在繁忙的医院中，医生每天面对的是错综复杂的推理任务：从患者的主诉、化验单上的异常指标，到影像片中模糊的阴影，再到制定个体化治疗方案——每一步都需要在信息不全、时间紧迫的情况下做出判断。这种高度专业化的临床推理，能否借助人工智能得以增强或部分自动化？近年来，大型语言模型的出现为这一愿景带来了曙光。它们不仅能读懂病历、生成诊断建议，甚至开始具备与患者对话的能力。然而，要真正成为医生身边可靠的“智慧助手”，模型光有语言能力还远远不够，必须掌握扎实的医学推理能力。

为此，香港理工大学联合多家机构近期发布了题为《Aligning Clinical Needs and AI Capabilities: A Survey on LLMs for Medical Reasoning》的系统综述，首次从“需求-能力-数据-方法-挑战”多维度勾勒出医学推理与大模型融合的全景图，并提出一套清晰的五级进阶体系，被研究者称为“AI医学实习生的成长路径”。

从“知道”到“做到”：五层能力框架清晰划分AI进阶阶梯

该综述借鉴医学教育中经典的“米勒金字塔”，将医学推理能力划分为五个层级：

• Level 1：知识识别——模型能够识别和标准化医学术语与事实，如理解“心梗”即心肌梗死；

• Level 2：初步分诊——能对症状进行分类，判断就医优先级，如根据胸痛、呼吸困难提示心脑血管急症；

• Level 3：因果诊断——进行多步因果推理，结合病史、检查结果进行鉴别诊断；

• Level 4：决策支持——生成个性化治疗建议，权衡疗效与风险；

• Level 5：动态管理——在复杂、交互式场景中持续追踪病情，调整方案。

这一框架不仅为模型能力评估提供了标尺，也将现有评测数据集清晰地归类到对应层级，解决了以往评估零散、标准不一的问题。

数据、模型、方法：全景扫描显示分工趋势

研究团队构建了包含5000条标注样本的基准数据集，覆盖五级能力，并对18个主流模型进行评测。结果发现：专科医学模型（如Med-PaLM、BioGPT）在诊断类任务上准确率更高，而通用大模型（如GPT-4、Claude）在决策支持、医患对话和文本总结上更具优势。这意味着未来临床应用中，可能需要根据任务类型选择或融合不同模型。

在方法层面，综述系统梳理了五大推理范式：

• 链式推理（CoT） 引导模型“一步一步想”，提升诊断逻辑的可读性；

• 检索增强生成（RAG） 结合最新医学指南和数据库，减少“幻觉”；

• 多模态推理 整合影像、文本与电子病历，实现全面判断；

• 智能体推理（Agentic Reasoning） 则使模型能主动调用工具、规划步骤，初步具备“行动”能力。

挑战仍存：幻觉、数据、解释性与不确定性

尽管前景广阔，综述也指出四大核心挑战：

1. 高质量医学数据匮乏，尤其是标注精准的决策过程数据；

2. 模型幻觉可能生成危险建议，需严格控制；

3. 缺乏证据溯源，医生难以信任“黑箱”结论；

4. 结果不确定性难以量化，阻碍临床落地。

对齐：让技术回归临床本质

这项工作的深层意义在于“对齐”——不仅是技术能力的提升，更是将AI研发与临床真实需求相对齐。它提示研究者：医学大模型的评估不应只关注准确率，更要看其能否融入工作流、是否具备可解释性、是否尊重医疗伦理。

未来，一个合格的AI临床助手或许不会取代医生，但可以成为处理繁琐信息、提供参考建议的“超级实习生”。而这篇综述，正是为这一未来画出了第一张可供循证前行的路线图。从“读懂文字”到“读懂病情”，从“生成答案”到“生成信任”，AI正在一步一步，学习如何真正走进病房。