星标“医工学人”，第一时间获取医工交叉领域新闻动态~
当人们还在讨论GPT-4能否通过医学考试时，来自美国国立卫生研究院、耶鲁大学和弗罗里达州立大学等机构的顶尖学者们，已经构建了一个更进一步的AI系统——AgentMD，于2025年10月23日发表在《Nature Communications》上。它不只是一个“万事通”的聊天机器人，而是一个真正的“AI代理”（AI Agent）。它能像资深医生一样，自主学习并“制造”工具，然后再使用这些工具来解决复杂的临床问题，展现了惊人的能力：它通过阅读海量的PubMed文献，自动构建了一个包含2164个可执行的临床计算器（RiskCalcs）的庞大工具库。
更令人瞩目的是，当面对复杂的风险预测任务时，配备了这些工具的AgentMD准确率高达87.7%。而在同一任务上，GPT-4的准确率仅为40.9%。
在现代临床实践中，医生们依赖数百种临床评分计算器来进行风险评估——例如，用“HEART评分”评估胸痛患者的心脏事件风险。这些工具至关重要，但使用起来却困难重重。
“临床医生面临着巨大的认知负荷，”该研究指出。他们必须准确知道何时该用哪个工具，这在紧张的临床工作中几乎不可能。更糟糕的是，这些工具与电子病历（EHR）系统严重脱节，医生必须手动从病历中查找数据，再输入临床评分计算器。这个过程不仅效率低下，而且极易出错。通用的大型语言模型（LLM）也无法解决这个“最后一公里”的难题。研究显示，即便是GPT-4，在被要求进行精确的医学计算时，也表现不佳。“医疗需要的是精确，而不是‘大概如此’。” AgentMD的研究者们显然意识到了这一点。
在临床工具学习领域，确实存在其他尝试。例如，论文中提到，OpenMedCalc依赖手动策划，这限制了其规模和可扩展性。而Almanac系统采用检索增强生成（RAG），它检索的是工具的“文本描述”，在进行需要精确计算的算术任务时可能不够准确。对比起来，AgentMD展现了显著的差异和优势。AgentMD则属于更广泛的“工具增强型LLM”或“AI代理”趋势，类似于GeneGPT或其他利用外部工具（如搜索引擎）的代理，但AgentMD的独特之处在于它不仅“使用”工具，还大规模地“创建”了这些工具，并将其实现为可复用的“程序”，从而保证了在医疗这一高风险领域所需的计算精度和可泛化性。
AgentMD的设计理念极具创新性，它拥有一个“双重角色”的架构。
图1：AgentMD工具整理与使用概览。a.由AgentMD基于一篇关于CURB-65风险评分的PubMed文章（PMID: 12728155）的标题和摘要，在RiskCalc工具包中整理出的临床评分计算器示例。b.AgentMD作为工具使用者的工作方法，包括工具选择、工具计算和结果总结。
首先，它是“工具构建者”（Tool Builder）。
研究团队没有采用传统的人工方式去收集工具，而是让AgentMD自主“学习”。AgentMD执行了一个三步走的自动化流程：
1.筛选：它首先“阅读”了PubMed上近34万篇医学摘要，利用GPT-3.5筛选出3.3万篇可能描述了风险计算器的文章。
2.起草： 接着，GPT-4介入，从这些文章中“起草”了2.4万个结构化的计算器工具。
3.验证： 最后，AgentMD利用GPT-4进行“自我核查”，通过6项严格标准（例如，计算逻辑是否与原文一致？），最终生成了2164个高质量、可执行的Python函数工具。
这个名为RiskCalcs的工具库，其质量和覆盖范围都令人印象深刻。它不仅通过了超90%的单元测试，更重要的是，它填补了巨大的空白——研究者随机抽样发现，高达96%的工具是目前主流医学计算网站（如MDCalc）所没有的。
其次，它是“工具使用者”（Tool User）。
拥有了强大的工具库后，AgentMD开始扮演“操作员”的角色。当给定一份真实的患者病历时，AgentMD会：
1.选择工具：它首先分析病历，然后从2164个工具中自主选择最相关的计算器（例如，为肺炎患者选择CURB-65评分）。
2.执行计算： 它不是用语言模型去“猜”结果，而是调用Python解释器来执行该工具的代码。这确保了计算过程的绝对精确。
3.总结报告：最后，它将计算结果（如“CURB-65得分1，死亡风险3.2%”） 汇总，提供给医生。
