信息，总词数彰着更多。这径直解释了为什么会诊准确率更高：更多的信息意味着AI有更充分的依据进行判断。
这个发现对普通破费者使用AI用具有径直的率领意旨。当你掀开ChatGPT、Gemini或者其他AI助手描摹症状时，KPL投注app中国官方下载如果AI只是在被迫回答你，莫得追问任何细节，那么它给出的会诊提出的可靠性要打一个很大的扣头。
五、AI的会诊，为什么连有申饬的大夫都比不外
斟酌中最引东说念主堤防的发现，是SymptomAI的会诊质地与东说念主类临床大夫比拟的落幕。
在那517个经过深度临床评估的案例中，每个案例都有三份会诊列表：一份来自SymptomAI，另外两份来自寥落阅读对话记载的东说念主类大夫（他们看不到AI的会诊）。第三位大夫在全都不知说念这些列表谁写的情况下，对三份列表进行了盲评排行。
不外这里需要稍稍解释一下"自制性"的问题。参与对比的东说念主类大夫，他们手头拿到的信息，是用户和AI之间的对话记载——也即是说，这个对话是AI主导的，问的问题是AI摄取的，采集到的信息是AI合计灵验的。如果让大夫我方来进行病史采集，他们可能会问不同的问题，采集到不同的信息。斟酌团队在论文中坦承了这个局限性：这不是一个全都自制的端对端对比（即大夫我方问诊+我方会诊 vs. AI问诊+AI会诊），而是大夫基于AI问诊内容进行会诊，与AI基于同样内容进行会诊的对比。
尽管如斯，有一个事实使这个比较依然具有劝服力：在那些被大夫评为"对话质地最高、信息最充分"的案例中，AI的阐扬上风最为杰出。既然在信息最齐备的情况下AI依然胜出，讲明AI的上风不单是来自它掌合手了东说念主类大夫没看到的信息，而是确切在会诊推理上阐扬更好。
六、AI在低信息量对话中的韧性：越难越显上风
斟酌还发现了一个特别特地念念的模式，波及不同"难度"的对话案例。
斟酌中，第一阶段的大夫（也即是提供基准会诊的两位大夫）在完成会诊后，会被要求评估我方对这个会诊的信心进程（1到5分）。在大夫自信心较高（评分4-5分）的案例中，AI和大夫的阐扬出入不大，两边都作念得可以。但在大夫自信心较低（评分1-2分）的案例中——这类案例频频是信息不够充分、症状不够典型的"勤苦"——AI的阐扬彰着优于大夫，差距在统计上权贵。
这意味着AI对信息不齐备的对话具有更强的"抗打扰才气"。即便用户描摹得松懈不清、东一句西一句，AI也能从中索要出有价值的会诊痕迹，而东说念主类大夫在同样情况下会更快地堕入困惑和不细则。
一种可能的解释是，AI在海量西宾数据中积蓄了极为泛泛的"症状-疾病"统计模式。当信息不充分时，AI可以诓骗这些统计法例，展望在给定的有限症状下最可能的疾病散播，相配于在不细则性中给出一个经过无数先验信息校准的计算。而东说念主类大夫在靠近不齐备信息时，频频更依赖个东说念主申饬和直观，这在信息零落时反而成了局限。
七、斟酌东说念主群有莫得代表性？来自普通东说念主群的额外考据
一个合理的质疑是：Fitbit的用户弗成代表普通东说念主。Fitbit主淌若健身怜爱者和健康意志较强的东说念主在用，这群东说念主可能对我方的躯壳状态更了解，描摹症状更知晓，导致AI阐扬虚高。
斟酌团队追究对待了这个质疑。他们额外从第三方看望平台（Toluna）招募了1509名来自好意思国普通东说念主群的参与者进行了寥落考据。这批东说念主通过结构化问卷描摹我方近期的健康事件，然后由SymptomAI对雷同内容进行会诊评估。
落幕知道，SymptomAI在这批普通东说念主群上的Top-5准确率为75.2%，与Fitbit用户群的80.0%尽头接近，差距不大。固然两个东说念主群的疾病散播彰着不同（统计观察知道散播各异权贵），但AI的会诊准确率保持了相配进程的平稳性，讲明斟酌论断具有一定的宽敞性，不单是适用于健康意志较强的特殊群体。
