在一项覆盖100个三次就诊场景的盲法评估中，这些场景涵盖心脏病学、肺病学、神经学、妇产科/泌尿科和消化科，并均以 NICE 和 BMJ Best Practice 指南为依据。结果显示，AMIE 的检查和治疗建议始终更为精确。专科评分员发现，AMIE 的治疗方案与指南建议完全匹配的频率显著更高：第二次就诊时，AMIE 的检查建议匹配率为 99%，而医生为 84%；第三次就诊时，AMIE 为 100%，医生为 88%，并且 AMIE 的建议附带了明确的指南来源引文 。

MIRA 则采取了不同的路径。它不是一个对话系统，而是直接在电子病历内部运行。据 Else Kröner Fresenius 数字健康中心发布的消息，由 Jakob Nikolas Kather 领导的研究团队开发了 MIRA，使其能够在一个使用真实患者病例的模拟医院信息系统内，自主评估医疗信息、安排检查，并制定诊断和治疗决策 。

在回顾性模拟研究中，MIRA 的总体诊断准确率达到 87.8%，而获得执业资格的医生组为 78.1%。在一些特定疾病的诊断中，其优势更为显著，例如胰腺炎（MIRA 95.2% vs. 医生 78.6%）和阑尾炎（MIRA 100% vs. 医生 88%）。MIRA 开出的血液检查单比医生多（51% vs. 28%），但它大幅减少了影像学检查的使用 。该系统能够执行超过 85,000 种可能的临床操作，并且在针对 880 个旨在欺骗 AI 的对抗性提示的测试中，未出现任何数据泄露的情况 。

关键局限

尽管数据亮眼，但这两个系统都面临着同样残酷的现实：它们从未在实际临床环境中对真实患者进行过测试。模拟与现实之间的鸿沟，是独立专家在审视医疗 AI 智能体时最关注的议题。

一份发表于《美国国家医学图书馆》（PMC）的综合范围综述一针见血地指出了主要挑战：​“缺乏在真实世界环境中进行的强健临床验证。”评估常常依赖于理想化的合成数据集，而非处理真实患者记录中普遍存在的稀疏性、不平衡性和数据缺失。该综述的结论是，这些系统的实际临床有效性在很大程度上仍未得到前瞻性研究的证实 。

其他主要局限还包括：

• 基于文本的约束。 AMIE 和 MIRA 主要处理文本和结构化数据。两者都无法进行体格检查——比如触诊腹部、听诊心音或观察患者的步态。这不是一个小问题；体格检查对于许多诊断仍然是不可或缺的。
• 缺乏持续学习能力。 一份对2026年 AI 指数报告医学章节的分析证实，目前没有系统展示了跨不同患者就诊的持续学习或长期记忆能力 。
• 模拟患者而非真实病人。 AMIE 的多轮疾病管理研究虽然严谨，但使用的是在虚拟考试场景中的专业演员患者。MIRA 的评估同样使用了回顾性病例，并通过 AI 智能体模拟患者行为，而非与真实患者互动 。
• 安全漏洞。 同一份 AI 指数分析指出，幻觉、不透明的决策过程、智能体间的协调失败以及对电子病历系统的脆弱性，是自主医疗 AI 面临的开放性安全风险 。

专家的谨慎态度

评论这两项《自然》研究的科学家们承认其重要性，同时强调了临床应用之间的距离。英国科学媒体中心收集的专家反应称这项工作是​“一个质的飞跃”，但也指出这些结果来自于受控环境 。

更广泛的医疗 AI 研究揭示了一些持续存在的担忧：

可解释性与信任。 当 AI 智能体生成诊断或治疗建议时，其背后的推理过程常常缺乏透明度，导致临床医生难以追溯结论是如何得出的。这削弱了信任，并限制了其采纳 。

责任归属模糊。 在出现错误结果时，谁应承担法律和伦理责任——AI 开发者、部署机构还是监督的临床医生——目前尚不明确。包括 FDA 和欧盟 AI 法案在内的现有监管框架，尚未解决自主医疗 AI 特有的治理需求 。

泛化能力。 在单一医疗中心或特定数据集（如 MIMIC-IV）上训练和评估的系统，在面对不同人群、管理规程或医疗体系时可能无法可靠地工作 。

过度依赖风险。 即使是开发了带有防护栏版本的 AMIE（称为 g-AMIE）的研究人员也承认需要明确的约束。g-AMIE 被设计为执行病史采集，同时避免提供个性化医疗建议——这明确承认了不受限制的自主使用为时过早，且可能存在危险 。

