当AI坐进肿瘤多学科会诊室，它能跟上医生们的争论吗？

一、从考试高分到临床实战：一道未被跨越的鸿沟

过去两年，大模型在各类医学考试中的表现令人印象深刻。执业医师资格考试、美国执业医师资格考试等标准化测试，头部模型基本都能拿到及格甚至高分。这让不少人产生了一种直觉：AI当医生，似乎已经不远了。

但考试高分和临床胜任之间，存在一道被严重低估的鸿沟。

标准化考试的题目是孤立的、结构化的、有明确边界的。而真实临床决策——尤其是复杂肿瘤病例的治疗决策——是多线程的、碎片化的、充满不确定性的。其中最具代表性的场景，就是肿瘤多学科会诊。

什么是肿瘤多学科会诊

肿瘤多学科会诊（Multidisciplinary Tumor Board，简称MDT）是指外科、肿瘤内科、放疗科、病理科、影像科等多个科室的专家，围绕同一个病人的病情共同讨论、综合各自专业意见后给出治疗方案的会议形式。

这个场景之所以关键，是因为它往往是癌症病人治疗路上的最后一道关卡。当标准治疗方案都已尝试且效果不佳时，医生们只能依靠这场会诊，把各自掌握的碎片信息拼合起来——影像科发现的一个可疑小结节、病理科测出的一个罕见基因突变、放疗科记得的既往照射剂量——共同拼出一条新的治疗路径。

如果AI能够胜任这一角色，意味着医疗资源紧张的地区，患者不必等上数周才能排到多学科专家会诊。但问题在于：此前几乎没有人能验证AI到底行不行，因为缺少真实会诊的记录可供对比评测。

---

二、现有评测基准为什么”不算数”

2.1 主流基准的数据来源问题

当前学术界评估医疗大模型的主流基准，大部分并非来自真实临床场景：

基准类型	数据来源	核心局限
医师资格考试类	标准化考试题库	单人单题，无多轮交互
病例问答类	研究者根据病例描述人工编写	问题非即兴，缺少临床焦虑与上下文
同类多学科会诊基准	回溯病历整理	非真实会议实录，规模仅66例

这些基准听起来合理，但仔细分析就会发现根本性缺陷。

2.2 真实会诊中的问题不可预设

在真实会诊中，医生提出的问题往往是即兴的、被前面的讨论逼出来的。比如放疗科医生突然问一句：”这个病人之前接受过多少剂量的放疗？”——这个问题不是研究者坐在办公室里能提前编出来的，它依赖于前面外科医生对手术方案的描述、肿瘤内科医生对化疗历史的补充，是在特定讨论语境下自然涌现的。

2.3 缺少多专家辩论场景的评测

更关键的是，现有基准几乎都是单人对话模式：模型回答一个孤立的问题就结束了。没有任何一个基准测试过模型能否在一场真实的、多个专家来回拉扯的讨论中，撑到最后拿出一个靠谱的结论。

这就好比你想考核一个人会不会打辩论赛，但给他的训练材料全是别人写好的辩论稿摘要，从来没让他看过真实辩论赛是怎么你来我往打起来的。等真上场的时候，他可能论点都会，但完全接不住对方突然抛出的追问。

2.4 规模与真实性的双重不足

此前规模最大的同类工作仅收录了66个病例，而且这些病例和讨论过程基本是回溯病历后重新撰写的，不是真实会议的逐字实录。规模和真实性的双重不足，使得这些基准无法有效评估AI在真实MDT场景中的表现。

---

三、用真实会诊录像构建评测基准

3.1 数据来源的新思路

研究团队想到了一个被忽视的数据来源：公开平台上存在大量完整录制的真实肿瘤会诊视频，从头到尾记录了医生们如何讨论、如何争论、如何让步、如何最终拍板。这是一座尚未被挖掘的数据富矿。

3.2 从视频到结构化评测数据

将视频转化为可用的评测数据，需要解决一系列工程问题：

1. 语音转写：对会诊录像进行逐字转写，区分不同说话人；
2. 角色标注：识别每位发言者的科室归属和专业角色；
3. 讨论阶段切分：将整场会诊划分为信息汇报、争论辨析、共识形成等阶段；
4. 结论提取：从讨论中提取最终形成的治疗决策及其依据；
5. 问题生成：基于真实讨论流程，构造需要模型参与的多轮交互任务。

