研究做了什么
10 月 29 日，《Nature Communications》刊出一项由香港大学、清华大学与哈佛医学院等机构研究者共同完成的工作。团队构建了 AIMS-LDR——一个基于真实电子病历的长上下文诊断推理基准，覆盖 6 组同源模型配对（同一底座的不同版本）与 12 个临床专科，用于回答一个此前缺少量化答案的问题：让模型「多想一会儿」，到底换来了什么，又付出了什么。
结论不是单向的。推理模型（LRM）给出的主要诊断更准确，鉴别诊断也更贴近临床相关性；但同一次推理同时抬高了过度诊断——假阳性诊断比对应的普通模型多出 34% 以上，且可复现性低约 40%，即同一病例多次运行的结论更不稳定。作者称这一权衡在多种提示设计、模型超参数与评测范式下都能复现，不是调参能消掉的偶发现象。
协作模式的效果
- 结构化协作：由推理模型扩大诊断覆盖面、由医生核验可靠性，在 15 名医生参与的验证中把诊断准确率提高 20%，假阳性降低 44%。
- 数据来源：MIMIC-IV 与 eICU 等去标识化公开临床数据集，属回顾性、受控条件。
- 实验设计：模型配对来源于同一底座的不同推理强度版本，避免把厂商差异混进结论。
- 作者立场：明确写明需前瞻性验证后才可进入临床部署，当前结果不支持直接替代医生判断。
对企业与医院信息化的含义
这项研究给出的实践口径是「分工而非替代」：推理模型适合用来扩大候选诊断的覆盖面、减少漏诊，但把最终判断与假阳性过滤留给有核验依据的人。对正在评估临床决策支持系统的机构，有两个直接可用的检查项：一是要求供应商提供假阳性率与可复现性指标，而不只是诊断准确率；二是在工作流里保留「证据定位」环节，让医生能看到结论对应的病历片段，否则准确率提升会被额外的人工复核成本吃掉。研究也提示，评测基准本身要贴近真实病历长度与专科分布，短文本问答上的领先不必然迁移到长病历。