PsyBrain 脑心前沿 / 脑疾病与临床：顶刊文献解读专题 / A · 文献解读 / A009 · NatBiomedEng最新医学AI会推理时，医生该如何

A009 Nat Biomed Eng最新 | 医学AI会推理时，医生该如何审计工具调用和临床验证链条？

来源：公众号 PSY-Brain_Frontier ｜发布：2026-07-02 ｜原文链接

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:

添加小助手: PSY-Brain-Frontier 即可获取PDF版本
点击页面底部“阅读原文”跳转论文网页

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）