Google 用强化学习训练 AI 模拟完整临床问诊

Google Research 与 DeepMind 团队提交的 ResidencyRL 研究，探索了一种新的临床 AI 训练范式：不再让模型回答孤立的医学问题，而是在完整模拟问诊中练习「问诊—更新判断—执行—复核」的临床流程。基础模型为 Gemini 3.5 Flash，研究于 2026 年 8 月 7 日公开。

从「答医学题」到「做完整问诊」

传统医学考试式评测将事实直接交给模型，要求其给出答案；而真实的临床咨询没有这种便利。医生需要决定下一步该问什么、发现遗漏的信息、修正诊断、选择安全处置并向患者解释，必要时还要及时升级转诊。这意味着临床推理本质上是一个序列决策问题——一个早期假设可能改变后续所有提问，一次红旗信号的遗漏就可能让一个看似流畅的回答变得不安全。ResidencyRL 因此把训练目标从「答对题」转向「完成一次完整的咨询过程」。

模拟住院医师循环

训练在一个生成的临床世界中循环进行：

• 生成病例：定义疾病、病史、必问问题、红旗信号、处置方案与安全约束。
• 模拟患者：由大模型扮演患者，通过对话透露信息，并可表现出复杂或对抗性行为。
• 执行问诊：策略模型主动提问、更新判断、调用工具、提出处置方案并书写病历。
• 轨迹评分：由结构化评判器对诊断、处置、问诊、沟通、文档、风格与安全性打分。
• 强化更新：让更优的完整轨迹在下一轮训练中更可能出现。

单次训练轨迹最多包含 60 轮对话与 8 次工具调用。整个数据集共有 57,453 个训练场景，覆盖 81 种疾病，其中 49,870 例用于常规远程医疗训练，5,000 例聚焦问诊能力，2,583 例用于对抗性安全测试。

关键改进

在留出的对抗性问诊测试中，ResidencyRL 相比基线 Gemini 3.5 Flash 取得明显进步：

• 高诊断得分：从 81.0% 升至 88.0%（+7.0 分）。
• 漏检关键问题：从 65.5% 降至 43.5%（−22.0 分）。
• 漏检红旗信号：从 45.5% 降至 31.5%（−14.0 分，相对降幅 31%）。
• 欠分诊（Under-triage）：从 4.0% 微升至 4.5%，未见增益。

在跨场景迁移方面，模型在 120 例 AMIE Mx 疾病管理场景上的得分由 80.07% 提升至 88.41%，沟通能力提高 8.50 分，临床技能提高 5.26 分。在 300 例未见过肿瘤学病例的对比中，ResidencyRL 在 42.9% 的综合比较中胜过基线，18.6% 落败，其余为平局。在 AgentClinic 与 CRAFT-MD 等外部基准上，结果方向上偏向有利，但多数单项提升未达到统计显著。

专家偏好与定位

在 97 次有效盲法对比评测中，临床专家对 ResidencyRL 的总体偏好率为 87.6%。分维度看：信息收集完整性偏好 90.7%、处置方案适当性 75.3%、诊断评估 66.0%、处置安全性 96.9%（含平局）。研究者明确指出，专家偏好反映的是「一次更好的问诊过程」，并不等同于对 AI 替代医生的临床验证。

局限与边界

该研究的训练环境为纯文本、英文、面向美国远程医疗场景，且患者由另一大模型模拟，与真实世界之间存在三层落差：评估者、模拟器与真实临床。31.5% 的红旗漏检率在困难的对抗性场景中仍偏高，欠分诊指标未见改善，这些都表明该方法尚不足以支持自主临床使用的论断。研究将其置于更广泛的医疗 AI 能力栈中——包括 AMIE Video 的多模态实时交互、跨三次随访的疾病管理记忆、MIRA 在模拟 EHR 中的行动能力，以及 SepsisAgent 对治疗反应的预测——共同勾勒出医疗 AI 在 2026 年中期的能力前沿与未尽挑战。