医疗 AI 的评测一直有个尴尬：榜单分数很高，进了诊室不敢用。原因不难理解——考试题有标准答案，真实病例没有。指南推荐不明确、患者有合并症、既往治疗史限制方案、多因素相互冲突，这些才是临床决策的日常。
未来医生与国内三甲医院胸外科合作开展的这项实验，试图在「真实复杂病例」这个尺度上做一次对照。实验对象是未来医生的医疗大模型 MedGPT，方法是用同一批病例、同一套评价规则，让模型与医生正面对比。
先看设计。病例为 40 例真实、未公开的复杂肺癌病例，特点是没有统一诊疗答案，涉及指南推荐不明确、合并症、多因素决策等情况。参与医生 250 名，全部来自三甲医院，覆盖 27 个省份，涉及胸外科、呼吸科、肿瘤科等多个专业；其中主任医师和副主任医师 159 人，占比 63.6%。评价规则由 20 位来自 6 个科室的资深专家在查看答案之前制定，共 240 条，其中 40 条为安全红线。
流程上，医生分别在三种条件下各完成 3 个病例方案：无辅助、检索辅助、MedGPT 辅助，最终形成 2250 份方案。MedGPT 独立完成全部 40 例。所有方案经盲法评审，由 3 个 AI 裁判独立评分。
结果分两个层面。模型横向对比中，MedGPT 综合评分 96.22，领先 GPT-5.4 Direct、Claude Opus 4.7 Direct 与 Gemini 3.1 Pro Direct。人机对比中，在与医生无辅助条件下提交的 750 份方案比较里，MedGPT 有 660 次获得更高评分，对 250 名参与医生的胜率为 88 比 12。人机协作层面，医生无辅助时平均得分 53.40，检索辅助后 61.05，使用 MedGPT 辅助后升至 66.27，相比无辅助提升 24.1%。
这三个数字应该分开理解。88 比 12 说明的是模型在特定评分规则下的方案质量；53.40 到 66.27 说明的是辅助工具对医生的增益；96.22 说明的是模型在同一套规则下的稳定性。前两个数字对临床更有意义——毕竟现实里不会让 AI 单独出方案，而是医生带着 AI 出方案。
技术路径解释了差距从哪来。MedGPT 的 EvidenceOS 把医学文献拆解为结构化临床证据单元（CEU），肺癌证据库已收录 1.3 万余篇文献、20 万余条 CEU 与 43 万余条证据关系，其中 98.3% 的证据单元发表于 2024 至 2026 年。在此基础上引入多专科智能体，分别提出诊疗意见，同时生成基于指南和共识的标准路径与结合前沿研究的探索路径；不同方案再经过虚拟患者推演与五维对抗审查，从安全性、证据质量、风险与执行条件等方面比较、修正或淘汰，最终形成包含诊疗依据、备选方案与后续验证任务的建议。
换句话说，通用模型做的是「检索知识 + 生成连贯回答」，医疗垂域模型做的是「组织证据 + 比较路径 + 识别风险」。前者能答对题，后者要在一堆都不完美的选项里选一个相对最优。
外部反馈值得一提但需谨慎对待。美国希望之城乳腺肿瘤内科主任 Hope S. Rugo 公开表示这项研究代表了肿瘤学一项非凡进展并希望探讨合作；中国医学科学院肿瘤医院胸外科食管病区主任李印教授称这类工具正是一线临床医生迫切需要的。这些是专家个人评价，不是独立验证。
边界必须说清楚。这项实验由企业主导并披露，目前未见同行评审论文；40 例样本量在统计上属于探索性规模；评价主体包含 AI 裁判，即便采用盲法，裁判模型本身的偏好仍可能影响结果；病例集中在肺癌单病种，向其他瘤种与基层场景的外推需要另行验证。因此更稳妥的读法是：这是一次设计相对完整的企业内部对照实验，结论支持「医疗垂域模型在复杂病例方案质量上有明显优势」，但不足以支撑「可以替代医生」。
对行业的实际启示在落地路径上。未来医生给出的三个方向是专家二诊与多学科会诊、连续专病管理、医保与商业保险的诊疗路径优化——共同点都是把 AI 放在信息整理、证据匹配与路径比较的位置，最终判断仍由医生做。这个分工比「AI 看病」务实得多，也更接近医院愿意付费的形态。