通往真实世界部署的道路

无论是 AMIE 还是 MIRA，都尚未准备好投入常规临床应用。AMIE 已经向真实世界验证迈出了早期步伐，进行了一项与贝斯以色列女执事医疗中心合作的前瞻性单臂可行性研究，探索了 AMIE 如何在门诊初级保健就诊前收集患者信息 。另一项涉及100名患者的急诊科可行性研究评估了 AMIE 的就诊前病史采集能力。结果显示，其鉴别诊断包含最终诊断的比例为 90%，前三位准确率为 75%——尽管在管理计划的实用性和成本效益方面，初级保健医生的表现仍然优于 AMIE 。

这些是令人鼓舞的早期信号，但它们只是可行性研究——而非证明能改善患者预后、更严格的随机对照试验。医疗 AI 智能体领域在真正部署之前，普遍面临着一系列尚未解决的挑战：

• 监管路径。 协助诊断或管理的临床 AI 系统需要安全性和有效性的证据。目前尚无主要监管机构为临床环境中持续学习的自主智能体建立清晰的框架。
• 电子病历集成。 将大型语言模型（LLM）集成到现有电子病历系统中会带来实际和治理上的挑战，包括 AI 生成和人类生成的内容融合，从而模糊临床责任的风险 。
• 体格检查鸿沟。 基于文本的对话式 AI 和结构化数据处理智能体无法复制仍在临床实践中占据核心地位的实操体格评估。
• 健康公平。 两个系统都未能在多元化的真实世界人群中进行验证，以支持其在公平性方面的声明。

如何看待这一切？

2026年6月的研究代表了真正的进步。AMIE 已从单次诊断对话发展为涵盖指南推理的多轮疾病管理。MIRA 则展示了自主智能体能够在完全受控的回顾性模拟环境中，以与医生相当甚至更优的水平导航电子病历系统、安排检查与治疗 。

然而，这些演示与真实世界医学之间的差距仍然巨大。正如关于医疗 AI 智能体的范围综述所总结的那样，大多数评估所依赖的数据集和场景，并不能反映实际临床环境中的噪音、歧义、资源限制和责任要求 。

下一个关键里程碑将是在真实患者身上进行的前瞻性研究、明确的监管框架、在多样化人群中验证的安全性，以及证明这些系统能够改善预后（而不仅仅是在测试场景中匹配医生表现）的证据。在那之前，AMIE 和 MIRA 仍然是令人印象深刻的研究原型——它们并非人类医生的替代品，而是在进入任何一家诊所之前，还需要大量进一步验证的潜在未来工具。

在一项覆盖100个三次就诊场景的盲法评估中，这些场景涵盖心脏病学、肺病学、神经学、妇产科/泌尿科和消化科，并均以 NICE 和 BMJ Best Practice 指南为依据。结果显示，AMIE 的检查和治疗建议始终更为精确。专科评分员发现，AMIE 的治疗方案与指南建议完全匹配的频率显著更高：第二次就诊时，AMIE 的检查建议匹配率为 99%，而医生为 84%；第三次就诊时，AMIE 为 100%，医生为 88%，并且 AMIE 的建议附带了明确的指南来源引文 。

MIRA 则采取了不同的路径。它不是一个对话系统，而是直接在电子病历内部运行。据 Else Kröner Fresenius 数字健康中心发布的消息，由 Jakob Nikolas Kather 领导的研究团队开发了 MIRA，使其能够在一个使用真实患者病例的模拟医院信息系统内，自主评估医疗信息、安排检查，并制定诊断和治疗决策 。

在回顾性模拟研究中，MIRA 的总体诊断准确率达到 87.8%，而获得执业资格的医生组为 78.1%。在一些特定疾病的诊断中，其优势更为显著，例如胰腺炎（MIRA 95.2% vs. 医生 78.6%）和阑尾炎（MIRA 100% vs. 医生 88%）。MIRA 开出的血液检查单比医生多（51% vs. 28%），但它大幅减少了影像学检查的使用 。该系统能够执行超过 85,000 种可能的临床操作，并且在针对 880 个旨在欺骗 AI 的对抗性提示的测试中，未出现任何数据泄露的情况 。

关键局限

尽管数据亮眼，但这两个系统都面临着同样残酷的现实：它们从未在实际临床环境中对真实患者进行过测试。模拟与现实之间的鸿沟，是独立专家在审视医疗 AI 智能体时最关注的议题。

一份发表于《美国国家医学图书馆》（PMC）的综合范围综述一针见血地指出了主要挑战：​“缺乏在真实世界环境中进行的强健临床验证。”评估常常依赖于理想化的合成数据集，而非处理真实患者记录中普遍存在的稀疏性、不平衡性和数据缺失。该综述的结论是，这些系统的实际临床有效性在很大程度上仍未得到前瞻性研究的证实 。