另外，斟酌团队还作念了统计观察，阐述参与临床评估的517东说念主子样本在年级、性别、体重等东说念主口学特征上与整体13917东说念主莫得实质性各异，自行答谢了会诊的东说念主群也莫得彰着的摄取性偏差。
八、身上的手环，尽然也能"感知"你在生病
这项斟酌还有一个令东说念主目前一亮的延长发现，与可穿着建树相关。
Fitbit腕表和手环可以连气儿采集多种生理数据，包括静息心率、心率变异性（HRV，这是揣度腹黑健康的一个辩论）、睡觉中的呼吸频率、睡觉中的非快速眼动期心率、睡觉中的皮肤温度、睡觉中的知晓技术、总睡觉时长、活跃分钟数以及逐日步数。斟酌团队采集了整体13917名参与者在SymptomAI对话前后共越过50万天的可穿着数据，将SymptomAI给出的会诊作为"标签"，分析哪些疾病与哪些生理辩论的变化存在关联。这类分析在医学斟酌中有一个专门的称呼唤"全表型关联斟酌"（PheWAS）。
斟酌发现，急性呼吸说念感染与多种可穿着生理辩论的权贵变化高度关连。以流感为例，在参与者战役SymptomAI的前后几天里，他们的静息心率彰着升高（赔率比OR>7，意味着流感患者静息心率相当的概率瑕瑜流感东说念主群的7倍以上），日步数和活跃分钟数大幅下降，睡觉中知晓技术加多，心率变异性镌汰。这些变化在SymptomAI对话本日前后达到峰值，然后跟着病情发展而演变。
新冠病毒感染、急性支气管炎、急性上呼吸说念感染和普通伤风也知道出肖似但强度不同的生理信号变化模式。值得贯注的是，许多这些生理变化——比如睡觉中心率的眇小飞腾或心率变异性的镌汰——在用户我方还没意志到生病之前就也曾出现了。
这个发现辅导了一种风趣风趣的异日可能性：在用户我方主动掀开症状查验用具之前，可穿着建树检测到的这些生理相当信号，也许可以作为"触发器"，主动辅导用户进行症状评估。就像手环贯注到你最近几天睡觉质地变差、心率偏高，然后主动问你"你最近嗅觉奈何样？需要作念个症状评估吗？"。
斟酌还发现，东说念主们摄取在阿谁技术点与SymptomAI交互，频频与"睡觉中知晓技术的峰值"高度吻合——也即是说，严重影响睡觉质地，让东说念主转辗反侧，频频是促使东说念主们下定决心去寻求医疗信息的要津驱动要素之一。
九、这项斟酌的局限性：哪些论断需要严慎对待
任何斟酌都有局限性，这项斟酌的团队也径直而坦诚地指出了几个需要贯注的场地。
第一，会诊"金模范"来自参与者的自我答谢，而非经过考据的医疗记载。参与者说我方被会诊为流感，但斟酌团队无法阐述这个会诊是否准确。有些东说念主可能误记了大夫的会诊，有些东说念主可能期凌了病名，还有些东说念主可能在慢性病的管束历程中，答谢的是正在演变中的阶段性会诊。斟酌团队对彰着分歧理的答谢进行了筛查和过滤，但大范围数据采集不可幸免地引入了一些杂音。
第二，临床对比的不全都自制性前边也曾提到——参与对比的东说念主类大夫，是基于AI问诊内容而非我方问诊内容进行会诊的。这在一定进程上戒指了咱们对"AI问诊+AI会诊"与"大夫问诊+大夫会诊"进行齐备端对端比较的才气。
第三，这个斟酌缱绻无法抑止参与者答谢症状的技术点。有东说念主可能在症状刚出刻下就使用了SymptomAI，有东说念主可能比及症状很彰着、致使也曾去看了大夫之后才使用。不同的技术点意味着用户能提供的信息质地和齐备性各异很大，这会影响会诊落幕。
第四，许多疾病仅凭语言描摹无法确诊，还需要体格查验、实验室检测或影像学查验。SymptomAI能作念到的只是给出辩认会诊列表，弗成替代信得过的医疗查验。对于慢性病或需要专科查验的情况，AI的局限性愈加彰着。
十、不同东说念主群，AI阐扬存莫得各异
斟酌团队还分析了AI会诊准确率在不同东说念主群特征中的散播。
