医疗AI真正难在哪?Nature谈MIRA与“测量难题”

过去，我们常用医学考试题判断大模型会不会回答。现在，医疗AI已经能在模拟病历系统里问病史、下检查、读结果、开药、安排手术并决定是否住院。问题随之改变：当AI不再只给答案，而是连续采取临床行动，我们究竟应该测什么？

2026年7月28日，《Nature》以《Medical AI has a measurement problem》为题评论同一期的两项研究：Ferber等人的MIRA研究，以及Liévin等人的AMIE研究。前者让AI进入虚拟电子病历完成急诊工作流，后者让AI在三次模拟随访中持续管理疾病。[1–3]

这两篇论文不是让两个模型回答同一道题。MIRA研究的问题是：AI能否进入电子病历，连续执行一次急症就诊中的临床动作；AMIE研究的问题是：AI能否跨越多次随访，根据病情变化持续调整疾病管理方案。

研究一｜MIRA：Towards autonomous medical artificial intelligence agents。Ferber等人让MIRA从一次急症主诉出发，在受控虚拟电子病历中完成问病史、检查、诊断、治疗以及住院或出院决策。[2]

研究二｜AMIE：Towards conversational artificial intelligence for disease management。Liévin等人让AMIE在连续3次模拟问诊中保留患者状态，读取新出现的症状、治疗反应与检查结果，再更新下一步管理方案。[3]

MIRA全称为Medical Intelligence for Reasoning and Action，即“用于推理与行动的医疗智能系统”。每个病例从一个主诉开始。MIRA先与由历史病历“现病史”驱动的患者代理对话；当信息不足时，它可以自主决定是否继续追问，或者调用电子病历工具。它不是一次性生成结论，而是在每次获得新结果后继续更新判断。

图1｜MIRA在研究中的模拟急诊操作链。根据Ferber等发表于Nature的MIRA工作流及方法部分重绘。图示为受控电子病历沙箱，不代表真实医院部署。

研究者给MIRA配置了11类工具和超过8.5万个可选操作。它开的不是一句模糊的“建议用药”：药物工具要求填写剂量、单位、频次、疗程和给药途径；影像工具要求指定检查方式与解剖部位；操作工具可以搜索并预约手术或治疗性内镜；Admission工具则要求给出诊断、住院或出院决定以及理由。

这些操作由FHIR架构执行和记录，并对应ICD、LOINC、ATC、NDC、RxNorm与SNOMED CT六套编码系统。研究还设置了20轮对话上限，防止智能体无限循环。所以MIRA真正新增的能力，不是多写一段医学文字，而是把临床意图转成可以由病历系统接收的结构化动作。

AMIE由两个协同组件构成。对话代理负责与患者实时交流，并在三次问诊之间保存对话状态；管理推理代理则持续分析病例，从临床指南和药品目录中检索依据，生成包含诊断、检查、治疗、用药与随访安排的结构化管理计划。对话代理再把最新计划带回下一轮交流。

图2｜AMIE在研究中的三次模拟随访管理链。根据Liévin等发表于Nature的系统架构和随机虚拟OSCE设计重绘；图示不代表真实临床部署。

研究用随机、盲法虚拟OSCE比较AMIE与21名初级保健医生。双方处理相同的100个多次随访病例，覆盖5个专科，每个病例连续进行3次文字问诊；双方都可查阅同一组临床指南。每次问诊结束后，专科医生评估诊断与管理方案，患者演员参与临床沟通等体验评价。

这些数字足够吸引眼球。尤其是在311例共同病例上，MIRA的平均诊断准确率为87.8%，4名专科认证医师为78.1%，另一个由住院医师和高年资医生组成的混合组为71.1%。

但“平均值”会压平重要差异。MIRA对阑尾炎的准确率达到98.6%，对肺炎为72.4%，对尿路感染为77.6%。它并不是在所有情形下稳定地“超过医生”，研究也不应被简化成一张人机排行榜。

AMIE在三次问诊中的总体方案适当性和治疗建议精确性均高于初级保健医生，检查建议在两次随访中也更常被评为适当。它给出的治疗与检查建议更具体，而且更常与临床指南一致并明确标出指南依据。

药物推理并非全面胜出。在较难的RxQA问题上，AMIE闭卷准确率为50.6%，医生为41.5%；允许查阅外部药品资料后分别为57.9%和47.8%。但在较容易问题上差异没有统计学显著性，而且两者在任何设置下的最高准确率都低于75%。

MIRA仍是回顾性模拟：病例来自单一机构的MIMIC-IV历史数据库，患者由AI代理扮演，主要参照出院ICD诊断，疾病范围只有8类，医生对照也只有两个小规模队列。这些设计适合比较同一受控条件下的表现，却不能直接证明跨医院泛化或真实患者安全。

AMIE同样使用构造病例和患者演员，医生来自加拿大和印度，管理依据主要是NICE与BMJ Best Practice指南。论文把它称为模拟环境中的“可能性展示”，并明确写明AMIE尚未准备好用于真实临床照护。因而，两篇论文证明的是受控实验中的能力，而不是已经获得真实世界的安全性、有效性或患者获益证据。

Nature评论随后把几项研究放在一起，展示“尺子不稳”会造成什么结果。以下只按评论引用的证据顺序展开，不再另造评价清单。第一处矛盾，是对通用模型与专用临床AI工具的两项评测得出了相反排序。

两项研究并不是在完全相同的尺子上复测。它们使用的问题来源、产品版本、评价维度和医生匹配方式不同；Feng等人还发现，LLM评价者与专家医生存在系统性差异。[5] 因此，排名反转不能简单解释为“某一方算错了”，它说明模型名次会被评测设计本身改变。

Nature评论继续引用一项前瞻性单臂可行性预印本。100名成年患者在急症门诊就诊前与AMIE文字对话，并由人工安全监督员实时监测。AMIE的鉴别诊断在90%的病例中包含8周后病历复核确认的最终诊断；但初级保健医生给出的管理方案在可操作性和成本效益上优于AMIE。[6] 同一个系统进入真实工作流后，问题便不再只是“能否把诊断列进答案”，还包括方案能否执行、会消耗多少资源以及是否需要人工监督。

逻辑由此连起来：在基准内部，问题、评价者和评分方法一变，模型排名可能翻转；从模拟环境走向真实诊室，评价终点又会从诊断与方案质量扩展到可实施性、成本和安全监督。只要这两层不确定性仍在，单次高分就不能被直接解释为稳定的临床价值。[1,4–6]

MIRA让AI在病历系统里执行结构化动作，AMIE让AI根据多次随访和最新指南持续调整管理方案。它们都比“做医学选择题”更接近临床工作，也都仍然是模拟研究[2,3].真正值得警惕的，不是AI没有分数，而是不同尺子可能给出相反答案。当AI只能回答问题时，我们可以核对一段输出；当AI开始开检查、开药和安排住院时，评价必须跟着整条行动链走进真实临床。高分是起点，不是可托付的证明。