这项由谷歌探究院（Google Research）与谷歌DeepMind集合开展的大限制探究，于2026年5月5日以预印本阵势发布，论文编号为arXiv:2605.04012v1。有兴趣深入了解的读者可以通过该编号在arXiv平台查询完满论文。

你有莫得在更阑眨眼间感到身段不对劲，却不笃定要不要去看医师的阅历？喉咙有点痛，是平常伤风如故扁桃体炎？肚子朦拢作痛，是吃坏了东西如故需要坐窝去急诊？大多数东谈主遭受这种情况，第一反馈不是坐窝拨打病院电话，而是掏出手机，翻开搜索引擎或者AI聊天器用，输入我方的症状描摹，但愿得到一个初步谜底。

这个行好听起来再平常不外，但背后其实藏着一个莫得被负责回答过的遑急问题：当平常东谈主用日常语言向AI描摹症状时，AI给出的会诊提出到底有多准确？它能和信得过的医师比较吗？不同的对话面孔——比如AI主动追问如故用户我方粗率说——会不会权贵影响会诊质料？

谷歌探究院的团队决定用一场真实的大限制实验来去答这些问题。他们征战了一套叫作念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，汇集了快要1.4万场真实的症状对话。这不是在实验室里设想的模拟场景，也不是请演员饰演病东谈主，而是真材实料的真实宇宙测试。

这项探究的特有之处在于，它同期作念了三件事：测试AI是否能准确会诊平常东谈主自述的症状，比较不同对话政策对会诊准确率的影响，以及探索将AI会诊与可穿着建树的生理数据相接起来有莫得价值。最终的论断让许多东谈主感到不测——在特定要求下，AI给出的辩别会诊终结昭彰优于东谈主类临床医师。

一、为什么平常东谈主看病前总要先问AI

在庄重先容这项探究之前，有必要先交融它为什么遑急。咱们正处在一个医疗信息获取面孔发生根人性变化的期间。昔时，东谈主们生病了领先照管家庭医师，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查器用兴起。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。

少见据显露，东谈主们向AI发问的问题中，大致有五分之一与医疗健康知知趣关。而在健康联系的AI对话里，快要二成波及症状评估或疾病筹备。这个趋势一经实着实在地影响了东谈主们的就医行动——有探究发现，当搜索引擎上某种症状的查询量高涨时，对应的门诊就诊量反而会下降。换句话说，东谈主们在信得昔时病院之前，一经越来越习气先通过数字器用完成一次"预会诊"。

问题是，传统的在线症状检查器用推崇并不睬想。一项隐藏23个症状检查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、周身酸痛"，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，连病东谈主我方赶紧料想都或然差几许。

那大语言模子呢？有探究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辩别会诊）里包含正确谜底的概率突出80%，令东谈主印象深切。但这里有一个要害问题被疏远了：那些测试用的病例描摹，是由专科医师写的，信息完满、抒发标准。真实病东谈主不会那么语言。

一项很有劝服力的探究终结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%；而当平常东谈主把兼并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%，这个峭壁式下落，了了地说明了一件事：在实验室里推崇优秀的AI，在濒临真实用户的时候，推崇可能天渊之隔。

谷歌探究院的团队恰是看到了这个空缺，决定把AI症状评估拉到真实宇宙里来磨真金不怕火。

二、一场连续九个月、涵盖近1.4万东谈主的真实实验

这项探究的设想自己就值得好好先容，因为它的限制和真实性在同类探究中相配萧疏。

探究团队把SymptomAI系统接入了Fitbit应用的"Fitbit Labs"探究环境，向好意思国各地的Fitbit用户发出邀请。这个实验从2025年6月庄重启动，一直运行到2026年4月，连续了快要一年。探究通过了孤独伦理审查委员会（Advarra，马里兰州，编号GH-SCD-001）的批准，通盘参与者都经过了知情容许方法，明确了解这是一项探究，而非庄重的医疗行状。参与者莫得任何经济酬金。

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的完满对话。这些参与者在信得过感到身段不当令，会翻开应用与AI进行一场对于症状的对话，AI证据对话内容给出可能的病因列表（也即是辩别会诊，简称DDx）。对话终局后，参与者还会被邀请填写一个松弛问卷，报告我方是否去看了医师以及得到了什么会诊。如果那时还没去看医师，两周后系统会再次提醒，请他们补充后续会诊终结。

最终，13917东谈主中有1228东谈主提供了医师给出的真实会诊，这部分数据成为评估AI准确率的"金圭臬"。在这1228东谈主中，探究团队又赶紧抽取了517东谈主，邀请三位具有突出35年从业警戒的家庭科派司医师进行了深度临床评估，耗时突出250个小时。

