AREX Feed Article
Google 的 AMIE 研究登上《The Lancet》主刊：98 例真实就诊前对话均未触发安全叫停，90% 病例的最终诊断落在前 7 项鉴别诊断内
美东时间 10 月 8 日（北京时间 10 月 9 日清晨），《The Lancet》发表了 Google 与 Beth Israel Deaconess Medical Center（BIDMC）合作的 。BIDMC 在中称，研究者认为这是首个在初级保健真实场景中、直接面向患者的前瞻性研究：患者在就诊前先与 AI 对话，全程由医生实时监督，没有一例对话需要安全叫停（safety stop）干预。
Google 及 Alphabet CEO Sundar Pichai 在 中宣布了这一发表，并给出几组数字：临床医生报告摘要帮助其准备就诊的病例占 75%、影响其诊疗思路的病例超过一半；AMIE 的鉴别诊断与医生最终诊断的吻合率为 90%。帖文还称，这是 Google 首次在《The Lancet》主刊发表论文。
研究流程：患者与 AMIE 文本对话、随后就诊，8 周后复核病历并由独立评估者盲评。图片来源：该研究论文（预印本版本）。
就诊前的三段流程：从在家聊天到 8 周后复核病历
研究在 BIDMC 位于波士顿的学术初级保健诊所 Healthcare Associates（HCA）进行，时间为 2025 年 4 月至 11 月。研究期内该诊所共安排 1,452 例紧急护理（urgent care）预约，论文称约 10% 的就诊者最终被纳入研究。
符合条件的受试者是已在该诊所建档、预约了紧急护理、经分诊确认不需要急诊处理、并能用电脑接入聊天界面的成年患者。他们在就诊前最多 5 天（0～5 天）于家中与 AMIE 进行文本对话。据描述，对话分为接诊、采集病史、诊断验证、给出评估、收尾五个阶段；AMIE 会把可能的诊断与下一步建议以「可与医生讨论」的措辞谨慎呈现。它生成的管理方案并未直接展示给患者或医生，只用于研究评估。
整个流程分三步：对话时，一名获得专科认证的内科医生通过视频通话共享屏幕全程观察，可随时介入；患者随后按约到 HCA 就诊，接诊医生可提前查看对话记录和自动生成的摘要；8 周后，研究者从病历中提取最终诊断，并由三名独立临床评估者在不被告知来源的情况下，对 AMIE 与医生各自的鉴别诊断（differential diagnosis）和管理方案评分。
样本层面，114 人签署知情同意并启动与 AMIE 的对话，100 人完成对话（完成率 87.7%），98 人既完成对话也按约就诊，进入分析。研究已在 ClinicalTrials.gov 预注册（NCT06911398），并经 BIDMC 伦理审查批准。
从模拟诊室到真实门诊：AMIE 的模拟评估与这次主刊发表
AMIE（Articulate Medical Intelligence Explorer）是 Google 的对话式诊断 AI 研究系统，基于大语言模型（LLM），针对临床对话场景优化。此前对它的评估大多发生在模拟场景中：用受过训练的演员扮演患者，进行模拟临床考试（OSCE）。论文引言称，AMIE 在这类模拟中的诊断推理表现与初级保健医生（PCP）相当、部分方面更高；但模拟无法覆盖真实患者的沟通差异、焦虑情绪、健康与技术素养差异，以及紧迫程度不同的各种临床表现。
这项研究的预印本早在今年 3 月 9 日就上传到了 arXiv（3 月 15 日更新）。10 月 8 日的新增点是：它经过同行评审、发表在《The Lancet》主刊，论文题为「Conversational diagnostic artificial intelligence in ambulatory primary care: a prospective feasibility study」（直译：对话式诊断人工智能在门诊初级保健中的前瞻性可行性研究）。预印本中对系统的描述是：这一版本以 Gemini 2.5 系列模型为基础、启用 Thinking 模式，未做医学领域微调，而是靠提示设计与对话阶段来适配「就诊前病史采集」这个具体任务。
零安全叫停与一次被识别的幻觉
安全是这项研究的首要目标之一。论文称，全部 100 场患者与 AMIE 的对话均未触发四条事先设定的「安全叫停」标准：对自己或他人有即时伤害风险；出现与 AI 互动相关的明显情绪困扰；监督者从对话内容判断可能存在临床伤害；患者明确要求结束对话。BIDMC 的新闻稿以完成完整流程的 98 例为口径，也说没有一例需要安全叫停干预。
