GPT-5比人类医师还会看X光片？！
最新研讨显现，GPT-5对医学印象的推理和了解精确率别离比人类专家高出24.23%和29.40%。
来自埃默里大学医学院的研讨团队把GPT-5和GPT-4o以及更小的GPT-5变体（GPT-5-mini、GPT-5-nano）进行了比较，剖析它们在医疗范畴处理多模态信息的才能。
通过一系列规范化测验发现GPT-5在一切测验中的体现都比其他模型好，尤其是在MedXpertQA的多模态测验中，它的推理和了解得分比GPT-4o别离提高了近30%和36%，乃至比人类医师还高。
AI看病历常见，但是比人类医师还会看就不常见了，所以GPT-5是怎样做到的？
AI在多模态医学范畴逾越人类新手医师
研讨人员对GPT-5、GPT-4o以及GPT-5的mini和nano版别进行了体系测验。
测验分为三类：纯文本的USMLE考试、多模态的MedXpertQA测验还有还有放射科的VQA-RAD，都是零样本设置，不依靠数据微调。
USMLE是美国医师执照考试，有规范化的出题和严厉的评分体系，是全球医学教育和人才评价的重要参阅基准。
该考试分为三个过程：Step1首要调查根底医学常识，Step2聚集临床运用常识，Step3偏重实践。
在此次研讨中，GPT-5在USMLE考试中全面逾越GPT-4o，且均匀得分抢先于其他模型。
MedXpertQA测验是一个用于评价模型专家级医学常识与高档推理才能的归纳基准，有文本测验和多模态测验，共包括4460道标题，触及17个医学专科和11个身体体系，其数据源自超20个美国医师执照考试、欧洲放射学委员会考试等威望内容。
其间多模态的MedXpertQA测验利用它的MM子集打开，MM子集引入了带有多样化图画及丰厚临床信息（病历、查看成果等）的专家级考试题。
为添加难度，多模态子集的标题还扩大至5个选项，能更有效地评价模型在靠近实在场景下的医学确诊推理才能。
根据之前的数据，GPT-5推理和了解得分比GPT-4o别离提高了近30%和36%。
下图具体对比了未获得执照的人类专家与GPT-5系列模型及GPT-4o在MedXpertQA测验的文本子集（Text）和多模态子集（MM）中的体现，包括推理、了解及均匀三个维度。
在文本测验中，GPT-4o三项得分均低于人类专家，GPT-5-nano相同全面落后，GPT-5-mini 推理和均匀得分略超人类专家，而GPT-5体现最优，得分大幅抢先。
在多模态测验中，GPT-4o推理和均匀得分略低，GPT-5-nano全体与人类专家相等，GPT-5-mini大幅逾越人类专家，GPT-5优势最为明显，推理超人类专家24%、了解得超人类专家29%，展现出强壮的多模态医学推理才能。
VQA-RAD测验是医学视觉问答测验，该数据集包括315张放射印象以及与之对应的3515个问答对。常用于评价医学多模态大言语模型解读杂乱医学图画并生成精确文本描绘的才能。
在此次研讨中，GPT-5的匹配率为70.92%，高于GPT-4o及小变体GPT-5-nano，而其轻量化变体GPT-5-mini的体现略优，严厉匹配率到达74.90%。
考虑到VQA-RAD规划相对较小且具有放射科专项特点，这种得分差异或许源于较小模型存在数据集特定的过拟合现象。
看了这么多测验成果，那么GPT-5为什么能全面碾压长辈GPT-4o呢？
GPT-5构建了端到端的多模态架构
团队以为，GPT-5才能提高中心源于其跨模态注意力与对齐才能的增强。
GPT-5与GPT-4o的中心距离，本质上是从文本主导的混合处理到原生多模态深度交融的代际跨过。
GPT-4o在处理跨模态使命时，仍依靠文本转译+外部东西调用的直接形式：例如解析医学印象时，需先通过第三方模型将图画信息转化为文本描绘，再根据文本进行推理。
这种模态转化中介不只添加了信息损耗（如图画中的纤细病变或许在转译中被疏忽），还导致推理链条开裂——模型难以直接树立印象特征-病理机制-医治计划的因果相关。
而GPT-5构建了端到端的多模态架构：通过同享符号化技能，将文本、印象、音频等信息编码为一致向量空间的符郭德纲桃色新闻女主播9976;肃医学院桃色新闻号，漳州私企女老板桃色新闻再凭借跨模态注意力机制完结感知-推理-决议计划的无缝联接。
而且，团队以为在MedXpertQA Text、USMLE Step 2这样的推理密集型使命中，GPT-5的前进更杰出是因为思想链提示与GPT-5增强的内部推理才能形成了协同效应，使其能更精确地完结多步推理。
不过研讨人员也指出，尽管GPT-5在规范测验中体现优异，但要阐明的是，这些测验都是在抱负环境下进行的，标题和数据都是规范化的，实践中患者的状况千奇百怪，还或许遇到各种突发状况。
所以，GPT-5要真走进诊室当助理，还得通过更多实战检测。
这不，KCDH_A数字健康研讨中心对AI进行了放射科的终极考试，这是一项AI从未见过的、跨模态的检测使命，包括了CT、MRI和X光，模仿日常实践中实践遇到的杂乱实在病例。
测验成果显现，一切AI模型得分均低于实习医师，而具有执业资历的放射科医师比AI抢先更多，尽管GPT-5刚刚进入顶尖AI的方位，但也远低于人类。
该实验室的研讨人员表明：
尽管我对AI开展感到振奋，咱们实验室也在每天运用AI模型，但AI替代放射科医师与实践的距离依然很大。
由此可见，AI单独看病历之前，仍是得先锻炼锻炼。
论文地址：https://arxiv.org/abs/2508.08224
参阅链接：
[1]https://x.com/omarsar0/status/1955252499142627788
[2]https://x.com/emollick/status/1955381296743715241
[3]https://x.com/DrDatta_AIIMS/status/1954586822849523789
本文来自微信大众号“量子位”，作者：闻乐，36氪经授权发布。