AI做第一意见还是第二意见？斯坦福随机对照试验揭示人机协作诊断的最优模式
一、研究背景
随着大语言模型在多项医学考试和诊断任务中展现出专家级水准，医疗AI的核心问题正在从"AI能不能给出有价值的建议"转向"AI应该以什么方式融入医生的诊疗流程"。
目前的临床AI应用大多被设计为"工具"——医生提问、AI回答，对话结束。这种模式隐含了一个假设：医生知道什么时候该问AI，也具备评估AI建议的元认知能力。但现实远比这复杂。医生可能过度信任AI（自动化偏见），也可能因为自信而忽视有价值的AI建议。当AI的诊断能力已经逼近甚至超越部分医生时，人与AI之间不再是简单的"用户与工具"关系，而更像两个专业判断者之间的协作。
斯坦福大学医学院的 Selin S Everett 及其合作者——包括哈佛医学院、Beth Israel Deaconess 医学中心、明尼苏达大学医学院、VA Palo Alto 医疗系统和微软研究院的研究人员——在 npj Digital Medicine 上发表了题为 “From tool to teammate in a randomized controlled trial of clinician-AI collaborative workflows for diagnosis” 的研究。该研究首次通过严格的随机对照试验，系统比较了两种人机协作诊断模式，探索将AI从"工具"升级为"队友"的可能性。
二、研究创新点
这项研究的核心创新在于从"人机交互设计"而非"模型性能提升"的角度切入医疗AI评估。以往研究关注的是AI模型本身在诊断任务上的准确率，而这项研究关注的是：给定一个高性能AI系统，不同的协作流程设计如何影响最终的临床决策质量。
研究设计了两种典型的协作模式：
- AI作为第二意见（AI-second）：医生先用传统资源完成诊断，然后AI给出独立分析和建议，医生可据此修订最终判断。
- AI作为第一意见（AI-first）：AI先独立分析病例并给出诊断建议，医生在此基础上进行审阅和修订。
关键设计亮点是**“并行分析 + 综合讨论"机制**：无论哪种模式，AI和医生都是先各自独立完成诊断评估，然后系统生成一份"综合报告”，逐项标注双方的一致点和分歧点，并对每个候选诊断给出支持性证据和反驳性证据的简要评注。这一设计刻意避免了常见的"AI直接给答案"模式，转而构建一种更有建设性的对话框架。
三、技术原理
研究团队构建的协作诊断系统具有以下技术特点：
独立并行推理：AI系统接到病例后，首先独立完成完整的诊断推理过程，包括鉴别诊断列表、关键支持证据和排除理由。这一过程不参考医生的初始判断，确保AI输出不受医生观点"锚定效应"的影响。
结构化综合报告：AI生成一份结构化的综合报告（见原文 Fig.1），将医生和AI的判断并列呈现。报告包含三个核心部分：(1) 候选诊断列表，每个诊断标注提出方（医生/AI/双方）；(2) 一致点和分歧点的明确标注；(3) 每个候选诊断的支持证据和反对证据的简要评注。
流程顺序设计：两种模式的差异看似细微，实则牵涉认知心理学中的关键机制——“锚定效应"和"确认偏误”。AI做第二意见时，它在生成独立分析之前就看到了医生的诊断结论，这在技术上很难完全避免暗示效应。研究结果也证实了这一担忧：当AI作为第二意见时，其分析更倾向于赞同医生的初始判断，这削弱了"独立第二意见"的价值。
评估体系：所有病例答卷由两位经认证的专科医师（board-certified）独立双盲评分，使用专家预先制定的标准化评分表，涵盖最终诊断正确性和下一步临床行动建议的合理性。
四、实验结果
研究纳入70位临床医师，每位在一小时内完成最多6个标准化临床病例，共产生400个有效病例评分（传统资源146例、AI第二意见146例、AI第一意见108例）。主要发现如下：
AI辅助显著提升诊断准确率：使用传统资源（UpToDate等）的基线准确率为75%；AI作为第二意见提升至82%（p = 3.3×10⁻⁶，平均提升6.8个百分点，95% CI 4.0-9.6%）；AI作为第一意见提升至85%（p = 0.00039，平均提升9.9个百分点，95% CI 4.7-15.0%）。
两种协作模式差异不显著：AI第一意见模式比第二意见模式高出3个百分点（85% vs 82%），但这一差异未达到统计学显著性（p = 0.22，95% CI -1.7%至7.6%）。
AI独立表现的警示：AI单独诊断的准确率达到90%，显著高于医生单独使用传统资源（75%），且与医生+AI协作的结果（85%/82%）相比，差距不具有统计学显著性。这意味着在当前的协作模式下，AI的能力并未被充分利用——人类医生的参与在某些情况下反而拉低了整体准确率。
AI第二意见的"附和效应"：定性分析揭示了一个关键问题：当AI作为第二意见（即先看到医生诊断后再分析）时，其诊断推理更倾向于赞同医生的初步判断。这导致AI的独立价值被稀释，特别是在医生初始诊断正确的情况下，这一偏差不易察觉，但在医生误诊时则可能导致AI也"跟着错"。
“托底"效应而非"拔高"效应：小提琴图分析显示，AI辅助的主要贡献在于减少低分病例的出现（压缩了分布的低分尾部），而非普遍提高所有病例的得分。换言之，AI更多是在防止明显的诊断失误，而非让每个诊断都变得更好。
临床可操作性提升：在AI第二意见模式下，获得满分（4/4，涵盖诊断和后续临床行动的四个维度）的病例数从61例增至88例，显示AI辅助确实提升了临床决策的完整性。
五、应用前景
这项研究为医疗AI的落地部署提供了几个方向性启示：
工作流设计优先于模型迭代：在模型性能已经达到较高水平（AI单独准确率90%）的情况下，进一步提升临床决策质量的关键瓶颈可能不在于模型本身，而在于人机交互界面的设计。如何让医生的参与真正产生"增值效应"而非"干扰效应”，是下一阶段的核心课题。
