Nat Biomed Eng最新 | 醫學AI會推理時，醫生該如何審計工具調用和臨床驗證鏈條？

認知神經科學前沿文獻分享

基本信息

Title:Large reasoning models as thinking machines for medicine

發表時間:2026-06-23

發表期刊:Nature Biomedical Engineering

影響因子:26.3

獲取原文:

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本

研究背景

傳統醫學人工智能通常擅長分類、風險評分或影像識別。真正復雜的臨床決策不止這些，還要把病史、檢驗、影像、指南、患者反饋和不確定性放在一起看。大型推理模型（large reasoning models）讓多步驟推理變得更可見，也讓醫學AI從“給一個答案”走向“把推理過程說清楚”。本文討論的不是某個已經上線的系統，而是臨床推理型AI應該如何定義，需要哪些技術條件，又該在哪些邊界內驗證

實驗設計與方法邏輯

本文是理論論文。作者提出醫學推理人工智能（medical reasoning artificial intelligence，MRAI）這一框架概念，重點包括連續人在環（human-in-the-loop）互動、多源醫學工具編排，以及受監督反思適應（supervised reflection and adaptation）。論文隨后討論了后訓練、提示工程（prompt engineering）和智能體建模（agentic modelling）等構建方式，并把臨床驗證、推理鏈審查、隱私、偏差、基礎設施和責任歸屬列為主要限制。正文也明確說明，目前臨床實踐中還沒有完整的綜合MRAI系統

核心發現

發現一：MRAI不是更強聊天機器人，而是臨床監督下的推理框架

作者把MRAI定義為持續人在環互動、多工具協同和受監督反思適應的組合。醫生需要監督和批準，患者提供情境與反饋，電子健康記錄、實驗室系統、醫學數據庫等資源則進入同一個推理過程。這個定義說得很清楚：MRAI首先是協作工具，不是可以獨立做臨床決策的系統

Fig. 1 中，作者展示了基因組、影像、病理、臨床筆記和患者對話等輸入如何進入MRAI框架；這一圖支撐的是系統構想，而不是臨床療效證據

正文把MRAI的構建分成三類技術路徑：后訓練用于強化臨床先驗、可核查推理和校準判斷；提示工程用于對齊臨床目標，讓推理輸出更穩定；智能體建模用于安排工具調用、角色分工，以及計劃、行動、驗證、修訂的循環。作者還討論了強化學習可驗證獎勵（reinforcement learning with verifiable rewards，RLVR）

Fig. 2 中，作者概括了后訓練、提示優化和智能體建模的關系；這一框架說明MRAI不能只依賴一個大型語言模型直接完成臨床推理

論文指出，傳統醫學AI在固定任務中往往可以用準確率或專家標注來驗證。MRAI要麻煩得多：它還要評估多步驟推理鏈、工具授權、動態交互和分布外表現。推理解釋也未必可靠，有時可能只是事后合理化，所以臨床監督、監管路徑和責任歸屬都會更難處理

Fig. 3 中，作者展示了從回顧性評估、前瞻性真實互動評估到臨床工作流整合的階段；這一圖提示MRAI落地需要連續驗證和治理，而不是一次性性能測試

省流總結

這篇 Nature Biomedical Engineering 理論論文提出，MRAI應被理解為一種由醫生監督、能整合多源工具并接受推理鏈審查的醫學AI范式。它的價值在于重新界定醫學AI如何參與臨床推理；但論文沒有證明完整MRAI已經落地，也沒有驗證它能改善診療結局

暑期提升

分享人：天天

審核：PsyBrain 腦心前沿編輯部

你好，這里是「PsyBrain 腦心前沿」

專注追蹤全球認知神經科學的最尖端突破

視野直擊 Nature, Science, Cell 正刊 及核心子刊與頂級大刊

每日速遞「深度解讀」與「前沿快訊」

科研是一場探索未知的長跑，但你無需獨行。歡迎加入PsyBrain 學術社群，和一群懂你的同行，共同丈量腦與心智的無垠前沿。

點擊卡片進群，歡迎你的到來

一鍵關注，點亮星標 ? 前沿不走丟！

一鍵分享，讓更多人了解前沿