这项由谷歌估量院（Google Research）与谷歌DeepMind集结开展的大限制估量，于2026年5月5日以预印本面容发布，论文编号为arXiv:2605.04012v1。有兴致深入了解的读者可以通过该编号在arXiv平台查询好意思满论文。

你有莫得在深夜倏得感到肉体不对劲，却不细则要不要去看大夫的履历？喉咙有点痛，是普通伤风照旧扁桃体炎？肚子迷糊作痛，是吃坏了东西照旧需要坐窝去急诊？大多数东谈主遭受这种情况，第一响应不是坐窝拨打病院电话，而是掏动手机，掀开搜索引擎或者AI聊天器用，输入我方的症状描摹，但愿得到一个初步谜底。

这个举止听起来再普通不外，但背后其实藏着一个莫得被崇拜回答过的迫切问题：当普通东谈主用日常语言向AI描摹症状时，AI给出的会诊提倡到底有多准确？它能和信得过的大夫比拟吗？不同的对话式样——比如AI主动追问照旧用户我方庸碌说——会不会显赫影响会诊质料？

谷歌估量院的团队决定用一场真实的大限制实验往复答这些问题。他们开发了一套叫作念SymptomAI的对话式AI系统，把它接入了数百万东谈主在用的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，采集了快要1.4万场真实的症状对话。这不是在实验室里蓄意的模拟场景，也不是请演员饰演病东谈主，而是真材实料的真实天下测试。

这项估量的私有之处在于，它同期作念了三件事：测试AI是否能准确会诊普通东谈主自述的症状，比较不同对话政策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联接起来有莫得价值。最终的论断让许多东谈主感到不测——在特定要求下，AI给出的阔别会诊驱逐显著优于东谈主类临床大夫。

一、为什么普通东谈主看病前总要先问AI

在闲适先容这项估量之前，有必要先领会它为什么迫切。咱们正处在一个医疗信息获取式样发生根人性变化的时间。昔日，东谈主们生病了率先参谋家庭大夫，或者打电话给诊所。其后互联网普及，各式症状查询网站和在线症状检讨器用兴起。而近几年，大语言模子（也即是ChatGPT、Gemini这类AI聊天器用）的普及，让情况进一步发生了变化。

罕有据露出，东谈主们向AI发问的问题中，约莫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运筹帷幄。这个趋势也曾实真实在地影响了东谈主们的就医举止——有估量发现，当搜索引擎上某种症状的查询量飞腾时，对应的门诊就诊量反而会下降。换句话说，东谈主们在信得昔日病院之前，也曾越来越风俗先通过数字器用完成一次"预会诊"。

问题是，传统的在线症状检讨器用发扬并不睬想。一项障翳23个症状检讨器用的系统性综述发现，这些器用能把正确会诊排在第一位的概率唯有约34%。也即是说，你告诉它"我头疼、发热、混身酸痛"，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，连病东谈主我方随即测度齐偶然差些许。

那大语言模子呢？有估量用圭臬化的临床病例描摹来测试GPT-4，发现它在前五个候选会诊（也叫Top-5阔别会诊）里包含正确谜底的概率特出80%，令东谈主印象深切。但这里有一个要道问题被淡薄了：那些测试用的病例描摹，是由专科大夫写的，信息好意思满、抒发标准。真实病东谈主不会那么谈话。

一项很有劝服力的估量驱逐揭示了这个差距有多大：当AI平直处理专科撰写的病例描摹时，Top-3准确率高达94.9%；而当普通东谈主把磨灭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%，这个陡壁式下落，清醒地说明了一件事：在实验室里发扬优秀的AI，在濒临真实用户的时候，发扬可能截然违抗。

谷歌估量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考验。

二、一场不时九个月、涵盖近1.4万东谈主的真实实验

这项估量的蓄意自己就值得好好先容，因为它的限制和真实性在同类估量中相等荒僻。

估量团队把SymptomAI系统接入了Fitbit应用的"Fitbit Labs"估量环境，向好意思国各地的Fitbit用户发出邀请。这个实验从2025年6月闲适启动，一直运行到2026年4月，不时了快要一年。估量通过了独处伦理审查委员会（Advarra，马里兰州，编号GH-SCD-001）的批准，总共参与者齐经过了知情痛快面容，明确了解这是一项估量，而非闲适的医疗就业。参与者莫得任何经济酬劳。

最终，约4万名Fitbit用户被邀请参与，其中13917东谈主完成了至少一次与SymptomAI的好意思满对话。这些参与者在信得过感到肉体不应时，会掀开应用与AI进行一场对于症状的对话，AI凭据对话内容给出可能的病因列表（也即是阔别会诊，简称DDx）。对话驱逐后，参与者还会被邀请填写一个简易问卷，回报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驱逐。