其他主要局限还包括：

• 基于文本的约束。 AMIE 和 MIRA 主要处理文本和结构化数据。两者都无法进行体格检查——比如触诊腹部、听诊心音或观察患者的步态。这不是一个小问题；体格检查对于许多诊断仍然是不可或缺的。
• 缺乏持续学习能力。 一份对2026年 AI 指数报告医学章节的分析证实，目前没有系统展示了跨不同患者就诊的持续学习或长期记忆能力 。
• 模拟患者而非真实病人。 AMIE 的多轮疾病管理研究虽然严谨，但使用的是在虚拟考试场景中的专业演员患者。MIRA 的评估同样使用了回顾性病例，并通过 AI 智能体模拟患者行为，而非与真实患者互动 。
• 安全漏洞。 同一份 AI 指数分析指出，幻觉、不透明的决策过程、智能体间的协调失败以及对电子病历系统的脆弱性，是自主医疗 AI 面临的开放性安全风险 。

专家的谨慎态度

评论这两项《自然》研究的科学家们承认其重要性，同时强调了临床应用之间的距离。英国科学媒体中心收集的专家反应称这项工作是​“一个质的飞跃”，但也指出这些结果来自于受控环境 。

更广泛的医疗 AI 研究揭示了一些持续存在的担忧：

可解释性与信任。 当 AI 智能体生成诊断或治疗建议时，其背后的推理过程常常缺乏透明度，导致临床医生难以追溯结论是如何得出的。这削弱了信任，并限制了其采纳 。

责任归属模糊。 在出现错误结果时，谁应承担法律和伦理责任——AI 开发者、部署机构还是监督的临床医生——目前尚不明确。包括 FDA 和欧盟 AI 法案在内的现有监管框架，尚未解决自主医疗 AI 特有的治理需求 。

泛化能力。 在单一医疗中心或特定数据集（如 MIMIC-IV）上训练和评估的系统，在面对不同人群、管理规程或医疗体系时可能无法可靠地工作 。

过度依赖风险。 即使是开发了带有防护栏版本的 AMIE（称为 g-AMIE）的研究人员也承认需要明确的约束。g-AMIE 被设计为执行病史采集，同时避免提供个性化医疗建议——这明确承认了不受限制的自主使用为时过早，且可能存在危险 。

通往真实世界部署的道路

无论是 AMIE 还是 MIRA，都尚未准备好投入常规临床应用。AMIE 已经向真实世界验证迈出了早期步伐，进行了一项与贝斯以色列女执事医疗中心合作的前瞻性单臂可行性研究，探索了 AMIE 如何在门诊初级保健就诊前收集患者信息 。另一项涉及100名患者的急诊科可行性研究评估了 AMIE 的就诊前病史采集能力。结果显示，其鉴别诊断包含最终诊断的比例为 90%，前三位准确率为 75%——尽管在管理计划的实用性和成本效益方面，初级保健医生的表现仍然优于 AMIE 。

这些是令人鼓舞的早期信号，但它们只是可行性研究——而非证明能改善患者预后、更严格的随机对照试验。医疗 AI 智能体领域在真正部署之前，普遍面临着一系列尚未解决的挑战：

• 监管路径。 协助诊断或管理的临床 AI 系统需要安全性和有效性的证据。目前尚无主要监管机构为临床环境中持续学习的自主智能体建立清晰的框架。
• 电子病历集成。 将大型语言模型（LLM）集成到现有电子病历系统中会带来实际和治理上的挑战，包括 AI 生成和人类生成的内容融合，从而模糊临床责任的风险 。
• 体格检查鸿沟。 基于文本的对话式 AI 和结构化数据处理智能体无法复制仍在临床实践中占据核心地位的实操体格评估。
• 健康公平。 两个系统都未能在多元化的真实世界人群中进行验证，以支持其在公平性方面的声明。

如何看待这一切？

2026年6月的研究代表了真正的进步。AMIE 已从单次诊断对话发展为涵盖指南推理的多轮疾病管理。MIRA 则展示了自主智能体能够在完全受控的回顾性模拟环境中，以与医生相当甚至更优的水平导航电子病历系统、安排检查与治疗 。

然而，这些演示与真实世界医学之间的差距仍然巨大。正如关于医疗 AI 智能体的范围综述所总结的那样，大多数评估所依赖的数据集和场景，并不能反映实际临床环境中的噪音、歧义、资源限制和责任要求 。

下一个关键里程碑将是在真实患者身上进行的前瞻性研究、明确的监管框架、在多样化人群中验证的安全性，以及证明这些系统能够改善预后（而不仅仅是在测试场景中匹配医生表现）的证据。在那之前，AMIE 和 MIRA 仍然是令人印象深刻的研究原型——它们并非人类医生的替代品，而是在进入任何一家诊所之前，还需要大量进一步验证的潜在未来工具。