不再只猜一次
看病很少是读完一段病例就报出答案。医生通常先问哪里痛，再决定验血还是拍片，随后根据新线索修改判断。这篇发表于 Science 的《Sequential diagnosis with language models》，关注的正是这种“序贯诊断”——评估整条决策过程，而不只看最后有没有猜中病名。
把病例变成一轮轮选择
据论文预印本和 SDBench 官方页面，研究者把 304 个《新英格兰医学杂志》临床病理讨论病例改造成逐步任务。系统起初只看到一段不泄露答案的摘要，每轮可以追问、申请检查，或者提交诊断。
一个“gatekeeper”（信息守门员）依据完整病例逐项作答；病例里没有的检查结果由它合成。最终答案再交给“judge”（评分器），按 1 至 5 分评分，4 至 5 分算正确。
这里的关键不只是多问几次。系统还要维护“鉴别诊断”——先保留多个可能病因，再用新证据逐一排除或调整排序。诊断编排器则像会诊主持人，让多个模拟医生角色提出意见、互相质疑，并选择下一项最有价值的检查。
数字很亮眼，含义要收紧
预印本报告称，MAI-DxO 配合 OpenAI o3 时，诊断准确率为 80%，对照全科医生平均为 20%；其诊断成本比医生低 20%，比直接使用 o3 低 70%。在更偏重准确率的配置下，结果达到 85.5%。作者还在 Gemini、Claude、Grok、DeepSeek 和 Llama 等模型系列上测试了这种编排方法。
这值得关注，因为评测目标从“会不会答题”移向“下一步该问什么、该查什么，以及是否值得付出检查成本”。它更接近诊断决策的真实形态，也把准确率—成本权衡摆到了台面上。
局限与未知
- SDBench 官方页面明确显示，这仍是病例文本与模拟信息接口，不等于模型已经能在真实临床中安全接诊。
- 守门员会合成原病例缺失的检查结果，评分也由自动评分器完成；这些环节与现实医疗之间仍有距离。
- 当前材料只有一篇论文及其预印本、官方页面信息，无法交叉核验效果；也未说明医生对照、成本核算和临床安全性的更多细节。因此，“接手连续诊断”更适合作为研究方向，而不是既成事实。