最终，13917东谈主中有1228东谈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"金圭臬"。在这1228东谈主中，估量团队又随即抽取了517东谈主，邀请三位具有特出35年从业告诫的家庭科牌照大夫进行了深度临床评估，耗时特出250个小时。

这三位大夫的责任分两个阶段。第一阶段，其中两位大夫独处阅读对话纪录（AI给出的会诊被遮拦，只保留用户的论说），各自给出我方的阔别会诊列表，并评估我方的信心进度。第二阶段，第三位大夫在不知谈任何会诊开始的情况下，同期看到三份会诊列表（两份来自东谈主类大夫，一份来自AI），对它们进行盲评和排行，并在看到真实会诊后评估各列表的准确率。

除了东谈主类大夫的评估，估量团队还考验了一个AI自动评分系统（auto-rater），用来把东谈主类评估的限制从517东谈主膨胀到一起1228东谈主，确保论断更有统计力度。

总共这个词实验技艺，参与者被随即分派到五个不同的"对话模式"组，每组使用不同的AI对话政策。这个随即分组蓄意，使得估量者鄙俚平直比较不同政策的后果，而不是让参与者摆脱聘请。

三、五种对话政策，哪种更像信得过的好大夫

这项估量最中枢的变量之一，是AI和用户交流的式样。估量团队蓄意了五种不同的对话政策，对应五个实验组，这五种政策的区别，本色上是AI主动性的高下。

第一种政策叫"基础模式"，这亦然当今市面上大多数消耗级AI聊天器用的默许状态。AI只被见告要聚焦于健康话题，并在对话驱逐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，会诊的质料全齐取决于用户我方欢悦提供些许信息。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。

第二种政策叫"固定问题模式"，基于医学院素养中的圭臬病史采集框架——HPI（现病史）。AI被要求按标准问一套固定的问题，包括症状发生的位置、驱动时分、严重进度（1-10分）、症状的具体感受（比如是刺痛照旧钝痛）、什么情况下症状加剧或松开、是否有相关风险成分，以及症状如何影响日常生计。非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。

第三种政策叫"活泼问题模式"，与第二种雷同，但AI有权凭据用户也曾提供的信息跳过无须要的问题。比如用户一驱动就提到了症状出现了三天，AI就不需要再问"症状什么时候驱动的"。这种式样在保持结构化的同期，更接近天然对话的嗅觉。

第四种政策叫"动态及时更新模式"，AI有全齐的自主权决定问什么、怎么问，莫得任何预设问题列表。惟一的敛迹是对话最多进行六轮，而况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。

第五种政策叫"动态最终输出模式"，与第四种尽头相似，一样给AI全齐的自主权，但AI不会在经过中展示中间会诊驱逐，只在对话驱逐时给出最终的会诊列表。

这五种政策从第一种到第五种，AI的主动性和结构化进度逐渐发生变化。估量团队的中枢假定是：主动洽商更多信息的政策，会比恭候用户主动提供信息的政策发扬更好。

四、驱逐令东谈主咋舌：主动追问的AI，会诊准确率逾越27%

实验驱逐尽头清醒地支撑了这个假定，而况差距之大超出了许多东谈主的预期。

更挑升想的是，固定问题模式（第二和第三种，共计准确率75.6%）和动态自主模式（第四和第五种，共计准确率71.4%）之间，并莫得统计上显赫的互异（Welch t考验，p=0.155）。换句话说，AI不需要固执地遵命医学院教的圭臬问题清单，只须它被赋予追问的权限，哪怕全齐自主决定问什么，后果也和遵命经典临床框架差未几。

从用户参与度来看，基础模式下用户在总共这个词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，总词数显著更多。这平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。

这个发现对普通消耗者使用AI器用有平直的率领有趣。当你掀开ChatGPT、Gemini或者其他AI助手描摹症状时，M6体育app官网最新版如果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

估量中最引东谈主笼统的发现，是SymptomAI的会诊质料与东谈主类临床大夫比拟的驱逐。

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，另外两份来自独处阅读对话纪录的东谈主类大夫（他们看不到AI的会诊）。第三位大夫在全齐不知谈这些列表谁写的情况下，对三份列表进行了盲评排行。

不外这里需要稍稍解释一下"自制性"的问题。参与对比的东谈主类大夫，他们手头拿到的信息，是用户和AI之间的对话纪录——也即是说，这个对话是AI主导的，问的问题是AI聘请的，采集到的信息是AI认为有效的。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，采集到不同的信息。估量团队在论文中坦承了这个局限性：这不是一个全齐自制的端对端对比（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基于一样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的发扬上风最为杰出。既然在信息最好意思满的情况下AI依然胜出，说明AI的上风不单是来自它掌抓了东谈主类大夫没看到的信息，而是真的在会诊推理上发扬更好。