“并行独立判断 + 综合讨论"应当成为标准范式：该研究验证了一个关键设计原则——AI和医生应该先各自独立完成分析，再坐下来"对答案”。这避免了锚定效应对双方判断的交叉污染，保持了协作的互鉴价值。
“AI先看"模式值得在特定场景推广：虽然两种模式差异未达统计显著性，但AI先分析再交由医生审阅的模式在操作效率上具有天然优势——它可以作为"预筛"工具，让医生把精力集中在AI不确定性较高的病例上。
警惕"附和式协作”：AI作为第二意见时的附和倾向是一个需要正视的工程挑战。在真实临床环境中，如果AI总是赞同医生，它就从一个"独立审查者"退化成了"舒适确认者"，失去了安全网的功能。
从"AI辅助"到"AI-autonomy"需要一个过渡策略：当AI单独表现已经优于人机协作时，简单地让AI替代医生显然不现实（法律、伦理、信任等多重约束）。本研究提出的"结构化协作"框架，可能成为一个从工具到队友、从队友到自主代理的渐进路线图。
六、结论
Everett等人的这项随机对照试验，标志着医疗AI评估范式的一次重要转向：当模型能力不再是瓶颈，人机交互设计成为决定临床效果的关键变量。70位临床医师的随机分组数据表明，恰当设计的人机协作流程可以显著提升诊断准确率——AI第一意见模式将准确率从75%提升至85%，AI第二意见模式提升至82%。但同时也暴露了两个深层问题：AI单独诊断已达90%，但人机协作未能充分释放这一潜力；AI做第二意见时容易附和医生，失去独立审查的价值。
这项研究提示我们，医疗AI的部署不仅是技术问题，更是组织行为学和认知工效学问题。如何设计一个让医生和AI各自发挥最大优势的协作界面，可能比继续提升模型1-2个百分点的准确率更加紧迫。正如论文标题所言——AI需要从"工具"进化为"队友"，而这需要重新设计的是协作方式，而非模型本身。
| 论文标题 | From tool to teammate in a randomized controlled trial of clinician-AI collaborative workflows for diagnosis |
| 作者 | Everett SS, Bunning BJ, Jain P, Lopez I, Agarwal A, Desai M, Gallo R, Goh E, Kadiyala VB, Kanjee Z, Koshy JM, Olson A, Rodman A, Schulman K, Strong E, Chen JH, Horvitz E |
| 机构 | Stanford University School of Medicine（斯坦福大学医学院）、Harvard Medical School（哈佛医学院）、VA Palo Alto Health Care System、Beth Israel Deaconess Medical Center、University of Minnesota Medical School、Microsoft Research（微软研究院） |
| 期刊 | npj Digital Medicine（Nature Portfolio），Volume 9, Article 409 |
| 发表时间 | 2026年3月18日（接收：2026年3月4日） |
| DOI | 10.1038/s41746-026-02545-1 |
| PubMed | PMID: 41851268 |
论文原文信息地址：https://www.simoagent.com/blog/2026-08-05-clinician-ai-collaborative-diagnosis/
参考文献
- Everett SS, Bunning BJ, Jain P, et al. From tool to teammate in a randomized controlled trial of clinician-AI collaborative workflows for diagnosis. npj Digital Medicine, 2026, 9: 409. DOI: 10.1038/s41746-026-02545-1 | PMID: 41851268
- Goh E, et al. Large language model influence on diagnostic reasoning: a randomized clinical trial. JAMA Network Open, 2024, 7: e2440969. DOI: 10.1001/jamanetworkopen.2024.40969
- Cabral S, et al. Clinical reasoning of a generative artificial intelligence model compared with physicians. JAMA Internal Medicine, 2024, 84: 581–583. DOI: 10.1001/jamainternmed.2024.0295
- McDuff D, et al. Towards accurate differential diagnosis with large language models. Nature, 2025. DOI: 10.1038/s41586-025-08869-4
- Tversky A, Kahneman D. Judgment under uncertainty: heuristics and biases. Science, 1974, 185: 1124–1131. DOI: 10.1126/science.185.4157.1124