这三位医师的责任分两个阶段。第一阶段，其中两位医师孤独阅读对话记载（AI给出的会诊被讳饰，只保留用户的述说），各自给出我方的辩别会诊列表，并评估我方的信心进程。第二阶段，第三位医师在不知谈任何会诊起原的情况下，同期看到三份会诊列表（两份来自东谈主类医师，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。

除了东谈主类医师的评估，探究团队还西宾了一个AI自动评分系统（auto-rater），用来把东谈主类评估的限制从517东谈主蔓延到沿途1228东谈主，确保论断更有统计力度。

通盘实验技能，参与者被赶紧分拨到五个不同的"对话模式"组，每组使用不同的AI对话政策。这个赶紧分组设想，使得探究者大致平直比较不同政策的服从，而不是让参与者解放聘用。

三、五种对话政策，哪种更像信得过的好医师

这项探究最中枢的变量之一，是AI和用户交流的面孔。探究团队设想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主动性的上下。

第一种政策叫"基础模式"，这亦然当今市面上大多数铺张级AI聊天器用的默许状态。AI只被见知要聚焦于健康话题，并在对话终局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，会诊的质料王人备取决于用户我方怡悦提供几许信息。这就像走进一家诊所，医师只是坐在那处等你语言，不主动问任何问题。

第二种政策叫"固定问题模式"，基于医学院教养中的圭臬病史采集框架——HPI（现病史）。AI被要求按措施问一套固定的问题，包括症状发生的位置、运行时候、严重进程（1-10分）、症状的具体感受（比如是刺痛如故钝痛）、什么情况下症状加剧或削弱、是否有联系风险身分，以及症状怎样影响日常活命。不论用户之前说了什么，AI都要把这套问题问完，最多对话六轮，然后给出会诊。

第三种政策叫"活泼问题模式"，与第二种访佛，但AI有权证据用户一经提供的信息跳过无谓要的问题。比如用户一运行就提到了症状出现了三天，AI就不需要再问"症状什么时候运行的"。这种面孔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有王人备的自主权决定问什么、奈何问，莫得任何预设问题列表。惟一的约束是对话最多进行六轮，况且AI在每轮对话后都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"，与第四种特等相似，同样给AI王人备的自主权，但AI不会在经由中展示中间会诊终结，只在对话终局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程逐渐发生变化。探究团队的中枢假定是：主动征询更多信息的政策，会比恭候用户主动提供信息的政策推崇更好。

四、终结令东谈主惊羡：主动追问的AI，会诊准确率进步27%

实验终结特等澄莹地支持了这个假定，况且差距之大超出了许多东谈主的预期。

更特地念念的是，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，并莫得统计上权贵的各异（Welch t磨真金不怕火，p=0.155）。换句话说，AI不需要拘束地死守医学院教的圭臬问题清单，只须它被赋予追问的权限，哪怕王人备自主决定问什么，服从也和死守经典临床框架差未几。

从用户参与度来看，基础模式下用户在通盘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，用户被相通提供了更多信息，总词数昭彰更多。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。

这个发现对平常铺张者使用AI器用有平直的领导道理。当你翻开ChatGPT、Gemini或者其他AI助手描摹症状时，米兰体育MILAN SPORTS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出的可靠性要打一个很大的扣头。

五、AI的会诊，为什么连有警戒的医师都比不外

探究中最引东谈主隆重的发现，是SymptomAI的会诊质料与东谈主类临床医师比较的终结。

在那517个经过深度临床评估的案例中，每个案例都有三份会诊列表：一份来自SymptomAI，另外两份来自孤独阅读对话记载的东谈主类医师（他们看不到AI的会诊）。第三位医师在王人备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。

不外这里需要略略解释一下"公谈性"的问题。参与对比的东谈主类医师，他们手头拿到的信息，是用户和AI之间的对话记载——也即是说，这个对话是AI主导的，问的问题是AI聘用的，汇集到的信息是AI以为有效的。如果让医师我方来进行病史采集，他们可能会问不同的问题，汇集到不同的信息。探究团队在论文中坦承了这个局限性：这不是一个王人备公谈的端对端对比（即医师我方问诊+我方会诊 vs. AI问诊+AI会诊），而是医师基于AI问诊内容进行会诊，与AI基于同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：在那些被医师评为"对话质料最高、信息最充分"的案例中，AI的推崇上风最为杰出。既然在信息最完满的情况下AI依然胜出，说明AI的上风不单是来自它掌执了东谈主类医师没看到的信息，而是确凿在会诊推理上推崇更好。