六、AI在低信息量对话中的韧性：越难越显上风

估量还发现了一个突出挑升想的模式，触及不同"难度"的对话案例。

估量中，第一阶段的大夫（也即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度（1到5分）。在大夫自信心较高（评分4-5分）的案例中，AI和大夫的发扬出入不大，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——这类案例经常是信息不够充分、症状不够典型的"贫瘠"——AI的发扬显著优于大夫，差距在统计上显赫。

这意味着AI对信息不好意思满的对话具有更强的"抗烦躁才调"。即便用户描摹得磨叽不清、东一句西一句，AI也能从中索要出有价值的会诊陈迹，而东谈主类大夫在一样情况下会更快地堕入困惑和不细则。

一种可能的解释是，AI在海量考验数据中积聚了极为通常的"症状-疾病"统计模式。当信息不充分时，AI可以支配这些统计限定，瞻望在给定的有限症状下最可能的疾病散播，相等于在不细则性中给出一个经过多半先验信息校准的测度。而东谈主类大夫在濒临不好意思满信息时，经常更依赖个东谈主告诫和直观，这在信息穷乏时反而成了局限。

七、估量东谈主群有莫得代表性？来自普通东谈主群的额外考据

一个合理的质疑是：Fitbit的用户不可代表普通东谈主。Fitbit主若是健身意思意思者和健康坚硬较强的东谈主在用，这群东谈主可能对我方的肉体情景更了解，描摹症状更清醒，导致AI发扬虚高。

估量团队崇拜对待了这个质疑。他们额外从第三方造访平台（Toluna）招募了1509名来自好意思国普通东谈主群的参与者进行了独处考据。这批东谈主通过结构化问卷描摹我方近期的健康事件，然后由SymptomAI对调换内容进行会诊评估。

驱逐露出，SymptomAI在这批普通东谈主群上的Top-5准确率为75.2%，与Fitbit用户群的80.0%尽头接近，差距不大。天然两个东谈主群的疾病散播显著不同（统计考验露出散播互异显赫），但AI的会诊准确率保持了相等进度的褂讪性，说明估量论断具有一定的开阔性，不单是适用于健康坚硬较强的特殊群体。

另外，估量团队还作念了统计考验，证据参与临床评估的517东谈主子样本在年岁、性别、体重等东谈主口学特征上与整体13917东谈主莫得实质性互异，自行回报了会诊的东谈主群也莫得显著的聘请性偏差。

八、身上的手环，果然也能"感知"你在生病

这项估量还有一个令东谈主目下一亮的延迟发现，与可穿着开导相关。

Fitbit腕表和手环可以连结采集多种生理数据，包括静息心率、心率变异性（HRV，这是权衡腹黑健康的一个主义）、就寝中的呼吸频率、就寝中的非快速眼动期心率、就寝中的皮肤温度、就寝中的清醒时分、总就寝时长、活跃分钟数以及逐日步数。估量团队采集了整体13917名参与者在SymptomAI对话前后共特出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主义的变化存在关联。这类分析在医学估量中有一个专门的称号叫"全表型关联估量"（PheWAS）。

估量发现，急性呼吸谈感染与多种可穿着生理主义的显赫变化高度相关。以流感为例，在参与者讲和SymptomAI的前后几天里，他们的静息心率显著升高（赔率比OR>7，意味着流感患者静息心率特别的概率口角流感东谈主群的7倍以上），日步数和活跃分钟数大幅下降，就寝中清醒时分增多，心率变异性缩小。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、急性上呼吸谈感染和普通伤风也露出出雷同但强度不同的生理信号变化模式。值得宝贵的是，许多这些生理变化——比如就寝中心率的细小飞腾或心率变异性的缩小——在用户我方还没坚硬到生病之前就也曾出现了。

这个发现领导了一种真义的改日可能性：在用户我方主动掀开症状检讨器用之前，可穿着开导检测到的这些生理特别信号，也许可以作为"触发器"，主动领导用户进行症状评估。就像手环宝贵到你最近几天就寝质料变差、心率偏高，然后主动问你"你最近嗅觉怎么样？需要作念个症状评估吗？"。

估量还发现，东谈主们聘请在阿谁时分点与SymptomAI交互，经常与"就寝中清醒时分的峰值"高度吻合——也即是说，严重影响就寝质料，让东谈主转辗反侧，经常是促使东谈主们下定决心去寻求医疗信息的要道驱动成分之一。

