北京
认知神经科学前沿文献分享
基本信息
Title:Large reasoning models as thinking machines for medicine
发表时间:2026-06-23
发表期刊:Nature Biomedical Engineering
影响因子:26.3
获取原文:
1. 添加小助手:PSY-Brain-Frontier即可获取PDF版本
研究背景
传统医学人工智能通常擅长分类、风险评分或影像识别。真正复杂的临床决策不止这些，还要把病史、检验、影像、指南、患者反馈和不确定性放在一起看。大型推理模型（large reasoning models）让多步骤推理变得更可见，也让医学AI从“给一个答案”走向“把推理过程说清楚”。本文讨论的不是某个已经上线的系统，而是临床推理型AI应该如何定义，需要哪些技术条件，又该在哪些边界内验证
实验设计与方法逻辑
本文是理论论文。作者提出医学推理人工智能（medical reasoning artificial intelligence，MRAI）这一框架概念，重点包括连续人在环（human-in-the-loop）互动、多源医学工具编排，以及受监督反思适应（supervised reflection and adaptation）。论文随后讨论了后训练、提示工程（prompt engineering）和智能体建模（agentic modelling）等构建方式，并把临床验证、推理链审查、隐私、偏差、基础设施和责任归属列为主要限制。正文也明确说明，目前临床实践中还没有完整的综合MRAI系统
核心发现
发现一：MRAI不是更强聊天机器人，而是临床监督下的推理框架
作者把MRAI定义为持续人在环互动、多工具协同和受监督反思适应的组合。医生需要监督和批准，患者提供情境与反馈，电子健康记录、实验室系统、医学数据库等资源则进入同一个推理过程。这个定义说得很清楚：MRAI首先是协作工具，不是可以独立做临床决策的系统
Fig. 1 中，作者展示了基因组、影像、病理、临床笔记和患者对话等输入如何进入MRAI框架；这一图支撑的是系统构想，而不是临床疗效证据发现二：MRAI需要后训练、提示工程和智能体建模共同支撑
正文把MRAI的构建分成三类技术路径：后训练用于强化临床先验、可核查推理和校准判断；提示工程用于对齐临床目标，让推理输出更稳定；智能体建模用于安排工具调用、角色分工，以及计划、行动、验证、修订的循环。作者还讨论了强化学习可验证奖励（reinforcement learning with verifiable rewards，RLVR）
Fig. 2 中，作者概括了后训练、提示优化和智能体建模的关系；这一框架说明MRAI不能只依赖一个大型语言模型直接完成临床推理发现三：验证MRAI不能只看准确率，还要审查推理链和工作流
论文指出，传统医学AI在固定任务中往往可以用准确率或专家标注来验证。MRAI要麻烦得多：它还要评估多步骤推理链、工具授权、动态交互和分布外表现。推理解释也未必可靠，有时可能只是事后合理化，所以临床监督、监管路径和责任归属都会更难处理
Fig. 3 中，作者展示了从回顾性评估、前瞻性真实互动评估到临床工作流整合的阶段；这一图提示MRAI落地需要连续验证和治理，而不是一次性性能测试
省流总结
这篇 Nature Biomedical Engineering 理论论文提出，MRAI应被理解为一种由医生监督、能整合多源工具并接受推理链审查的医学AI范式。它的价值在于重新界定医学AI如何参与临床推理；但论文没有证明完整MRAI已经落地，也没有验证它能改善诊疗结局
暑期提升
分享人：天天
审核：PsyBrain 脑心前沿编辑部
你好，这里是「PsyBrain 脑心前沿」
专注追踪全球认知神经科学的最尖端突破
视野直击 Nature, Science, Cell 正刊 及核心子刊与顶级大刊
每日速递「深度解读」与「前沿快讯」
科研是一场探索未知的长跑，但你无需独行。欢迎加入PsyBrain 学术社群，和一群懂你的同行，共同丈量脑与心智的无垠前沿。
点击卡片进群，欢迎你的到来
一键关注，点亮星标 ⭐ 前沿不走丢！
一键分享，让更多人了解前沿
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