AgentMD 的表现并非纸上谈兵。研究团队在多个维度上对其进行了严酷的测试。
在专门构建的RiskQA基准测试（一个包含350道USMLE风格多项选择题的数据集）上，AgentMD (GPT-4) 取得了87.7%的准确率。相比之下，没有工具辅助、仅靠“思考”的GPT-4 (CoT) 准确率仅为40.9%。这一对比有力地证明了“工具赋能”的巨大价值。
图2：AgentMD在RiskQA上的评估。a，RiskQA中的一个问题示例以及AgentMD如何回答它。b，基于GPT-3.5的AgentMD与思维链提示在RiskQA上的性能比较。c，基于GPT-4的AgentMD与思维链提示在RiskQA上的性能比较。d，MedCPT和AgentMD在工具选择上的准确率。(b-d)中的准确率（中心线）定义为所有问题（N=350）中正确回答问题的比例。
在更严苛的真实世界测试中，AgentMD被用于分析698份来自耶鲁大学急诊科的真实患者笔记。结果显示，在80.6%的案例中，AgentMD选择的工具被医生评估为“适用”；在超过80%的适用案例中，其计算过程被评为“正确”或“部分正确”。
图3：在急诊科医生病历上进行的个体层面评估结果。a，AgentMD使用一个包含16个常用计算器的工具包，应用于耶鲁医学院的急诊科医生病历。对于每个计算器，根据总体风险对患者进行排序，并选择排名前5位的患者进行评估。b，在所有患者-计算器配对上，临床医生注释结果的分布情况。c，按计算器分组的评估结果（跨患者和注释者平均），并按平均分数进行排序。
在对MIMIC-III数据库中9822名患者的大规模分析中，AgentMD成功提供了群体级别的风险洞察。研究团队甚至发现，AgentMD使用的113种计算器，在预测院内死亡率方面，其表现优于原生的GPT-4。
图4：在MIMIC队列上应用AgentMD。a，AgentMD被应用于MIMIC数据库中的9822份入院病历。b，AgentMD的计算结果按风险计算器进行汇总，并在每个工具内对患者进行排序。c，每位患者被选用的计算器数量分布。d，每个被使用的计算器所适用的患者数量分布。e，来自两个计算器的计算结果分布。f，临床计算器的样本ROC曲线，显示AgentMD在预测院内死亡率方面优于GPT-4。
总而言之，AgentMD是一项极具开创性的研究，它为AI Agent如何深入赋能高风险、高专业的医疗领域提供了一个卓越的范例和清晰的蓝图，同时也为其他行业（如金融、法律、工程）指明了AI发展的新路径。
该研究的核心贡献不仅是构建了一个性能优越的AI系统，更重要的是，它创建了一套可扩展的“基础设施”——即自动从文献中生成并验证可执行工具（RiskCalcs）的方法论。AgentMD (GPT-4) 相较于GPT-4 (CoT) 在RiskQA上87.7% vs 40.9%的巨大性能差异，雄辩地证明了一个核心观点：对于专业的、需要精确计算的领域（如医疗），通才的LLM是不够的，必须为它们配备精确、可验证的专用工具。
当然，正如作者在讨论中坦承，研究仍有局限性，例如仅使用摘要而非全文，对昂贵闭源模型（GPT-4）的依赖，以及主要集中于文本模态。同时，作者也强调，在真正部署于需要高度精准临床工作流之前，还需要更全面的评估。
尽管如此，AgentMD作为连接海量医学知识（文献）与临床实践（患者病历）的桥梁，其展现的潜力是巨大的。它预示着一个未来——AI不仅是医生的“知识库”，更是能够自主使用专业工具、执行复杂计算的“得力助手”。
[1]Jin, Q., Wang, Z., Yang, Y. et al. AgentMD: Empowering language agents for risk prediction with large-scale clinical tool learning. Nat Commun 16, 9377 (2025). https://doi.org/10.1038/s41467-025-64430-x END 编辑 | 郝娅婷 排版 | 张艳青 审核 | 医工学人理事会
扫码加入医工学人，进入综合及细分领域群聊，
参与线上线下交流活动
推荐阅读
点击关注医工学人 最新直播
本篇文章来源于微信公众号: 医工学人
