当AI走进HIV诊室:10款大模型谁更靠谱?

你有没有想过，有一天你走进诊室，对面坐着的不再是穿白大褂的医生，而是一个聊天机器人？它快速阅读你的病历，几秒钟内给出诊疗建议，你拿着它开的处方去取药——这听起来像是科幻电影里的情节，但大型语言模型在医疗领域的应用，正在让这个场景离我们越来越近。

尤其在HIV管理这个领域，情况更是复杂到让人头疼。感染者需要终身服药，治疗方案不断更新，还要应对各种机会性感染、药物耐药、合并症……光是听上去就够让人焦虑了。而在偏远地区或者医疗资源匮乏的地方，想找个HIV专家当面咨询，简直难上加难。这时候，如果AI能充当“线上专家”，给一线医生提供即时参考，那该多好？

想法很美好，现实却让人捏把汗。这些AI模型，到底靠不靠谱？

最近，一篇发表在 Communications Medicine 上的研究，给这个问题交了一份沉甸甸的答卷。研究人员搞了一个叫 HIVMedQA 的测试题库，专门拿来考考市面上主流的10款大模型。题库里的题目可不是简单的选择题，而是开放式问答题，覆盖了从最基础的知识问答，到需要综合分析的复杂临床病例，甚至还包括刻意“使绊子”的认知偏见测试。

结果怎么样？一句话：有惊喜，但远没到能放心交给它们看病的程度。

研究人员挑选了10个模型，既有我们熟悉的通用型“学霸”，比如谷歌的Gemini 2.5 Pro、Anthropic的Claude 3.5 Sonnet，也有专门在医学数据上“开过小灶”的“专科生”，比如MedGemma-27B、Meditron 3-70B这些。

考试成绩一出来，Gemini 2.5 Pro稳稳拿下最高分，Claude 3.5 Sonnet和MedGemma-27B紧随其后，属于第一梯队。但有趣的是，“专科生”并没有像我们预想的那样碾压“学霸”。比如同样是70亿参数级别的模型，专门学过医的Med42 v2-70B和Meditron 3-70B，综合成绩反而被通用型的Llama 3.3-70B-Instruct给比下去了。这说明模型体积大不大、有没有专门用医学数据训练，并不直接决定它看病厉不厉害，背后的训练方法和架构设计，可能发挥着更关键的作用。

如果把考试成绩拆开细看，你会发现一个有意思的现象：这些AI在知识 recall这一项上，得分普遍不错。毕竟它们肚子里装的都是海量医学教材、指南和论文，你问“HIV是怎么诊断的”“传播途径有哪些”，它们答得八九不离十。

可一旦切换到需要逻辑推理和深度理解的复杂病例，不少模型就露怯了。比如，给出一位病人的症状、检查结果、影像学发现，让AI判断最可能的病原体是什么，或者计算一个筛查试验的阴性预测值——这时候，有的模型就开始一本正经地胡说八道了。Gemini 2.5 Pro和Claude 3.5 Sonnet在这个环节表现还算稳健，但即便最高分，离“完美”也还有相当一段距离。这感觉就像，学生能把教科书倒背如流，可一遇到需要动脑子的应用题，就卡壳了。

AI在医疗场景下最危险的地方，不是它直接说“我不知道”，而是它用极其自信、专业的口吻，给出一个完全错误的建议。这在医学上有个专门的词，叫做“虚构”。换句话说，它编造了一个听起来像那么回事儿的答案。

研究中就有一个让人后背发凉的例子。当被问到“抗逆转录病毒治疗应该多久吃一次”时，小体量的Llama 3.2-1B-Instruct模型居然回答：“病毒载量越高，吃药频率就可以越低。”这种错误如果被一线医生信以为真，后果简直不堪设想。研究数据也证实了这一点：当题目从简单的基础知识过渡到复杂的临床场景时，几乎所有模型的“潜在危害”评分都出现了下滑。越复杂的情况，AI越可能给出有风险的答案。

更让人担忧的是，AI和人类一样，也会被语境中的无关信息带偏。研究人员特意设计了一个“挖坑”环节：在原本标准的病例描述里，额外塞进一句误导性的话，比如“最近刚有个类似症状的病人，你诊断他得了肺癌”。这种手法模拟的是临床中常见的“近因偏差”——也就是人更容易被最近发生的事情影响判断。

结果，好几个模型都中招了。受影响最严重的NVLM-D-72B模型，平均分直接从5分暴跌到2.6分。这说明，AI并没有真正“理解”患者的病情，它更像是在根据文字概率来猜答案，很容易被上下文里的“烟雾弹”干扰，从而偏离正确的诊断方向。

还有一个问题值得琢磨：我们怎么判断AI给出的回答到底好不好？

研究采用了一种叫“用AI来给AI打分”的方法，并把这套评分结果和4位真正的HIV专科医生的评分做了比对。结果发现，AI评分和医生评分在“知识 recall”这项上一致性还不错，但在“推理能力”和“理解深度”上，两者差距就比较明显了。

更值得注意的是，当不给AI提供“标准答案”、让它直接凭感觉打分时，它给出的分数会普遍偏高——相当于一个手松的阅卷老师，看谁都顺眼。这意味着，AI对自己答案的评估并不可靠，尤其是在没有参考答案的情况下，它很容易高估自己的表现。

这项研究像一面镜子，照出了AI在医疗领域落地时最真实的样子：潜力巨大，但距离真正靠谱的临床应用，还有不短的路要走。

目前来看，AI最适合的角色，还是一个随时在线的“超级参考书”或“检索助手”——帮医生快速查查资料、提供一些背景信息。但想让它在独立承担诊断和治疗建议的重任，远未到时候。

未来的改进方向也很明确：不能只往AI脑子里塞医学知识，更要下功夫训练它的临床推理能力、抗干扰能力，以及面对信息不完整时主动询问、承认不确定的能力。评估方式也不能只看它答没答对，更要关注它得出结论的过程是否可靠、给出的建议是否安全。

说到底，医学不只是科学，更是人学。它关乎信任、沟通，关乎一个医生在倾听病史时眼神里的温度，关乎面对患者恐惧时那句耐心的安慰。至少在目前，坐在你对面的那位医生，他的经验和共情能力，依然是任何AI都无法替代的。而AI最好的角色，或许是成为医生身边一个得力的“超级助手”，帮他们分担一些重复性的案头工作，而不是取而代之。

毕竟，我们想要的，从来不是一个会看病的机器，而是一个让医生能看得更好、更从容的未来。