AMIE 视频问诊：谷歌多智能体系统在模拟 OSCE 中胜过全科医生——但医生被要求关闭摄像头

由谷歌研究院与 Google DeepMind 四十位作者组成的团队，让其医疗对话智能体 AMIE 参加了一场以视频问诊形式进行的客观结构化临床考试（OSCE）：100 个情景由 15 名职业演员扮演，并以十名美国全科医生作为对照组。AMIE 首位诊断正确率为 0.91，医生为 0.77；加入视频后，其"观察与查体"得分从 0.41 升至 0.74。然而，试验方案要求对照组医生全程关闭摄像头，临床表现被限制在演员可以模仿的范围内，而演员本人——唯一真正经历了问诊过程的一方——在其评分的 29 项标准中只发现 2 项存在显著差异。

背景

AMIE（Articulate Medical Intelligence Explorer）是谷歌在诊断对话智能体方向上的工作线。此前版本以文字交流：模拟患者输入症状，智能体提问，随后给出鉴别诊断与处置方案。这些研究报告的评估得分高于处于同样文字形式下的医生。

显而易见的反驳是：基层医疗并不是通过聊天进行的。一次问诊，即使是远程的，也依赖声音、节奏，尤其依赖临床医生所看到的东西：步态、呼吸、皮肤颜色、患者护住腹部的方式。视频远程医疗本身也有一套关于哪些体格检查在远程仍可完成的指导规范——患者自行触诊、移动身体、在医生引导下调整摄像头方向。

从文字转向实时视频提出了三个不同的技术问题。延迟：高质量的临床推理需要数秒计算，但二十秒的沉默会让对话无法进行。感知：需要解读连续的音视频流，而非单张静态图像。稳健性：取景粗糙、背景噪声、光照不稳。这篇于 2026 年 8 月 10 日提交至 arXiv 的论文，试图解决这些问题并加以量化。

方法

AMIE (Video) 是一个异步多智能体系统：多个模块以不同节奏并行运行，而非依次串联。共三个智能体，构建于 Gemini 3 Flash 与 Gemini 3.1 Pro 之上。

Talker（对话体）负责实时对话。为保持速度，它使用极小的计算预算，且只查看最近五秒的视频帧。它同时充当协调者，整合另外两个智能体产生的状态、完整对话历史与近期画面。

Planner（规划体）承担临床推理：症状摘要、鉴别诊断、处置方案，以及一份进行中的对话目标清单（待采集的信息、待请求的动作）。它在患者每次发言时更新，但其深度推理被限制为每十秒对话最多调用一次。

Perception（感知体）在一个更长的视频窗口上调用 Gemini 3.1 Pro，并对检测到的所有音视频线索保持累积记忆。作者事先构建了这些线索的分类体系，划分为 14 个领域（腹部、心血管、皮肤、HEENT 即耳鼻喉与眼、神经、疼痛行为、环境与设置等），并附有远程医疗可行性评级，从"高"直至"音视频无法获取"。

一个重要之处：本研究没有进行任何训练或微调。三个智能体通过提示词（prompting，即向公开的 Gemini 模型下达文字指令）进行编排。这在概念上更易复现，同时也使结果完全依赖于闭源模型。

最明确的工程收益是延迟：异步编排将每轮平均延迟从21.4 秒 [95% CI：20.3–23.0] 降至 2.6 秒 [2.3–2.8]，相较此前的顺序式架构。

评估方案。一百个临床情景由一家专长于 OSCE 的加拿大机构编写，随后由美国具备执业资格认证的全科医生独立核验。情景覆盖五个领域——心肺、腹部、HEENT、神经与精神、肌肉骨骼——每个领域包含两个"无疾病"病例。每个情景配有一份 20 分的病例专属评分表。

每个情景执行三次：AMIE 视频、AMIE 纯文字，以及医生视频，共 300 次问诊。15 名职业演员（7 名女性、8 名男性，年龄 20 至 75 岁）扮演患者。十名获认证的美国全科医生构成人类对照组，住院医培训后平均执业 4.5 年（范围 1–9 年）。另有二十名独立的全科医生对录像评分，他们经验明显更丰富（平均 14.95 年）。该研究被描述为部分盲法：评估者未被告知来源，但 AMIE 的合成语音仍可辨认。

一个方案细节决定了全部解读：人类对照组医生被要求在整场问诊中关闭摄像头，以便"控制"与没有虚拟形象的 AMIE 之间的比较。他们能看到患者，患者却看不到他们。

结果

在鉴别诊断方面，AMIE (Video) 将正确诊断置于首位的比例为 0.91 [0.85–0.96]，医生为 0.77 [0.68–0.85]（p = 0.039）。在 100 个情景中，这相当于多出 14 例首位诊断正确。在前三位诊断中，差距缩小至 0.98 对 0.90，不再显著（p = 0.179）。鉴别诊断的恰当性（0.89 对 0.80，p = 1.05 × 10⁻³）与全面性（0.88 对 0.73，p = 2.38 × 10⁻⁶）区分更为明显。

在各病例的 20 分专属评分表上，总分为 AMIE (Video) 0.83 [0.81–0.86]、AMIE (Text) 0.75、医生 0.68 [0.64–0.72]。拉开差距的领域是"感知与查体"：0.74，而文字版为 0.41、医生为 0.47。在单独的体格观察项上为 0.77，文字版 0.30，医生 0.51；在引导式查体上为 0.72，对应 0.51 与 0.39。