六、AI在低信息量对话中的韧性：越难越显上风

探究还发现了一个特别特地念念的模式，波及不同"难度"的对话案例。

探究中，第一阶段的医师（也即是提供基准会诊的两位医师）在完成会诊后，会被要求评估我方对这个会诊的信心进程（1到5分）。在医师自信心较高（评分4-5分）的案例中，AI和医师的推崇收支不大，两边都作念得可以。但在医师自信心较低（评分1-2分）的案例中——这类案例时常是信息不够充分、症状不够典型的"远程"——AI的推崇昭彰优于医师，差距在统计上权贵。

这意味着AI对信息不完满的对话具有更强的"抗打扰才略"。即便用户描摹得暗昧不清、东一句西一句，AI也能从中提取出有价值的会诊行踪，而东谈主类医师在同样情况下会更快地堕入困惑和不笃定。

一种可能的解释是，AI在海量西宾数据中累积了极为平常的"症状-疾病"统计模式。当信息不充分时，AI可以哄骗这些统计端正，展望在给定的有限症状下最可能的疾病散布，相配于在不笃定性中给出一个经过大宗先验信息校准的料想。而东谈主类医师在濒临不完满信息时，时常更依赖个东谈主警戒和直观，这在信息缺少时反而成了局限。

七、探究东谈主群有莫得代表性？来自平常东谈主群的额外考证

一个合理的质疑是：Fitbit的用户不成代表平常东谈主。Fitbit主如若健身贵重者和健康刚烈较强的东谈主在用，这群东谈主可能对我方的身段状态更了解，描摹症状更澄莹，导致AI推崇虚高。

探究团队负责对待了这个质疑。他们额外从第三方拜谒平台（Toluna）招募了1509名来自好意思国平常东谈主群的参与者进行了孤独考证。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对通常内容进行会诊评估。

终结显露，SymptomAI在这批平常东谈主群上的Top-5准确率为75.2%，与Fitbit用户群的80.0%特等接近，差距不大。固然两个东谈主群的疾病散布昭彰不同（统计磨真金不怕火显露散布各异权贵），但AI的会诊准确率保持了相配进程的踏实性，说明筹谈论断具有一定的渊博性，不单是适用于健康刚烈较强的特殊群体。

另外，探究团队还作念了统计磨真金不怕火，说明参与临床评估的517东谈主子样本在年纪、性别、体重等东谈主口学特征上与举座13917东谈主莫得实质性各异，自行报告了会诊的东谈主群也莫得昭彰的聘用性偏差。

八、身上的手环，果然也能"感知"你在生病

这项探究还有一个令东谈主目下一亮的延长发现，与可穿着建树联系。

Fitbit腕表和手环可以运动采集多种生理数据，包括静息心率、心率变异性（HRV，这是商酌腹黑健康的一个打算）、寝息中的呼吸频率、寝息中的非快速眼动期心率、寝息中的皮肤温度、寝息中的清醒时候、总寝息时长、活跃分钟数以及逐日步数。探究团队汇集了举座13917名参与者在SymptomAI对话前后共突出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打算的变化存在关联。这类分析在医学探究中有一个专门的称招呼"全表型关联探究"（PheWAS）。

探究发现，急性呼吸谈感染与多种可穿着生理打算的权贵变化高度联系。以流感为例，在参与者战斗SymptomAI的前后几天里，他们的静息心率昭彰升高（赔率比OR>7，意味着流感患者静息心率很是的概率吊问流感东谈主群的7倍以上），日步数和活跃分钟数大幅下降，寝息中清醒时候加多，心率变异性裁减。这些变化在SymptomAI对话本日前后达到峰值，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平常伤风也显露出访佛但强度不同的生理信号变化模式。值得谨慎的是，许多这些生理变化——比如寝息中心率的隐微高涨或心率变异性的裁减——在用户我方还没刚烈到生病之前就一经出现了。

这个发现教唆了一种道理道理的将来可能性：在用户我方主动翻开症状检查器用之前，可穿着建树检测到的这些生理很是信号，也许可以作为"触发器"，主动教唆用户进行症状评估。就像手环谨慎到你最近几天寝息质料变差、心率偏高，然后主动问你"你最近嗅觉奈何样？需要作念个症状评估吗？"。

探究还发现，东谈主们聘用在阿谁时候点与SymptomAI交互，时常与"寝息中清醒时候的峰值"高度吻合——也即是说，严重影响寝息质料，让东谈主夜不成眠，时常是促使东谈主们下定决心去寻求医疗信息的要害驱上路分之一。

