AI能否胜任肿瘤多学科会诊中的共识推理

当AI坐进肿瘤多学科会诊室，它能听懂医生们在争论什么吗？

一、考试高分≠临床胜任：一个被忽视的评测盲区

过去两年，围绕“大模型能否当医生”的讨论，几乎都绕不开各类医学考试榜单。执业医师资格考试、各类标准化医学测试，头部的通用大模型和医疗垂类模型基本都能刷到令人瞩目的分数。于是，一种乐观叙事开始蔓延：模型已经具备临床级医学知识。

但这里存在一个根本性的错位——考试考察的是知识回忆与单轮推理，而临床决策考察的是在不确定、多主体、多轮交互中收敛出可执行方案的能力。

肿瘤多学科会诊就是这种能力的极致试炼场。它通常指多个科室的专家（外科、肿瘤内科、放疗科、病理科、影像科等）围坐一堂，针对同一个疑难病例，综合各自专业视角，最终形成一份统一的治疗建议。对于晚期或标准方案失败的患者而言，这往往是寻找新路径的关键节点。

如果AI能够胜任这一角色，其意义不言而喻：医疗资源紧张的地区，患者可能不必等待数周才能排到多学科会诊。但问题的前提是——我们如何验证AI到底行不行？

答案令人尴尬：此前几乎没有人真正测试过。

二、现有医学基准的结构性缺陷

要理解为什么现有基准“不算数”，需要先看清它们的设计逻辑。

目前学术界主流的医疗模型评测集，大致可分为两类：

• 考试题库型：直接采用医师资格考试或标准化医学测试题，题型以单选、多选为主，答案唯一。
• 人工病例型：研究者根据病历描述，人工编写问题与标准答案，模拟“一个医生问、一个模型答”的单轮对话。

这两类基准的共同问题在于：

1. 问题不是“被逼出来的”

真实会诊中，医生的提问往往带有强烈的上下文依赖和临床焦虑。比如放疗科医生在听完外科方案后，突然追问：“这个患者之前接受过多少次胸部放疗？剂量累及范围是多少？”——这个问题是被前面的讨论逻辑逼出来的，而非研究者坐在办公室里能预设的。

2. 没有多专家博弈过程

现有基准几乎全是单人对话，模型回答一个孤立问题即结束。没有任何一个基准测试过：模型能否在一场多位专家来回拉扯、观点冲突、逐步妥协的讨论中，始终跟上节奏，并最终给出靠谱结论。

3. 病例规模与真实性不足

此前规模最大的同类工作，仅收录了66个病例，且讨论过程基本是“退回头根据病历补写”的，而非真实会议的逐字实录。这就像想考核一个人会不会打辩论赛，却只给他看别人写好的辩论稿摘要——论点他可能都会，但真上场时完全接不住对方突然抛出的追问。

三、真实会诊数据的价值与获取难题

研究团队将目光投向了一个被忽视的资源：公开平台上大量完整录制的真实肿瘤会诊视频。这些视频从头到尾记录了医生们如何争论、如何让步、如何最终拍板，是极具价值的真实交互数据。

但直接使用这些数据面临多重挑战：

• 语音转写与说话人分离：需要准确区分哪位专家在发言，以及每句话的归属。
• 医学术语与口语化表达：真实会诊中夹杂大量缩写、俗语和即兴表达，通用语音识别模型错误率较高。
• 隐私与合规：患者信息必须严格脱敏，同时保留临床逻辑完整性。
• 标注一致性：如何定义“共识达成”的边界？不同专家对同一结论的表述可能不同。

四、构建可信评测集的技术路径

要让AI真正接受“会诊级”考验，评测集的设计需要满足以下条件：

1. 多轮、多角色、有冲突

评测样本应完整保留会诊的讨论过程，包括意见分歧、证据补充、方案调整等环节。模型需要在每一轮发言后更新自己的理解，而非只回答最后一个问题。

2. 结构化输出与共识对齐

模型最终输出的不应是一段自由文本，而应是一份结构化的治疗建议，并与真实会诊达成的共识进行多维度比对：治疗方向是否一致、关键证据是否被采纳、禁忌症是否被识别。

3. 可解释性评估

除了看结论对不对，还要看模型是否引用了正确的证据链。例如，它是否注意到病理科提到的某个基因突变，是否结合了影像科描述的小结节位置。

一个简化的评测流程示意如下：

输入：多轮会诊对话记录（含角色标签）
     ↓
模型逐轮理解与状态更新
     ↓
输出：结构化治疗建议 + 证据引用
     ↓
与真实共识比对：
  - 治疗方向一致性
  - 关键证据召回率
  - 禁忌症识别率
  - 多轮一致性得分

五、对医疗AI落地的启示

这项评测工作的意义，远不止于刷榜。它指向一个更本质的问题：医疗AI的评测必须从“知识问答”走向“临床决策过程模拟”。

对于开发者和企业用户而言，这意味着：

• 在构建医疗垂类模型时，不能只关注考试分数，而要重视多轮对话中的状态追踪与冲突消解能力。
• 数据工程的重点应从“编写病例”转向“采集真实交互数据”，并建立严格的脱敏与标注流程。
• 评测指标需要从准确率扩展到一致性、可解释性和安全性等多个维度。

当AI真的坐进会诊室，它需要的不是背诵指南，而是听懂争论、整合碎片、给出理由。这条路才刚刚开始。