3.3 评测任务的设计

基于真实会诊数据，可以设计多层次评测任务：

• 信息整合能力：模型能否从多科室的碎片信息中提取关键要点？
• 多轮推理能力：模型能否在讨论推进过程中动态更新判断？
• 冲突处理能力：当不同科室意见矛盾时，模型能否识别分歧点并给出有依据的倾向性意见？
• 共识收敛能力：模型能否在讨论尾声综合各方意见，给出结构化的治疗建议？

---

四、AI参与MDT的核心技术挑战

4.1 长上下文中的信息追踪

一场MDT讨论通常持续20-40分钟，转写文本可达数千到上万字。模型需要在这个长度上保持对关键信息的追踪：谁在什么时候说了什么、哪些信息已被确认、哪些还存在争议。

# 示意：多轮会诊讨论中的信息状态追踪
discussion_state = {
    "patient_summary": {...},          # 患者基本信息
    "confirmed_facts": [...],          # 已确认事实
    "open_questions": [...],           # 待解决问题
    "department_opinions": {           # 各科室意见
        "外科": "...",
        "肿瘤内科": "...",
        "放疗科": "...",
        "病理科": "..."
    },
    "consensus": None                  # 最终共识（讨论结束时填充）
}

4.2 专业术语与口语表达的混合理解

真实会诊中，医生们不会像教科书那样规范表达。他们会用缩写、俚语、省略句式，甚至在同一个句子里混用专业术语和日常用语。模型需要具备对这种”临床口语”的鲁棒理解能力。

4.3 多方观点的冲突消解

不同科室的医生基于各自的专业视角，可能给出看似矛盾的建议。比如外科倾向手术切除，肿瘤内科认为应先做新辅助化疗，放疗科则建议局部放疗。模型需要理解这些分歧背后的专业逻辑，而不是简单地”选一个”。

4.4 从讨论到结论的推理链条

MDT的最终结论不是投票产生的，而是基于证据权重和临床经验逐步收敛的。模型需要能够复现这种推理链条：为什么某个方案被排除？为什么某个组合方案被采纳？依据是什么？

---

五、对医疗AI落地的启示

5.1 评测基准需要贴近真实场景

如果评测基准本身远离真实临床场景，那么模型在基准上的高分就缺乏实际意义。医疗AI的评测需要从”考试题”走向”实战演练”，从单人问答走向多人协作，从结构化输入走向非结构化讨论。

5.2 多轮交互能力是临床落地的关键瓶颈

临床决策很少是一次性完成的。从门诊问诊到住院查房，从单科会诊到多学科会诊，每一次决策都是多轮信息交换和推理的结果。模型的多轮交互能力——包括信息追踪、上下文理解、动态推理——是决定其能否真正参与临床工作的核心瓶颈。

5.3 辅助决策而非替代决策

即便AI在MDT评测中表现良好，其角色也应是辅助决策而非替代决策。AI可以帮助整理信息、提示遗漏、提供文献依据，但最终的治疗决策仍需由具备临床经验和责任能力的医生团队做出。

5.4 数据隐私与伦理合规

使用真实会诊数据训练和评测模型，必须严格遵守数据隐私和伦理规范。去标识化处理、知情同意、数据安全存储与访问控制，都是不可逾越的前提条件。

---

六、总结

肿瘤多学科会诊是临床决策中最复杂、最贴近实战的场景之一。它要求参与者具备信息整合、多轮推理、冲突消解和共识收敛等综合能力。现有的医疗AI评测基准在真实性和交互性上存在明显不足，无法有效评估模型在这一场景中的表现。

基于真实会诊录像构建评测基准，是一条值得探索的路径。它不仅能为医疗AI提供更贴近实战的考核标准，也能推动模型在多轮交互、长上下文理解、专业口语处理等关键技术方向上持续进步。

当AI真正能够”听懂”医生们在争论什么，并且能在这场争论中贡献有价值的意见时，医疗AI的临床落地才算迈出了实质性的一步。而这一步，需要从评测基准的真实性开始。