九、这项探究的局限性：哪些论断需要严慎对待

任何探究都有局限性，这项探究的团队也平直而坦诚地指出了几个需要谨慎的所在。

第一，会诊"金圭臬"来自参与者的自我报告，而非经过考证的医疗记载。参与者说我方被会诊为流感，但探究团队无法说明这个会诊是否准确。有些东谈主可能误记了医师的会诊，有些东谈主可能浑浊了病名，还有些东谈主可能在慢性病的处分经由中，报告的是正在演变中的阶段性会诊。探究团队对昭彰分歧理的报告进行了筛查和过滤，但大限制数据汇集不可幸免地引入了一些杂音。

第二，临床对比的不王人备公谈性前边一经提到——参与对比的东谈主类医师，是基于AI问诊内容而非我方问诊内容进行会诊的。这在一定进程上适度了咱们对"AI问诊+AI会诊"与"医师问诊+医师会诊"进行完满端对端比较的才略。

第三，这个探究设想无法适度参与者报告症状的时候点。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昭彰、以至一经去看了医师之后才使用。不同的时候点意味着用户能提供的信息质料和完满性各异很大，这会影响会诊终结。

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

十、不同东谈主群，AI推崇存莫得各异

探究团队还分析了AI会诊准确率在不同东谈主群特征中的散布。

从年纪来看，年纪较大的参与者（65岁以上）Top-5准确率总体高于年青东谈主。探究团队认为，这可能是因为年长辈有更丰富的就医阅历，对我方的身段状态更了解，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。探究团队援用了一项医学探究的发现：男性在日常活命中倾向于比女性更少就医，对身段症状的感知和描摹才略相对弱于女性，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。

从说明进程来看，领有探究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"大致识别和交融集聚健康信息"和"大致使用AI器用解答健康问题"的参与者，比自评信心较低的参与者推崇更好。这些规建都指向兼并个标的：用户的健康常识布景和信息抒发才略，是影响AI会诊质料的遑急身分。

此外，探究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）在同样对话内容上的推崇，发现更新、更大的模子在会诊准确率上确乎有一定提高，但提高幅度不算戏剧性。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害。

说到底，这项探究告诉咱们什么？

归根结底，这项探究的中枢信息特等澄莹：当AI主动追问、系统地汇集症状信息时，它的会诊才略可以突出有警戒的临床医师；而当AI被迫恭候用户自说自话时，它的推崇会大幅缩水。这对咱们日常使用AI健康器用有平直的领导道理——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，那它给出的会诊提出参考价值有限。

这项探究的道理还不啻于此。它用快要1.4万场真实对话证明了，大语言模子在濒临真实用户的真实症状时，不再只是"实验室里悦目"，而是确凿能在推行会诊中施展特地念念的作用。在全球优质医疗资源分拨非常不均、偏远地区和低收入群体严重缺少专科医疗支持的布景下，这种可以随处随时、免费得回的AI会诊接济器用，有着不可疏远的全球卫生价值。

天然，有几个念念考标的值得不绝怜惜。AI的会诊提出应该在多猛进程上被用户四肢"参考"而非"论断"？当AI给出的会诊提出与医师的判断相矛盾时，用户应该怎样衡量？可穿着建树的生理数据与AI症状评估相相接，能否信得过完满疾病的早期预警，如故仍然过于复杂？这些问题，都在恭候更多探究来去答。

如果你对完满的探究细节感兴趣，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医师比较到底差几许？

A：SymptomAI在Top-5辩别会诊准确率上权贵优于东谈主类医师，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大致是东谈主类医师的2.5倍。在517个经过临床人人盲评的案例中，人人把AI的会诊列表排为"最好"的比例突出52.9%，而两位东谈主类医师的列表被排第一的比例差别唯有约23.5%和26.7%。不外需要谨慎，参与对比的医师是基于AI问诊记载进行会诊，而非我方主导问诊，这在一定进程上影响了对比的王人备公谈性。

Q2：为什么AI追问症状比用户我方描摹服从各异那么大？

Q3：Fitbit的生理数据能提前展望生病吗？

A：探究发现米兰(中国)2026世界杯指定官网，急性呼吸谈感染（尤其是流感）与Fitbit采集的多种生理打算变化高度联系，且这些变化在用户主动寻求症状评估之前就一经出现。以流感为例，赔率比突出7，意味着流感患者出现生理很是的概率是平常东谈主的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报告日前后达到峰值。这教唆将来可能通过可穿着建树的生理很是主动触发症状评估，但当今仍处于探究阶段，尚未酿成可落地的预警产物。