BIDMC 的新闻稿还提到：监督医生识别出 1 处幻觉（hallucination，即模型给出了与事实不符的信息），并在 5 例中向患者做了额外的临床澄清。
BIDMC Carl J. Shapiro 研究与教育研究所的 AI 项目主任 Adam Rodman 在新闻稿中说：「尽管面向患者的 AI 在实验设定中展现出理论上的性能，但这类对话在真实场景中是否安全，此前并不清楚。」他补充说：「在把这些工具当作减轻工作量的手段来评估之前，必须先证明它们能在真实诊疗流程中安全、可接受地运行。」
「安全」在这里也有明确边界：已知怀孕、以心理健康为主诉、需要急诊处理的患者被排除在外；论文作者提醒，参与者知道自己正被观察，这可能让表现和评分偏高（霍桑效应）；AMIE 能否在真实世界安全地把患者引导去急诊，也尚未被研究。
医生问卷、病历复核与盲评：三组结果的口径
在医生端，60 份问卷中有 16 份表示没机会在就诊前查看 AMIE 的对话记录或摘要；在查看过的 44 份里，75% 认为这些材料有帮助（41%「非常有帮助」、34%「有些帮助」），57% 认为可能改变了自己的处理方式（21% 肯定、36% 可能），64% 表示信任对话中的信息。也有少数负面评价：4 例被评为「有些没用」，1 例被评为「有些有害」，BIDMC 称，这名医生担心患者因 AMIE 把淋巴瘤列入可能诊断而焦虑。
诊断指标方面，8 周后从病历复核得到最终诊断：98 例中，最终诊断出现在 AMIE 鉴别诊断前 7 位内的有 88 例（90%），前 3 位内 73 例（75%），第一位命中的 55 例（56%）。Pichai 帖文中所说的「吻合率 90%」，对应的就是前 7 位这个口径。
盲评结果还显示：AMIE 与医生的鉴别诊断质量（p=0.6）、管理方案的适当性（p=0.1）与安全性（p=1.0）没有显著差异；但医生的管理方案在实用性（p=0.003）和成本效益（p=0.004）上评分更高。临床评估者「猜出来源且猜对」的比例为 59.18%。
评分与准确率：左侧为临床评估者对 AMIE 与初级保健医生（PCP）的评分对比；右侧为 AMIE 鉴别诊断前 k 项包含最终诊断的比例曲线。图片来源：该研究论文（预印本版本）。
患者愿意再聊，但对保密与诚实的信任不足一半
患者端，AI 态度量表（GAAIS）得分在用过 AMIE 后显著改善（p<0.001），并在完成就医后仍保持在高位。患者对 AMIE 的礼貌、让人放松、倾听、解释病情等评价普遍较高；相对薄弱的是两项：信任系统会保密、以及认为它诚实可信；论文称，给出肯定评价的患者不到一半。不过，多数患者表示愿意再次使用。
在 20 名患者的后续访谈中，有人把 AMIE 当作「梳理健康叙述」的工具，以便更好地利用时间有限的问诊；不少人评价它说人话、有同理心。顾虑同样明确：数据隐私、复杂或高风险问题是否可靠，以及适用边界，比如它更适合初级保健问题，不应被用于紧急情况。
参与访谈的 10 名接诊量最高的医生把 AMIE 的记录比作「三年级医学生的记录」，认为摘要常常比标准接诊记录更细；他们说，问诊因此从「采集信息」转向「核实与合作」，能更快建立信任，把更多时间留给咨询和管理。接受访谈的 5 名监督医生则把 AMIE 形容为「住院医级别」的工具，同时提醒要警惕过度依赖和诊断锚定（diagnostic anchoring，指过早锁定某个诊断）。
尚未回答的问题：单臂、单中心、没有疗效终点
论文与新闻稿都强调了这项研究的定位：评估可行性与安全，而非证明 AI 能改善健康结局。它是一项单臂（没有对照组）、单中心研究，样本 100 人，全部发生在波士顿一家学术医疗中心；参与者需自备电脑（手机不行），约 7% 的入组者因设备问题未能完成；样本年龄也比该诊所整体的紧急护理人群更年轻。
AMIE 没有接入病历系统，不能做体格检查，也看不到语音等多模态信息；论文认为，这可能解释它为何在管理方案的「实用性」与「成本效益」上不如医生。BIDMC 还披露：研究由 Alphabet 资助；论文作者 Adam Rodman 在部分研究期间担任 Google 访问研究员。
论文的结论限定在实时人工监督的安全协议下：AMIE 的部署「可行且在对话层面安全」。而在不设预检分诊的真实场景中能否安全运行，论文称尚未得到验证，需要进一步研究并配套更完善的安全机制。