昨夜，斯坦福大學醫學院聯合微軟、斯坦福基礎模型研究中心（CRFM）發布了涵蓋 35 項臨床基準測試的醫療 AI 綜合評測 MedHELM，中國 AI 實驗室 DeepSeek-R1 以 66% 勝率力壓群雄 ，將谷歌 Gemini、OpenAI o3-mini 及 Claude 3.7 Sonnet 等巨頭甩在身后。
?

?

這是中國大模型首次在權威臨床評測中登頂，更標志著醫療 AI 的歷史性躍遷。

?

要知道，斯坦福評測團隊構建的評估體系可以說是醫療 AI 領域最具含金量的存在：35 個基準測試覆蓋臨床決策支持、病例生成、醫學研究輔助等 22 個細分場景，每個環節都會經過臨床醫生驗證。

?

就是在這樣嚴苛的考核下，DeepSeek R1 展現出令人驚嘆的全面性。從自動生成結構化病歷到設計個性化治療方案，從解讀復雜醫學影像到輔助藥物研發，它在醫療場景中的適應能力遠超同類產品。
?

總的來說，DeepSeek-R1 的突破性表現集中在三大臨床戰場 ：

1. 診斷決策支持：在疑似乳腺癌病例分析中，R1 生成的鑒別診斷列表與專家判斷重合度達 89%，遠超 GPT-4o 的72%；

2. 患者溝通共情：面對焦慮型患者提問，R1 回復中“安撫性措辭”占比達 37%，較 Claude 3.5 提升15個百分點；

3. 病歷結構化處理：在 EHRSQL 測試（將自然語言指令轉為臨床研究數據庫查詢）中，R1 準確率較第二名高 11%，大幅緩解了醫生處理數據的負擔。

?

在臨床細節方面，目前所有模型在 MedCalc-Bench（病歷數值計算）和 ICD-10 編碼分配中集體均表現低迷，暴露出現有 AI 對醫療結構化數據的處理短板。而 R1 憑借長思維鏈推理能力，在開放式診療推演中展現出接近人類的思維耐性。
?
這背后，是 DeepSeek 對強化學習技術的前瞻性押注。R1 通過純強化學習（RL）訓練，在極少標注數據下自主進化出復雜推理策略。這種模式使其在診斷路徑推演時，能像資深醫生般反復權衡證據鏈，甚至會突然修正初始誤判，重新串聯關鍵癥狀。

?

值得一提的是，這場勝利的含金量還源于評測體系的革命性設計。團隊通過MedHELM 綜合評估框架構建了一個模擬臨床醫生真實場景的分類體系，包含類別、子類別和任務三個層級。
?

最終，29 名來自 14 個醫學專科的執業醫師親手參與構建評測框架，將傳統的執照考題升級為 22 類真實臨床場景，覆蓋診斷決策、患者溝通、病歷生成等全流程。

?

?

對于 13 個開放式基準測試，團隊采用了大語言模型評審團（LLM-jury）評估方法。

?

為了驗證大語言模型評審團（LLM-jury）評估法的創新價值，斯坦福團隊還比較了 AI 評分與臨床醫生獨立打分的區別，結果顯示，LLM 陪審團與醫生的一致性（ICC=0.47）竟超過醫生間平均一致性（ICC=0.43）。

?

?

這意味著 AI 不僅能答題，更開始理解醫療價值的衡量尺度，這無疑是醫療 AI 領域的重大轉折：一個更具溫度的醫療 AI 時代正拉開帷幕。

?

另一方面，于國產 AI 而言，DeepSeek 在醫療方面的勝利，意味著中國 AI 不僅在模型數量上追趕，更在醫療這類硬核賽道實現了質量反超。
?

DeepSeek R1 已經撕開了一道口子，而中國 AI 能否在這道光亮中開辟新紀元，需要整個行業用行動書寫答案。