九、这项估量的局限性：哪些论断需要严慎对待

任何估量齐有局限性，这项估量的团队也平直而坦诚地指出了几个需要宝贵的处所。

第一，会诊"金圭臬"来自参与者的自我回报，而非经过考据的医疗纪录。参与者说我方被会诊为流感，但估量团队无法证据这个会诊是否准确。有些东谈主可能误记了大夫的会诊，有些东谈主可能耻辱了病名，还有些东谈主可能在慢性病的处理经过中，回报的是正在演变中的阶段性会诊。估量团队对显著分歧理的回报进行了筛查和过滤，但大限制数据采集不可幸免地引入了一些杂音。

第二，临床对比的不全齐自制性前边也曾提到——参与对比的东谈主类大夫，是基于AI问诊内容而非我方问诊内容进行会诊的。这在一定进度上适度了咱们对"AI问诊+AI会诊"与"大夫问诊+大夫会诊"进行好意思满端对端比较的才调。

第三，这个估量蓄意无法适度参与者回报症状的时分点。有东谈主可能在症状刚出面前就使用了SymptomAI，有东谈主可能比及症状很显著、以至也曾去看了大夫之后才使用。不同的时分点意味着用户能提供的信息质料和好意思满性互异很大，这会影响会诊驱逐。

第四，许多疾病仅凭语言描摹无法确诊，还需要体格检讨、实验室检测或影像学检讨。SymptomAI能作念到的只是给出阔别会诊列表，不可替代信得过的医疗检讨。对于慢性病或需要专科检讨的情况，AI的局限性愈加显著。

十、不同东谈主群，AI发扬存莫得互异

估量团队还分析了AI会诊准确率在不同东谈主群特征中的散播。

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谈主。估量团队认为，这可能是因为年父老有更丰富的就医履历，对我方的肉体情景更了解，描摹症状时更精确。

从性别来看，女性参与者的会诊准确率高于男性。估量团队援用了一项医学估量的发现：男性在日常生计中倾向于比女性更少就医，对肉体症状的感知和描摹才调相对弱于女性，这可能导致男性用户在使用AI症状器用时提供的信息质料偏低。

从讲授进度来看，领有估量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"鄙俚识别和领会汇聚健康信息"和"鄙俚使用AI器用解答健康问题"的参与者，比自评信心较低的参与者发扬更好。这些限定齐指向磨灭个主义：用户的健康常识布景和信息抒发才调，是影响AI会诊质料的迫切成分。

此外，估量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）在一样对话内容上的发扬，发现更新、更大的模子在会诊准确率上确乎有一定晋升，但晋升幅度不算戏剧性。这说明对话政策（主动追问与否）的影响，比模子版块自己的影响更为要道。

说到底，这项估量告诉咱们什么？

归根结底，这项估量的中枢信息尽头清醒：当AI主动追问、系统地采集症状信息时，它的会诊才调可以特出有告诫的临床大夫；而当AI被迫恭候用户自说自话时，它的发扬会大幅缩水。这对咱们日常使用AI健康器用有平直的率领有趣——如果你发现某个AI器用只是在被迫修起你，并莫得追问细节，那它给出的会诊提倡参考价值有限。

这项估量的有趣还不啻于此。它用快要1.4万场真实对话阐述了，大语言模子在濒临真实用户的真实症状时，不再只是"实验室里雅瞻念"，而是真的能在执行会诊中阐扬有有趣的作用。在全球优质医疗资源分派特别不均、偏远地区和低收入群体严重穷乏专科医疗支撑的布景下，这种可以随处随时、免费获取的AI会诊扶直器用，有着不可淡薄的大家卫生价值。

天然，有几个想考主义值得陆续面容。AI的会诊提倡应该在多猛进度上被用户动作"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症状评估相联接，能否信得过杀青疾病的早期预警，照旧仍然过于复杂？这些问题，齐在恭候更多估量往复答。

如果你对好意思满的估量细节感兴致，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拟到底差些许？

A：SymptomAI在Top-5阔别会诊准确率上显赫优于东谈主类大夫，赔率比OR=2.47，也即是说AI的会诊列表包含正确谜底的概率约莫是东谈主类大夫的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"的比例特出52.9%，而两位东谈主类大夫的列表被排第一的比例永诀唯有约23.5%和26.7%。不外需要宝贵，参与对比的大夫是基于AI问诊纪录进行会诊，而非我方主导问诊，这在一定进度上影响了对比的全齐自制性。

Q2：为什么AI追问症状比用户我方描摹后果互异那么大？

Q3：Fitbit的生理数据能提前瞻望生病吗？

A：估量发现，急性呼吸谈感染（尤其是流感）与Fitbit采集的多种生理主义变化高度相关，且这些变化在用户主动寻求症状评估之前就也曾出现。以流感为例，赔率比特出7，意味着流感患者出现生理特别的概率是普通东谈主的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回报日前后达到峰值。这领导改日可能通过可穿着开导的生理特别主动触发症状评估M6体育app官网最新版，但当今仍处于估量阶段，尚未酿成可落地的预警居品。