本地部署医疗AI智能体用于可靠的临床决策

大语言模型驱动的诊断智能体进展迅速：受多学科会诊启发的多智能体对话框架在疑难病诊断上优于单模型以及思维链、自一致性等方法^[3]；整合病理图像、影像分割与检索工具的自主肿瘤智能体，更把 GPT-4 单独使用时的决策准确率从 30.3% 提升到 87.2%^[6]。但这类系统都依托 GPT-4 等云端商用模型^[3][6]，机构层面的治理与数据管控难以落实；可靠性证据同样不乐观——在基于 MIMIC 真实病例的模拟场景中，最先进的模型诊断准确性显著低于医生，不遵循诊疗指南、无法解读检验结果^[2]，还可能因患者的社会人口学特征给出不公正的建议^[4]；领域综述也指出诊断类大模型的评估方法尚不成熟^[5]。

针对这两个缺口，这项 2026 年发表于 Nature Medicine 的研究^[7]构建了完全本地部署的临床智能体，把机构可控的本地运行与多视角可靠性框架结合，以支持“选择性自主”。在两个 MIMIC-IV 衍生基准上，智能体于七疾病任务取得 90.04% 准确率、四疾病任务取得 83.8%，在主基准上接近云端基线。更关键的是决策时刻的可靠性量化：作者从内部似然、语言与行为稳定性等角度度量诊断与推理，发现诊断行为一致性对判别答案对错的效能最强（AUC 0.860），在压力测试下仍保持 0.875；将一致性阈值设为 0.90 时，49.4% 的病例可交由智能体自主处理，其诊断准确率达 98.9%。

这一步的推进，在于把“能否让智能体自己拿主意”从概念变成了可操作的门控：以往工作要么展示智能体的能力上限^[3][6]，要么揭示其可靠性短板^[2][4]，本文则将两者衔接——用决策时的行为一致性信号筛出低风险子集自主完成、其余转人工复核，同时回应机构治理与决策时不确定性估计两项要求，也呼应了 DECIDE-AI 对早期临床评价中安全性与人机因素的强调^[1]。

不过，现有结果仍来自 MIMIC-IV 衍生的回顾性基准，尚未经过 DECIDE-AI 所倡导的小规模真实临床检验^[1]；主基准上也只是接近而非超过云端基线，约半数病例仍需人工复核，行为一致性的判别力也远非完美；而社会人口学偏倚等已证实的风险^[4]在真实部署中的表现，仍是悬而未决的问题。