2026-09-15
德累斯顿团队把开源模型做成全本地临床智能体，MIRA-v2 上 Qwen-3.5 准确率 90.0%，距 GPT-5.2 仅差 0.7 点；用五次运行语义一致性门控，保留 49.4% 病例时诊断准确率 98.9%。
医院要上能独立跑完问诊流程的临床智能体，同时卡两道门。一道是运营信任：病历、模型、审计能不能留在院内。另一道是决策信任：这一次输出该自动过，还是该交给医生。云端模型已经能在 MIMIC 派生基准上完成多轮问诊和工具调用，但把受保护健康信息送出机构，过不了治理。单次 token 概率或几句口头 hedging，也撑不起多步智能体里会沿工具链放大的采样抖动。
Kather 组把这两件事绑在同一套全本地框架里测：开源模型能不能贴上云端准确率，决策时的可靠性信号能不能把低风险病例筛出来自动处理。
系统是双智能体。Physician Agent 问诊、调工具、提交一条诊断 Dx 和一段推理 R；Patient Agent 按病历摘要扮演患者，基线设置下不许编造未提供的症状。工具覆盖体格检查、血液、尿检、影像报告、微生物、开药和手术申请。对话上限 10 轮，以 admission 结束。为了给本地模型省上下文，他们删掉了原 MIRA 框架的显式 Plan 工具，规划改成隐式的。
可靠性分析的主模型是 GLM-4.5-Air（温度 0.01）。修订阶段按同一套架构补测 Qwen-3.5、GLM-5、GPT-OSS，云端对照 GPT-5.2。推理服务用 vLLM，跑在 NVIDIA H200 和 RTX PRO 6000 上。MIRA-v2 的对错由独立的 Gemini 3.1 Flash-Lite 做临床等价判定；CDM 沿用原榜的模糊匹配。
每个病例独立采样 N=5 次，对 Dx 和 R 各算四类分数：
门控协议很简单：分数过阈值的病例交给智能体，其余进人工复核。压力测试则把 Patient Agent 的主诉和病史整段撤掉，逼它胡编病史，看准确率和置信度怎么一起垮。
MIRA-v2（七种病、551 例，模拟急诊早期评估）上，开源最好的是 Qwen-3.5，准确率 90.0%；GLM-5 89.7%，GLM-4.5-Air 88.4%，GPT-OSS 85.3%。GPT-5.2 是 90.7%。本地头名离云端 0.7 个百分点。肺炎在所有模型里都最差。
CDM（四种急腹症、2400 例）上 Qwen-3.5 到 83.8%，GLM-4.5-Air 81.2%，此前开源榜首 Gemma-3 是 70.5%。错主要落在胰腺炎对胆囊炎、阑尾炎对憩室炎这类重叠。
181 例盲审里，81.8% 被判智能体诊断和 EHR 标签都临床成立；4.4% 是智能体对、标签不对。LLM 判官和医生共识一致率 92.3%（Gwet AC1=0.898）。加一个 MedGemma 鉴别诊断批评者，整体从 88.4% 掉到 87.1%，后面分析全部退回单智能体。
| 信号 | 流 | AUC |
| ConsistencyDx | 诊断 | 0.860 |
| ProbScoreDx | 诊断 | 0.747 |
| LingCertR | 推理 | 0.792 |
| ConsistencyR | 推理 | 0.785 |
| ConceptDensityR | 推理 | 0.426 |
ConsistencyDx 对 ProbScoreDx 的 DeLong 差是 0.114（P=0.0011）。高一致性那一行准确率 99.0%–100.0%，几乎不看内部概率。ConceptDensityR 概念堆得越密越不像对，不能当置信度用。
主诉一撤，准确率从 90.6%（499/551）掉到 70.2%（387/551）。ConsistencyDx 跟着往下掉，AUC 仍有 0.875。肺炎上 ProbScoreDx 和 LingCertR 反而升过 0.90。证据变差时，内部概率不会老实降。
ConsistencyDx≥0.90 时保留 272/551（49.4%），保留集准确率 98.9%，只剩 3 个自动流错误，49 个错误被推进复核。ProbScoreDx≥0.98 只能保住 22.5% 覆盖、97.6% 准确率，到不了同一准确率档。N 从 3 加到 10，同一 0.90 阈值下保留准确率 97.5%/98.9%/99.6%，覆盖 51.7%/49.4%/46.3%。五次聚合大约五倍 token。
VivaBench（990 例、十个专科、PubMed 病案）更难：Qwen-3.5 72.22±0.92%，GPT-OSS 67.96±1.09%。ConsistencyDx 仍最强（AUC=0.719）；阈值 0.85 时 89.9% 准确率、32.0% 覆盖。
给医院一个可核对的组合：开源模型本地部署，MIMIC 急诊基准上几乎贴着 GPT-5.2；再用多次运行的语义一致性做分诊，大约一半病例可以自动过，错误被集中到复核流。self-consistency 在这里不当解码技巧，当决策闸门。阈值、升级、审计都留在机构手里。
闸门不便宜。一致性要跑完多次完整多轮问诊，token 近似线性涨。阈值跟着温度、编码器和 N 变，BGE 在 0.85 阈值下覆盖 73.9%，MiniLM 只有 62.6%，保留准确率没有跟着涨。绝对阈值不能跨配置照搬。
主基准都来自 MIMIC-IV 单中心。评测是文本模拟，没有原生读片。批评者智能体没有整体增益。高一致性里仍有残余错：一部分是就诊时点对后来才确立的病因标签；一部分是过早闭合到熟悉综合征。老年组准确率更低，固定阈值可能把高风险人群推向不同的自动/复核比例，论文把它标成待审计的描述性观察。全程回顾性模拟，没有前瞻工作流，也没有真实医生依赖数据。串行延迟按五倍估。