近年来，人工智能（AI）技术，尤其是大语言模型（LLMs），在医学领域取得了显著进展。这些模型在静态医疗问答任务中表现优异，甚至在某些情况下能够媲美人类专家。然而，医学诊断并非单一静态的任务，而是一个动态、复杂的过程，涉及多轮互动和信息收集。
为了更全面地评估LLMs在动态医疗场景中的能力，来自华中科技大学、阿里巴巴、复旦大学的研究人员在第31届国际计算语言学会议（ACL Anthology）上发表了一篇题为《AI Hospital: Benchmarking Large Language Models in a Multi-agent Medical Interaction Simulator》的论文，提出了AI医院——一个由多智能体组成的交互式医疗模拟器。
背景：医学诊断中的动态交互挑战
在真实的临床诊断中，医生与患者之间的互动通常是动态的、迭代的。医生需要通过多轮对话，逐步收集患者的症状信息，推荐合适的检查，并根据检查结果做出诊断和治疗决策。这种动态过程与静态医学问答任务有着本质的区别：后者假设所有患者信息在开始时就已完全提供，而前者则要求医生主动提问、整合信息，并在不确定性中进行决策。
尽管LLMs（如GPT-4）在静态医学问答任务中的表现令人印象深刻，但其在动态诊断场景中的能力仍不明确。为了解决这一问题，研究人员提出了AI医院框架，旨在模拟真实的医疗交互过程，并评估LLMs在动态场景中的表现。
AI医院框架：多智能体模拟器
AI医院是一个由多智能体组成的框架，模拟了医生、患者和检查员之间的互动。该框架的设计目标是尽可能贴近现实中的临床诊断流程，同时为评估LLMs的动态交互能力提供一个可控的环境。
1. 角色设置
AI医院中的角色分为三类：
- 医生代理：由大语言模型（LLMs）驱动，负责与患者互动、推荐检查并最终生成诊断报告。
- 患者代理：一个非玩家角色（NPC），负责提供患者的主观信息（如症状和病史）。
- 检查员代理：另一个NPC，负责提供医疗检查结果（如实验室检测或影像检查）。
这种角色分配方式与现实临床场景高度一致：医生需要通过与患者的互动收集主观信息，并通过检查员获取客观数据。
2. 数据集与任务设计
为了构建AI医院的模拟环境，研究人员从中国的医疗网站收集了506份高质量的中文病历。这些病历涵盖了12个医学专科和48个亚专科，涉及多种疾病、症状和检查项目。每份病历被分为以下三个部分：
- 主观信息：患者描述的症状和病史。
- 客观信息：检查结果和其他辅助数据。
- 诊断与治疗过程：医生的诊断结论和治疗方案。
在AI医院中，医生代理需要通过多轮对话与患者和检查员互动，最终生成包含以下五部分的诊断报告：
- 患者症状；
- 医疗检查；
- 诊断结果；
- 诊断依据；
- 治疗计划。
3. 多视角医学评估（MVME）基准
研究人员提出了多视角医学评估（MVME）基准，用于量化LLMs在AI医院中的表现。MVME基准从以下三个关键维度评估医生代理的能力：
- 症状收集：医生是否能够通过互动收集到足够的症状信息。
- 检查推荐：医生是否能够推荐合适的检查项目。
- 诊断与治疗：医生是否能够根据收集到的信息做出准确的诊断和治疗计划。
评估方法包括三种：基于链接的自动评估、基于GPT-4的模型评估以及人类专家评估。
实验结果与分析
研究人员在AI医院框架中测试了多种大语言模型，包括GPT-3.5、GPT-4、Wenxin-4、QwenMax、Baichuan 13B、HuatuoGPT-II等。实验结果揭示了LLMs在动态医疗交互中的优势与局限性。
1. 动态诊断的表现
尽管LLMs在静态医学问答任务中表现优异，但在动态诊断场景中的表现显著下降。例如，即使是性能最好的GPT-4，其在动态诊断中的表现也仅达到静态诊断的50%。这表明，当前LLMs在动态信息收集和临床决策方面存在明显不足。
2. 影响诊断性能的因素
通过线性回归分析，研究人员发现患者信息的完整性与诊断质量之间存在显著正相关。这表明，LLMs在动态交互中难以有效提问以获取完整的患者信息，进而影响诊断准确性。此外，不同模型的表现差异显著，参数较少的模型在动态诊断中的表现较弱。
3. 科室间的性能差异
在不同医学专科中的表现差异也提供了重要见解。例如，大多数模型在外科和耳鼻喉科的表现优于其他科室，而在儿科中的表现较差。这表明，不同医学专科的复杂性对LLMs的表现有显著影响。
4. 协作机制的作用
为了提升诊断准确性，研究人员引入了一种协作机制，允许多个LLMs独立诊断同一病例并通过讨论达成共识。实验表明，协作机制能够在一定程度上提高诊断质量，但仍未能弥合动态诊断与静态诊断之间的差距。
讨论与未来展望
AI医院框架的意义
AI医院为评估LLMs在动态医疗交互中的能力提供了一个创新的平台，不仅可以用于模型性能的测试，还可以为医学教育和AI辅助诊断工具的开发提供支持。通过生成高质量的医疗对话数据，AI医院有潜力进一步推动医疗AI的发展。
当前LLMs的局限性
尽管LLMs在静态医学问答任务中表现出色，但其在动态诊断中的不足仍然显著。具体表现为：
- 信息收集能力不足：难以主动提问以获取完整的患者信息。
- 检查推荐不准确：推荐的检查项目往往不够全面或与诊断需求不匹配。
- 诊断决策不可靠：即使获得了完整信息，诊断准确性仍低于预期。
未来研究方向
未来的研究应重点解决以下问题：
- 改进动态信息收集能力：通过更好的提示设计和训练方法，提升LLMs的主动提问能力。
- 多模态信息整合：探索LLMs在整合文本、图像和其他医疗数据方面的潜力。
- 跨文化和多语言适应性：扩展数据集的多样性，确保模型能够适应不同文化背景和语言环境。
- 伦理与偏见问题：开发透明且公平的AI系统，确保其在临床应用中的可靠性和公正性。
结论
AI医院框架为评估LLMs在动态医疗交互中的能力提供了一个全新的视角。尽管当前的LLMs在静态任务中表现优异，但在动态场景中仍面临显著挑战。通过进一步优化模型的动态交互能力，AI有望在未来的医疗诊断中扮演更重要的角色，为医疗行业带来更多创新和突破。
参考
Fan, Zhihao, Lai Wei, Jialong Tang, Wei Chen, Wang Siyuan, Zhongyu Wei, and Fei Huang. "Ai hospital: Benchmarking large language models in a multi-agent medical interaction simulator." In Proceedings of the 31st International Conference on Computational Linguistics, pp. 10183-10213. 2025.
