这项由谷歌考虑院（Google Research）与谷歌DeepMind揣测开展的大限制考虑，于2026年5月5日以预印本色式发布，论文编号为arXiv:2605.04012v1。有兴趣兴趣深入了解的读者可以通过该编号在arXiv平台查询完好论文。

你有莫得在更阑须臾感到身体不对劲，却不坚信要不要去看大夫的阅历？喉咙有点痛，是平时伤风如故扁桃体炎？肚子轮廓作痛，是吃坏了东西如故需要坐窝去急诊？大多数东说念主遭逢这种情况，第一响应不是坐窝拨打病院电话，而是掏动手机，灵通搜索引擎或者AI聊天器具，输入我方的症状描写，但愿得到一个初步谜底。

这个行径听起来再平时不外，但背后其实藏着一个莫得被细腻回答过的不毛问题：当平时东说念主用日常语言向AI描写症状时，AI给出的会诊提倡到底有多准确？它能和的确的大夫比较吗？不同的对话形式——比如AI主动追问如故用户我方浅近说——会不会权贵影响会诊质料？

谷歌考虑院的团队决定用一场真实的大限制实验来往答这些问题。他们开导了一套叫作念SymptomAI的对话式AI系统，把它接入了数百万东说念主在用的Fitbit健身跟踪应用，让真实用户在真实生病时使用它，历时快要一年，网罗了快要1.4万场真实的症状对话。这不是在实验室里遐想的模拟场景，也不是请演员上演病东说念主，而是真材实料的真实天下测试。

这项考虑的独到之处在于，它同期作念了三件事：测试AI是否能准确会诊平时东说念主自述的症状，比较不同对话战略对会诊准确率的影响，以及探索将AI会诊与可穿着开导的生理数据结合起来有莫得价值。最终的论断让好多东说念主感到不测——在特定条款下，AI给出的鉴别会诊完了显着优于东说念主类临床大夫。

一、为什么平时东说念主看病前总要先问AI

在谨慎先容这项考虑之前，有必要先市欢它为什么不毛。咱们正处在一个医疗信息获取形式发生根人性变化的期间。往常，东说念主们生病了率先照应家庭大夫，或者打电话给诊所。其后互联网普及，多样症状查询网站和在线症状查验器具兴起。而近几年，大语言模子（也便是ChatGPT、Gemini这类AI聊天器具）的普及，让情况进一步发生了变化。

罕有据表示，东说念主们向AI发问的问题中，节略有五分之一与医疗健康知知趣干。而在健康相关的AI对话里，快要二成触及症状评估或疾病谋划。这个趋势还是实实在在地影响了东说念主们的就医行径——有考虑发现，当搜索引擎上某种症状的查询量高潮时，对应的门诊就诊量反而会下降。换句话说，东说念主们在的确去病院之前，还是越来越俗例先通过数字器具完成一次"预会诊"。

问题是，传统的在线症状查验器具推崇并不睬想。一项袒护23个症状查验器具的系统性综述发现，这些器具能把正确会诊排在第一位的概率只须约34%。也便是说，你告诉它"我头疼、发热、周身酸痛"，它有三分之二的概率不会把伤风列为首选谜底。这个准确率，连病东说念主我方立时臆想齐未必差若干。

那大语言模子呢？有考虑用程序化的临床病例描写来测试GPT-4，发现它在前五个候选会诊（也叫Top-5鉴别会诊）里包含正确谜底的概率高出80%，令东说念主印象深远。但这里有一个关节问题被淡薄了：那些测试用的病例描写，是由专科大夫写的，信息完好、抒发范例。真实病东说念主不会那么谈话。

一项很有劝服力的考虑完了揭示了这个差距有多大：当AI径直处理专科撰写的病例描写时，Top-3准确率高达94.9%；而当平时东说念主把销亡个病例的信息用日常语言理论转述给AI时，准确率骤降至34.5%。从快要95%跌到不及35%，这个绝壁式下落，明晰地说明了一件事：在实验室里推崇优秀的AI，在靠近真实用户的时候，推崇可能迥然相异。

谷歌考虑院的团队恰是看到了这个空缺，决定把AI症状评估拉到真实天下里来试验。

二、一场继续九个月、涵盖近1.4万东说念主的真实实验

这项考虑的遐想自己就值得好好先容，因为它的限制和真实性在同类考虑中相配零星。

考虑团队把SymptomAI系统接入了Fitbit应用的"Fitbit Labs"考虑环境，向好意思国各地的Fitbit用户发出邀请。这个实验从2025年6月谨慎启动，一直运行到2026年4月，继续了快要一年。考虑通过了稳固伦理审查委员会（Advarra，马里兰州，编号GH-SCD-001）的批准，系数参与者齐经过了知情痛快门径，明确了解这是一项考虑，而非谨慎的医疗处事。参与者莫得任何经济报酬。

最终，约4万名Fitbit用户被邀请参与，其中13917东说念主完成了至少一次与SymptomAI的完好对话。这些参与者在的确感到身体不应时，会灵通应用与AI进行一场对于症状的对话，AI笔据对话内容给出可能的病因列表（也便是鉴别会诊，简称DDx）。对话扫尾后，参与者还会被邀请填写一个苟简问卷，讲明我方是否去看了大夫以及得到了什么会诊。如果那时还没去看大夫，两周后系统会再次提醒，请他们补充后续会诊完了。

最终，13917东说念主中有1228东说念主提供了大夫给出的真实会诊，这部分数据成为评估AI准确率的"金程序"。在这1228东说念主中，考虑团队又立时抽取了517东说念主，邀请三位具有高出35年从业告诫的家庭科牌照大夫进行了深度临床评估，耗时高出250个小时。

这三位大夫的职责分两个阶段。第一阶段，其中两位大夫稳固阅读对话记载（AI给出的会诊被遮盖，只保留用户的述说），各自给出我方的鉴别会诊列表，并评估我方的信心进程。第二阶段，第三位大夫在不知说念任何会诊开头的情况下，同期看到三份会诊列表（两份来自东说念主类大夫，一份来自AI），对它们进行盲评和名次，并在看到真实会诊后评估各列表的准确率。

除了东说念主类大夫的评估，考虑团队还教练了一个AI自动评分系统（auto-rater），用来把东说念主类评估的限制从517东说念主推广到沿路1228东说念主，确保论断更有统计力度。

通盘实验期间，参与者被立时期拨到五个不同的"对话模式"组，每组使用不同的AI对话战略。这个立时期组遐想，使得考虑者随机径直比较不同战略的遵循，而不是让参与者解放聘任。

三、五种对话战略，哪种更像的确的好大夫

这项考虑最中枢的变量之一，是AI和用户交流的形式。考虑团队遐想了五种不同的对话战略，对应五个实验组，这五种战略的区别，本质上是AI主动性的上下。

第一种战略叫"基础模式"，这亦然当今市面上大多数破费级AI聊天器具的默许状态。AI只被见告要聚焦于健康话题，并在对话扫尾时给出可能的会诊列表。它不会主动追问，用户说什么它就修起什么，会诊的质料澈底取决于用户我方赋闲提供若干信息。这就像走进一家诊所，大夫只是坐在那儿等你谈话，不主动问任何问题。

第二种战略叫"固定问题模式"，基于医学院素质中的程序病史采集框架——HPI（现病史）。AI被要求按次序问一套固定的问题，包括症状发生的位置、启动技巧、严重进程（1-10分）、症状的具体感受（比如是刺痛如故钝痛）、什么情况下症状加剧或舒缓、是否有相关风险成分，以及症状如何影响日常糊口。岂论用户之前说了什么，AI齐要把这套问题问完，最多对话六轮，然后给出会诊。

第三种战略叫"活泼问题模式"，与第二种雷同，但AI有权笔据用户还是提供的信息跳过无须要的问题。比如用户一启动就提到了症状出现了三天，AI就不需要再问"症状什么时候启动的"。这种形式在保持结构化的同期，更接近天然对话的嗅觉。

第四种战略叫"动态及时更新模式"，AI有澈底的自主权决定问什么、怎样问，莫得任何预设问题列表。唯独的敛迹是对话最多进行六轮，况且AI在每轮对话后齐要及时更新并展示当前最可能的会诊列表，匡助用户边聊边了解情况。

第五种战略叫"动态最终输出模式"，与第四种独特相似，雷同给AI澈底的自主权，但AI不会在流程中展示中间会诊完了，只在对话扫尾时给出最终的会诊列表。

这五种战略从第一种到第五种，AI的主动性和结构化进程逐渐发生变化。考虑团队的中枢假定是：主动照应更多信息的战略，会比恭候用户主动提供信息的战略推崇更好。

四、完了令东说念主咋舌：主动追问的AI，会诊准确率逾越27%

实验完了独特走漏地解救了这个假定，况且差距之大超出了许多东说念主的预期。

更专门想的是，固定问题模式（第二和第三种，总共准确率75.6%）和动态自主模式（第四和第五种，总共准确率71.4%）之间，并莫得统计上权贵的各异（Welch t试验，p=0.155）。换句话说，AI不需要拘泥地苦守医学院教的程序问题清单，只须它被赋予追问的权限，哪怕澈底自主决定问什么，遵循也和苦守经典临床框架差未几。

从用户参与度来看，基础模式下用户在通盘对话中平均输入的单词数最少，而其他四种模式由于AI主动追问，用户被辅导提供了更多信息，总词数显着更多。这径直解释了为什么会诊准确率更高：更多的信息意味着AI有更充分的依据进行判断。

这个发现对平时破费者使用AI器具有径直的领导风趣。当你灵通ChatGPT、Gemini或者其他AI助手描写症状时，投注平台app中国官网下载如果AI只是在被迫修起你，莫得追问任何细节，那么它给出的会诊提倡的可靠性要打一个很大的扣头。

五、AI的会诊，为什么连有告诫的大夫齐比不外

考虑中最引东说念主详实的发现，是SymptomAI的会诊质料与东说念主类临床大夫比较的完了。

在那517个经过深度临床评估的案例中，每个案例齐有三份会诊列表：一份来自SymptomAI，另外两份来自稳固阅读对话记载的东说念主类大夫（他们看不到AI的会诊）。第三位大夫在澈底不知说念这些列表谁写的情况下，对三份列表进行了盲评名次。

不外这里需要稍稍解释一下"公道性"的问题。参与对比的东说念主类大夫，他们手头拿到的信息，是用户和AI之间的对话记载——也便是说，这个对话是AI主导的，问的问题是AI聘任的，网罗到的信息是AI合计灵验的。如果让大夫我方来进行病史采集，他们可能会问不同的问题，网罗到不同的信息。考虑团队在论文中坦承了这个局限性：这不是一个澈底公道的端对端对比（即大夫我方问诊+我方会诊 vs. AI问诊+AI会诊），而是大夫基于AI问诊内容进行会诊，与AI基于雷同内容进行会诊的对比。

尽管如斯，有一个事实使这个比较依然具有劝服力：在那些被大夫评为"对话质料最高、信息最充分"的案例中，AI的推崇上风最为隆起。既然在信息最完好的情况下AI依然胜出，说明AI的上风不单是来自它掌抓了东说念主类大夫没看到的信息，而是真实在会诊推理上推崇更好。

六、AI在低信息量对话中的韧性：越难越显上风

考虑还发现了一个独特专门想的模式，触及不同"难度"的对话案例。

考虑中，第一阶段的大夫（也便是提供基准会诊的两位大夫）在完成会诊后，会被要求评估我方对这个会诊的信心进程（1到5分）。在大夫自信心较高（评分4-5分）的案例中，AI和大夫的推崇进出不大，两边齐作念得可以。但在大夫自信心较低（评分1-2分）的案例中——这类案例往往是信息不够充分、症状不够典型的"难题"——AI的推崇显着优于大夫，差距在统计上权贵。

这意味着AI对信息不完好的对话具有更强的"抗打扰能力"。即便用户描写得缺乏不清、东一句西一句，AI也能从中索要出有价值的会诊踪迹，而东说念主类大夫在雷同情况下会更快地堕入困惑和不坚信。

一种可能的解释是，AI在海量教练数据中积聚了极为泛泛的"症状-疾病"统计模式。当信息不充分时，AI可以欺诈这些统计礼貌，展望在给定的有限症状下最可能的疾病散布，相配于在不坚信性中给出一个经过多数先验信息校准的臆想。而东说念主类大夫在靠近不完好信息时，往往更依赖个东说念主告诫和直观，这在信息枯竭时反而成了局限。

七、考虑东说念主群有莫得代表性？来自平时东说念主群的额外考证

一个合理的质疑是：Fitbit的用户弗成代表平时东说念主。Fitbit主如若健身可爱者和健康坚韧较强的东说念主在用，这群东说念主可能对我方的身体情景更了解，描写症状更走漏，导致AI推崇虚高。

考虑团队细腻对待了这个质疑。他们额外从第三方拜谒平台（Toluna）招募了1509名来自好意思国平时东说念主群的参与者进行了稳固考证。这批东说念主通过结构化问卷描写我方近期的健康事件，然后由SymptomAI对交流内容进行会诊评估。

完了表示，SymptomAI在这批平时东说念主群上的Top-5准确率为75.2%，与Fitbit用户群的80.0%独特接近，差距不大。天然两个东说念主群的疾病散布显着不同（统计试验表示散布各异权贵），但AI的会诊准确率保持了相配进程的踏实性，说明考虑论断具有一定的浩瀚性，不单是适用于健康坚韧较强的特殊群体。

另外，考虑团队还作念了统计试验，证据参与临床评估的517东说念主子样本在年岁、性别、体重等东说念主口学特征上与举座13917东说念主莫得实质性各异，自行讲明了会诊的东说念主群也莫得显着的聘任性偏差。

八、身上的手环，尽然也能"感知"你在生病

这项考虑还有一个令东说念主目下一亮的延迟发现，与可穿着开导相关。

Fitbit腕表和手环可以连气儿采集多种生理数据，包括静息心率、心率变异性（HRV，这是权衡腹黑健康的一个琢磨）、寝息中的呼吸频率、寝息中的非快速眼动期心率、寝息中的皮肤温度、寝息中的概念技巧、总寝息时长、活跃分钟数以及逐日步数。考虑团队网罗了举座13917名参与者在SymptomAI对话前后共高出50万天的可穿着数据，将SymptomAI给出的会诊作为"标签"，分析哪些疾病与哪些生理琢磨的变化存在关联。这类分析在医学考虑中有一个专门的称招呼"全表型关联考虑"（PheWAS）。

考虑发现，急性呼吸说念感染与多种可穿着生理琢磨的权贵变化高度相关。以流感为例，在参与者战斗SymptomAI的前后几天里，他们的静息心率显着升高（赔率比OR>7，意味着流感患者静息心率荒谬的概率瑕瑜流感东说念主群的7倍以上），日步数和活跃分钟数大幅下降，寝息中概念技巧增多，心率变异性裁汰。这些变化在SymptomAI对话今日前后达到峰值，然后跟着病情发展而演变。

新冠病毒感染、急性支气管炎、急性上呼吸说念感染和平时伤风也表示出雷同但强度不同的生理信号变化模式。值得留意的是，许多这些生理变化——比如寝息中心率的隐微高潮或心率变异性的裁汰——在用户我方还没坚韧到生病之前就还是出现了。

这个发现提醒了一种真义的翌日可能性：在用户我方主动灵通症状查验器具之前，可穿着开导检测到的这些生理荒谬信号，也许可以作为"触发器"，主动提醒用户进行症状评估。就像手环留意到你最近几天寝息质料变差、心率偏高，然后主动问你"你最近嗅觉怎样样？需要作念个症状评估吗？"。

考虑还发现，东说念主们聘任在阿谁技巧点与SymptomAI交互，往往与"寝息中概念技巧的峰值"高度吻合——也便是说，严重影响寝息质料，让东说念主夜不成眠，往往是促使东说念主们下定决心去寻求医疗信息的关节驱动成分之一。

九、这项考虑的局限性：哪些论断需要严慎对待

任何考虑齐有局限性，这项考虑的团队也径直而坦诚地指出了几个需要留意的地方。

第一，会诊"金程序"来自参与者的自我讲明，而非经过考证的医疗记载。参与者说我方被会诊为流感，但考虑团队无法证据这个会诊是否准确。有些东说念主可能误记了大夫的会诊，有些东说念主可能污染了病名，还有些东说念主可能在慢性病的惩办流程中，讲明的是正在演变中的阶段性会诊。考虑团队对显着分歧理的讲明进行了筛查和过滤，但大限制数据网罗不可幸免地引入了一些杂音。

第二，临床对比的不澈底公道性前边还是提到——参与对比的东说念主类大夫，是基于AI问诊内容而非我方问诊内容进行会诊的。这在一定进程上松手了咱们对"AI问诊+AI会诊"与"大夫问诊+大夫会诊"进行完好端对端比较的能力。

第三，这个考虑遐想无法限度参与者讲明症状的技巧点。有东说念主可能在症状刚出当前就使用了SymptomAI，有东说念主可能比及症状很显着、以至还是去看了大夫之后才使用。不同的技巧点意味着用户能提供的信息质料和完好性各异很大，这会影响会诊完了。

第四，好多疾病仅凭语言描写无法确诊，还需要体格查验、实验室检测或影像学查验。SymptomAI能作念到的只是给出鉴别会诊列表，弗成替代的确的医疗查验。对于慢性病或需要专科查验的情况，AI的局限性愈加显着。

十、不同东说念主群，AI推崇存莫得各异

考虑团队还分析了AI会诊准确率在不同东说念主群特征中的散布。

从年岁来看，年岁较大的参与者（65岁以上）Top-5准确率总体高于年青东说念主。考虑团队认为，这可能是因为年父老有更丰富的就医阅历，对我方的身体情景更了解，描写症状时更精确。

从性别来看，女性参与者的会诊准确率高于男性。考虑团队援用了一项医学考虑的发现：男性在日常糊口中倾向于比女性更少就医，对身体症状的感知和描写能力相对弱于女性，这可能导致男性用户在使用AI症状器具时提供的信息质料偏低。

从讲授进程来看，领有考虑生及以上学历的参与者准确率高于本科及以下。从医疗信息修养来看，自评"随机识别和市欢集结健康信息"和"随机使用AI器具解答健康问题"的参与者，比自评信心较低的参与者推崇更好。这些礼貌齐指向销亡个地点：用户的健康学问布景和信息抒发能力，是影响AI会诊质料的不毛成分。

此外，考虑还比较了不同版块的Gemini模子（包括Gemini 2.0 Flash、Gemini 2.5 Flash和Gemini 2.5 Pro）在雷同对话内容上的推崇，发现更新、更大的模子在会诊准确率上如实有一定莳植，但莳植幅度不算戏剧性。这说明对话战略（主动追问与否）的影响，比模子版块自己的影响更为关节。

说到底，这项考虑告诉咱们什么？

归根结底，这项考虑的中枢信息独特走漏：当AI主动追问、系统地网罗症状信息时，它的会诊能力可以高出有告诫的临床大夫；而当AI被迫恭候用户自说自话时，它的推崇会大幅缩水。这对咱们日常使用AI健康器具有径直的领导风趣——如果你发现某个AI器具只是在被迫修起你，并莫得追问细节，那它给出的会诊提倡参考价值有限。

这项考虑的风趣还不啻于此。它用快要1.4万场真实对话说明注解了，大语言模子在靠近真实用户的真实症状时，不再只是"实验室里面子"，而是真实能在执行会诊中阐述有风趣的作用。在全球优质医疗资源分拨相配不均、偏远地区和低收入群体严重枯竭专科医疗解救的布景下，这种可以随处随时、免费获取的AI会诊提拔器具，有着不可淡薄的人人卫生价值。

天然，有几个想考地点值得链接善良。AI的会诊提倡应该在多猛进程上被用户四肢"参考"而非"论断"？当AI给出的会诊提倡与大夫的判断相矛盾时，用户应该如何权衡？可穿着开导的生理数据与AI症状评估相结合，能否的确竣事疾病的早期预警，如故仍然过于复杂？这些问题，齐在恭候更多考虑来往答。

如果你对完好的考虑细节感兴趣兴趣，可以在arXiv平台通过论文编号2605.04012搜索全文，免费获取。

Q&A

Q1：SymptomAI的会诊准确率和真实大夫比较到底差若干？

A：SymptomAI在Top-5鉴别会诊准确率上权贵优于东说念主类大夫，赔率比OR=2.47，也便是说AI的会诊列表包含正确谜底的概率节略是东说念主类大夫的2.5倍。在517个经过临床众人盲评的案例中，众人把AI的会诊列表排为"最好"的比例高出52.9%，而两位东说念主类大夫的列表被排第一的比例辩认只须约23.5%和26.7%。不外需要留意，参与对比的大夫是基于AI问诊记载进行会诊，而非我方主导问诊，这在一定进程上影响了对比的澈底公道性。

Q2：为什么AI追问症状比用户我方描写遵循各异那么大？

Q3：Fitbit的生理数据能提前展望生病吗？

A：考虑发现，急性呼吸说念感染（尤其是流感）与Fitbit采集的多种生理琢磨变化高度相关，且这些变化在用户主动寻求症状评估之前就还是出现。以流感为例，赔率比高出7，意味着流感患者出现生理荒谬的概率是平时东说念主的7倍以上。静息心率升高、心率变异性下降、步数骤减等信号在症状讲明日前后达到峰值。这提醒翌日可能通过可穿着开导的生理荒谬主动触发症状评估投注平台app中国官网下载，但当今仍处于考虑阶段，尚未造成可落地的预警居品。