在临床评估者评定的 36 项标准中，经 Benjamini-Hochberg 校正后，26 项显著有利于 AMIE (Video)，没有任何一项显著有利于医生。处置方案恰当性为 0.79 对 0.68（p = 7.55 × 10⁻³）。"避免虚构"一项完全持平：AMIE (Video) 0.93、AMIE (Text) 0.95、医生 0.93（p = 1.0）。

最有意思的结果，是与其他结果相矛盾的那一个。演员在每次问诊后对 29 项标准评分，与医生相比只发现两项显著差异——"评估我的状况"（0.91 对 0.81）与"向我解释我的状况"（0.88 对 0.79）。在若干关系性标准上，方向反而偏向医生，只是未达显著：建立伙伴关系（0.66 对 0.74）、把我当作一个人来关心（0.67 对 0.77）。评估者在共情（0.82 对 0.71）与人际技巧（0.96 对 0.83）上看到的巨大差距，并未出现在模拟患者的亲身体验中。

最后，感知能力因所需识别的对象不同而极不均衡。按领域：疼痛行为 88%、皮肤 75%、肌肉骨骼 70%，但沟通与行为仅 44%、环境与设置仅 46%。在具体体征上，崩塌十分明显：眼球震颤 3%、震颤 24%、情感状态 29%。

做得好的地方

异步架构解决了一个真实问题，并用数字加以证明。每轮平均延迟从 21.4 秒降至 2.6 秒不是表面优化：这是演示与对话之间的分界。将 Talker / Planner / Perception 拆分，并刻意采用不对称的计算预算，是对"推理质量与响应时间"这一矛盾的一个干净的工程回答。

消融实验诚实地分离了各智能体的贡献。在 500 个情景的单轮测试台上，完整系统得 59%，仅 Perception 得 58%，仅 Talker 得 42%。也就是说，作者自己表明大部分收益来自感知，而非整体编排。在多轮测试中，完整系统 87%，仅 Talker 71%。

感知失败被详细公布。一篇宣传性论文会只给平均分。这篇论文公布了逐个体征的表格，包括眼球震颤的 3% 与震颤的 24%。正是这种颗粒度让该工作可被批评——因而有用。

做得不够的地方

对照组存在偏倚，而且是多重同时发生的偏倚。这是医疗 AI 文献中最经典的失败模式，在这里则是结构性的。被比较的医生关闭了摄像头——随后却在沟通与共情的评分表上，因一场患者看不到其面容的问诊中的关系性不足而被扣分。他们平均执业 4.5 年，而评估者为 15 年。他们没有病历、没有既往史、没有辅助检查，也没有复诊的可能——也就是说，缺少一切让真实全科医生具有价值的手段。作者明确承认，关闭摄像头降低了人类对照组的生态效度。

患者是演员，而临床表现是按"可表演"来挑选的。方案有意排除了儿科、皮肤科（"演员无法演示"）、产科、妇科、慢病随访与隐私部位检查。作者还指出招募高龄演员困难，这使严重心血管疾病与慢阻肺被低估。所测试的并不是全科医学，而是一名演员能在摄像头前重现的那部分全科医学。此外还叠加了一种经典的人群偏倚：数字素养较低的患者事实上被排除在外。

裁判是阅读者，不是患者——而两者意见不一致。按观看录像的临床医生评判，三十六项中有二十六项有利于 AMIE；而亲历该次交流的演员只保留了两项。基于转录文本的评分表，会机械地奖励大语言模型擅长的东西：结构、全面、明确的复述确认。只做到部分盲法进一步加剧了这一偏倚：合成语音可辨认，文字组在结构上也可识别。此外，加入视频完全没有改善诊断（0.91 对文字版 0.90，p = 0.862），这提示这些情景在文字模态下已经饱和，作者对此也予以承认。

最后是独立性问题：四十位作者全部是谷歌研究院或 Google DeepMind 的雇员，研究由 Alphabet 资助，且代码、权重、录像与情景均未公开。作者以医疗场景下无监督使用的风险为由说明不公开的理由——这一论点站得住脚，但也使任何独立复现成为不可能。预印本中未见任何伦理审批声明。

带来的改变

对研究界而言，真正的贡献是架构与音视频线索分类体系，而非分数。仅 Perception 智能体就几乎收回全部收益（58% 对完整系统的 59%），这是一个强信号：视频临床智能体的瓶颈在感知，而非推理。这是一条可直接落地的工作方向，即便对无法使用 Gemini 的团队也是如此。

对临床医生而言，今天什么也没有改变，作者自己也这样说。值得注意的是引导式查体的结果（0.72 对 0.39）：一个懂得让患者站起、行走、按压某个具体部位并重新调整摄像头方向的智能体，在这一点上做得比远程问诊中的医生更好。这不是替代，而是一份人类在时间压力下执行得很差的流程清单。

对患者与公众而言，需要对 0.91 这个数字保持谨慎。它并不描述 AI 面对真实患者时的表现：它描述的是一个系统面对演员表演事先写好的病例时的表现，其对照是一位没有摄像头、没有病历、没有检查的医生。真正值得记住的显著结果，或许不是这一项，而是评估者判断与模拟患者体验之间的落差：临床医生评为富有共情的问诊，未必就是患者感受到的共情。

延伸阅读

预印本可在 arXiv (2608.09861) 获取，采用 CC BY 4.0 许可，附录含完整结果表格。未公开代码、权重或数据集。底层模型（Gemini 3 Flash、Gemini 3.1 Pro）由各自的模型卡记录。关于远程问诊中可行体格检查的参考框架，见作者引用的美国 HHS 指导文件。