Google AMIE 视频版在临床问诊中达到专家级水平

Google 团队在 arXiv 发布论文《Towards Expert-Level Medical AI for Real-Time Video Consultations》，首次系统性地展示 AMIE（Articulate Medical Intelligence Explorer，视频版本）在实时临床视频问诊场景中达到接近或超过初级保健医生（PCP）的水平。AMIE（Video）是一个基于 Gemini 的多智能体系统，将低延迟对话、临床推理与实时音视频感知整合在一起，面向的是目前以文本为主的医疗 AI 很少覆盖的多模态交互场景。

研究背景：从文本问诊到视频问诊

论文指出，医患沟通天然依赖音视频交互：表情、动作、语速等非语言线索在疾病评估中至关重要，而纯文本医疗 AI 既丢失了这些感知维度，也对无法用文字表达症状的患者形成门槛。此前将医疗 AI 拓展到音视频交互的尝试已验证可行性，但未达到临床医生水平。本研究的目标，是在真实视频问诊流程中验证专家级医疗 AI 是否可行。

AMIE（Video）的核心能力

AMIE（Video）由多个协同模块组成，关键能力包括：

• 低延迟语音对话，匹配临床问诊节奏；
• 临床推理，覆盖问诊、检查、鉴别诊断与处置建议；
• 实时音视频感知，能从面部表情、动作、视觉线索中提取临床相关信息。

为支撑训练与评测，研究团队还建立了一套针对远程医疗场景下临床音视频线索的分类体系与自动化评测方法。

评测设计：随机化 OSCE 对照研究

研究采用随机化客观结构化临床考试（OSCE）方案，核心参数如下：

• 30 位初级保健医生（PCPs）；
• 15 位标准化病人演员（patient actors）；
• 100 个临床场景；
• 三组对照：AMIE（Video）、AMIE（Text）、通过视频会诊的真人 PCPs。

临床评估者对病史采集、诊断、处置、体格观察与检查四个维度进行评分。

主要结果

• 在病史采集、诊断、处置、体格观察与检查方面，AMIE（Video）与 PCPs 评分相当或更优；
• 病人演员更偏好 AMIE 在评估与解释病情上的方式；
• PCPs 在「医患关系建立与协作」维度仍受偏好；
• 模态消融实验中，病人演员在沟通效果、便利性与「被理解感」上明显更偏好视频界面而非纯文本。

现存局限与下一步

研究团队同时坦率列出了当前局限：

• 精细解剖学精度的观察仍有不足；
• 微妙情感线索识别较弱；
• 高频运动的捕捉与理解存在差距。

作者表示，在进入真实临床部署前，仍需更大规模、更长周期的验证，但他们认为这项工作标志着医疗 AI 在跨越临床实践感知复杂度上迈出了重要一步。