从年级来看，年级较大的参与者（65岁以上）Top-5准确率总体高于年青东说念主。斟酌团队认为，这可能是因为年父老有更丰富的就医资历，对我方的躯壳状态更了解，描摹症状时更精确。
从性别来看，女性参与者的会诊准确率高于男性。斟酌团队援用了一项医学斟酌的发现：男性在日常生计中倾向于比女性更少就医，对躯壳症状的感知和描摹才气相对弱于女性，这可能导致男性用户在使用AI症状用具时提供的信息质地偏低。
从老师进程来看，领有斟酌生及以上学历的参与者准确率高于本科及以下。从医疗信息涵养来看，自评"大略识别和衔接集结健康信息"和"大略使用AI用具解答健康问题"的参与者，比自评信心较低的参与者阐扬更好。这些法例都指向合并个看法：用户的健康常识配景和信息抒发才气，是影响AI会诊质地的热切要素。
此外，斟酌还比较了不同版块的Gemini模子（包括Gemini 2.0 Flash、Gemini 2.5 Flash和Gemini 2.5 Pro）在同样对话内容上的阐扬，发现更新、更大的模子在会诊准确率上如实有一定升迁，但升迁幅度不算戏剧性。这讲明对话计谋（主动追问与否）的影响，比模子版块自己的影响更为要津。
说到底，这项斟酌告诉咱们什么？
归根结底，这项斟酌的中枢信息尽头知晓：当AI主动追问、系统地采集症状信息时，它的会诊才气可以越过有申饬的临床大夫；而当AI被迫恭候用户自说自话时，它的阐扬会大幅缩水。这对咱们日常使用AI健康用具有径直的率领意旨——如果你发现某个AI用具只是在被迫回答你，并莫得追问细节，那它给出的会诊提出参考价值有限。
这项斟酌的意旨还不啻于此。它用快要1.4万场真实对话解释了，大语言模子在靠近真实用户的真实症状时，不再只是"实验室里面子"，而是确切能在施行会诊中施展特地旨的作用。在全球优质医疗资源分派相当不均、偏远地区和低收入群体严重零落专科医疗因循的配景下，这种可以遍地随时、免费得到的AI会诊援助用具，有着不可残暴的群众卫生价值。
天然，有几个念念考看法值得络续和顺。AI的会诊提出应该在多猛进程上被用户手脚"参考"而非"论断"？当AI给出的会诊提出与大夫的判断相矛盾时，用户应该怎样衡量？可穿着建树的生理数据与AI症状评估相结合，能否信得过已毕疾病的早期预警，照旧仍然过于复杂？这些问题，都在恭候更多斟酌走动答。
如果你对齐备的斟酌细节感好奇爱慕，可以在arXiv平台通过论文编号2605.04012搜索全文，免费获取。
Q&A
Q1：SymptomAI的会诊准确率和真实大夫比拟到底差若干？
A：SymptomAI在Top-5辩认会诊准确率上权贵优于东说念主类大夫，赔率比OR=2.47，也即是说AI的会诊列表包含正确谜底的概率约略是东说念主类大夫的2.5倍。在517个经过临床大师盲评的案例中，大师把AI的会诊列表排为"最好"的比例越过52.9%，而两位东说念主类大夫的列表被排第一的比例隔离只须约23.5%和26.7%。不外需要贯注，参与对比的大夫是基于AI问诊记载进行会诊，而非我方主导问诊，这在一定进程上影响了对比的全都自制性。
Q2：为什么AI追问症状比用户我方描摹效用各异那么大？
Q3：Fitbit的生理数据能提前展望生病吗？
A：斟酌发现，急性呼吸说念感染（尤其是流感）与Fitbit采集的多种生理辩论变化高度关连KPL投注官网，且这些变化在用户主动寻求症状评估之前就也曾出现。以流感为例，赔率比越过7，意味着流感患者出现生理相当的概率是普通东说念主的7倍以上。静息心率升高、心率变异性下降、步数骤减等信号在症状答谢日前后达到峰值。这辅导异日可能通过可穿着建树的生理相当主动触发症状评估，但当今仍处于斟酌阶段，尚未变成可落地的预警家具。
亚搏体育中国官网在线入口
备案号: