【今日医疗AI速递】Nature子刊：中科院DxDirector-7B仅70亿参数实现自主全流程临床诊断，准确率超越百倍参数大模型
中科院计算所联合北医三院在Nature Communications发表DxDirector-7B，基于深度思考智能体架构，从患者模糊主诉出发自主驱动完整诊断流程，在罕见病和真实世界病例评估中准确率超GPT-4o、Deepseek-R1等数百亿参数模型，医生介入仅为基线模型的1/3。
一、研究背景
临床诊断的本质从来不是一道"给定全部信息后二选一"的选择题。真实世界里，医生面对的是患者模糊的主诉——“我最近总觉得累”、“肚子偶尔疼”——然后通过反复问诊、安排检查、解读结果，逐步缩小鉴别诊断范围，最终锁定病因。这个"全流程诊断"过程，需要的不只是医学知识储备，更是高级的临床推理能力。
尽管大语言模型（LLM）在医学问答、影像判读等"信息完备场景"中表现亮眼，但它们始终被定位为医生的"工具"——只能回答某一环节的具体问题，而非自主推动整个诊断链条。临床误诊率仍徘徊在20%左右，医生工作负荷持续加重，迫切需要真正能"扛起诊断全流程"的AI系统。
2026年4月，中国科学院计算技术研究所庞亮团队联合北京大学第三医院，在 Nature Communications 发表DxDirector-7B——一个仅70亿参数、却能自主驱动全流程临床诊断的智能体LLM，首次实现了从"AI辅助医生"到"AI主导推理、医生负责执行"的范式逆转。
二、研究创新点
本研究的核心突破在于重新定义了AI在临床诊断中的角色：
| 创新维度 | 具体内容 |
|---|---|
| 范式创新 | 全球首次实现LLM自主驱动完整诊断流程，从模糊主诉到最终诊断，无须人类预设诊断路径 |
| 架构创新 | 三阶段训练体系：医学数据继续预训练 → 全流程诊断指令微调 → 步骤级策略偏好优化 |
| 效率创新 | 仅70亿参数，平均每例仅需请求约3次临床操作，医生工作量降低至基线模型的1/3 |
| 问责创新 | 结构化输出将AI推理与医生操作的贡献明确分离，建立可追溯的问责机制 |
与先前报道的MIRA系统（需要与模拟患者AI智能体对话获取信息）不同，DxDirector-7B的创新在于其"慢思考"设计——模型在每个诊断步骤中显式生成深度推理内容，自主判定下一步需要什么信息、安排什么检查，仅在医生必须实际操作的环节（如体格检查、实验室检测）才请求介入。
三、技术原理
DxDirector-7B基于Llama-2-7B基座模型，通过三阶段训练构建：
第一阶段：医学知识注入。 使用3.5万份临床指南、1610万PubMed/PubMed Central摘要及500万全文论文进行继续预训练，辅以50万通用领域数据通过经验重放策略防止灾难性遗忘。
第二阶段：全流程诊断指令微调。 基于MedQA（USMLE）数据集的10,178条题目，使用GPT-4o将其转化为全流程诊断格式（患者模糊主诉 → 逐步问诊推理 → 设计检查 → 解释结果 → 最终诊断），并由o1-preview注入步骤级"深度思考"内容。训练采用解耦策略——交替优化推理能力（仅在深度思考和提问环节计算损失）和知识回忆能力（仅在回答和最终输出环节计算损失）。
第三阶段：步骤级策略偏好优化。 将每个诊断步骤的策略选择（下一步该问什么、该安排什么检查）建模为强化学习问题，以"诊断正确性"和"医生工作量最小化"作为双重奖励信号，确保每步策略既准确又高效。
最终模型以仅70亿参数，在诊断准确率上超越了参数量为其25至100倍的商业和医学专用LLM。
四、实验结果
诊断准确率
| 数据集 | DxDirector-7B | 最强商业LLM | 最强医学LLM | 领先优势 |
|---|---|---|---|---|
| RareArena（罕见病22,901例） | 36.23% | o3-mini: 32.96% | MedFound-176B: 23.98% | +3.27% |
| NEJM CPC（复杂病例344例） | 38.4% | GPT-4o: 30.8% | — | +5.9% |
| ClinicalBench（真实世界1,500例） | 63.46% | Deepseek-R1-671B: 47.28% | MedFound-176B: 35.76% | +16.18% |
| USMLE开放问答 | 50.88% | — | MedFound-176B: ~39% | +11.85% |
在NEJM CPC复杂病例集上，DxDirector-7B的38.4%准确率不仅超越了GPT-4o（30.8%），甚至超过了人类医生的平均水平（32.5%）。
医生工作量
DxDirector-7B平均每例仅请求约3次临床操作，而基线模型需4-10次。这些请求的手术有效性高达97%-98%（即与专家病历记录一致的操作）。在真实世界评估中，心血管内科75%、感染科和消化科各66.7%的病例可由DxDirector-7B的诊断替代专科医生判断。
科室覆盖
在ClinicalBench的17个科室中，DxDirector-7B在14个科室准确率最高；在RareArena的19个科室中，16个科室领先。短板出现在皮肤科和整形外科——这些科室高度依赖视诊和触诊，对纯文本推理的AI构成天然挑战。
五、应用前景
-
基层医疗诊断增强： 中国基层医疗机构面临严重的医生短缺和诊断能力不均，DxDirector-7B以70亿参数即可在本地服务器部署，有望作为"AI诊断合伙人"嵌入基层HIS系统，辅助全科医生完成从初诊到确诊的全流程。
-
三甲医院效率提升： 在大型医院门诊场景中，DxDirector-7B可负责常见病的自动化初筛和诊断路径规划，将专家医生的精力集中于复杂疑难病例。按心血管内科75%可替代率估算，每位心内科专家每天可多处理2-3倍的患者。
-
罕见病筛查加速： 罕见病诊断平均耗时4.8年，DxDirector-7B在RareArena罕见病基准上的36%准确率（远超商业和医学专用LLM）提示，AI驱动的全流程推理有望大幅缩短罕见病确诊周期。
-
商业落地可行性： DxDirector基于开源Llama-2-7B构建，三阶段训练流程已在论文中完整公开。思陌智能体定制的技术团队可直接复现该架构，针对国内临床场景进行指令微调和科室适配，快速形成可商用的全流程诊断智能体产品。
六、结论
DxDirector-7B标志着临床诊断AI从"辅助工具"向"自主推理主体"的关键跃迁。它不追求参数量竞赛——仅70亿参数便超越了数百亿甚至数千亿参数的对标模型——而是在诊断策略的自主性和效率上实现了范式突破。
当然，正如研究团队坦诚指出的，DxDirector-7B在基础科学知识广度上仍弱于Deepseek-V3/R1等大参数模型，在患者沟通能力上也弱于GPT-4o。皮肤科、精神科等依赖频繁医患实际接触的科室，仍然是AI全流程诊断的"硬骨头"。但这恰恰指明了"人机协同"的合理边界——AI主导推理，医生负责执行与人文关怀——而非追求不切实际的"全自动诊疗"。
参考文献
Xu S, Huang X, Wei Z, Pang L, Shen H, Cheng X. DxDirector: an agentic large language model driving the full-process clinical diagnosis. Nature Communications. 2026;17:5614. doi:10.1038/s41467-026-71928-5. PMID: 42026083.