想象一下，你正在试图解开一个谜团，但线索散落在一百本不同的笔记本中，每一本都是由不同的侦探在多年间分别记录的。有些线索显而易见，有些隐藏在杂乱页面的中间，还有些问题根本无法回答，因为笔记本里并没有答案。这就是医生在治疗具有复杂、长期病史的患者时所面临的日常现实。他们必须记住五年前住院时发生了什么，以理解今天的症状，同时还要知道在记录沉默时何时该说：“我不知道”。

大语言模型（LLMs）应运而生，这些最近因能够阅读整本书并回答相关问题而闻名的超级智能 AI 聊天机器人。科学家们正兴奋地观察这些 AI 是否也能为医生做同样的事情：阅读患者的整个生命故事，将相隔数年之久的就诊记录中的点滴联系起来，并给出准确的医疗建议。但问题在于，目前的多数 AI 测试就像是随堂测验：基于单个段落的简短、简单的问题。它们无法测试 AI 是否能处理真实的医疗马拉松——即答案可能埋藏在三年前的一次对话中，或者 AI 是否知道在何时承认自己被难住了。

这就是名为 MedLoCoMo 的新研究。研究人员构建了一个极具挑战性的庞大测试，专门用于观察 AI 是否能应对复杂、长期的医疗护理现实。他们不仅仅是让 AI 阅读一段简短的笔记；他们为每位患者喂入了相当于一部 74,000 字长篇小说的信息，涵盖了数十次住院记录。结果带来了一次现实的警示。虽然 AI 模型在回答关于单次就诊的问题时表现出色，但当它们需要将不同就诊记录中的点滴联系起来时，表现却显著下降。即使是最聪明的模型，也难以记住解决“新谜团”所需的“旧线索”。这项研究表明，仅仅让 AI 变得更聪明或赋予它更大的记忆力还远远不够；它仍需学习如何真正将患者的过去与现在联系起来，而不至于迷失在细节之中。

MedLoCoMo 的故事：一场医疗记忆测试

不要把患者的病史看作一本单一的日记，而要把它看作一部宏大的、多季连载的电视剧。每当患者住院时，就是新的一“季”，充满了新的剧集（就诊）、情节转折（诊断）和角色发展（健康状况的变化）。要理解当前的剧集，你通常需要记得第一季、第三季甚至第五季发生了什么。

开发 MedLoCoMo（意为医疗长上下文记忆，Medical Long-Context Memory）的研究人员想要看看 AI 是否能成为这些医疗剧的终极“超级粉丝”。他们构建了一个基准测试——一个标准化测试——使用来自 MIMIC-IV 数据库的真实匿名数据。他们并非随机抓取笔记；而是精心构建了 100 条独特的患者时间轴。每条时间轴都是一段漫长的对话，平均包含 1,669.8 轮（来回对话），跨越 29.7 个阶段（住院记录），并且每段对话包含高达 74,512.2 个 token（文本块）。其中一些故事非常长，甚至延伸到了超过 150,000 个 token！

三种类型的挑战

为了使测试公平且全面，研究人员创建了三种不同类型的题目，就像视频游戏中的关卡一样：

1. “单季”挑战： 这些问题询问的是仅在一次住院期间发生的事情。这就像是在问：“在第二季第五集中，医生说了什么？”这测试的是 AI 能否在长文档中找到特定的事实。
2. “多季”挑战： 这些是高难度题目。它们要求 AI 连接不同就诊记录之间的点滴。例如：“患者在 2014 年有心脏问题，在 2016 年有肺部问题；这些问题与他们目前的呼吸短促有何关联？”这测试的是 AI 是否能记住过去并将过去与现在联系起来。
3. “陷阱题”挑战： 有时，一个问题听起来似乎应该有答案，但医疗记录中实际上并不包含该信息。这些是“对抗性”问题。一个优秀的 AI 应该知道何时说“我不知道”，而不是编造一个虚假答案。这被称为“弃权”（abstention）。

AI 做对了什么（以及做错了什么）

研究人员测试了许多不同的 AI 模型，包括通用型模型（如 GPT-5.1 和 Qwen）和专门针对医疗数据训练的模型（如 MedGemma）。以下是他们的发现：

• “局部”专家： 当问题涉及单次住院时，AI 表现得相当不错。它们能在故事的“当前季节”中找到正确的事实。
• “长期”挣扎： 一旦问题需要跨越多次就诊进行信息关联（跨入院记录），AI 的表现就会大幅下降。即使是规模最大、最聪明的模型，在将过去与现在联系起来时也显得力不从心。就好像 AI 能记住当前剧集的剧情，却忘记了整部剧的背景故事。
• 专业化并未拯救局面： 你可能会认为专门针对医学教科书训练的模型会表现得更好。令人惊讶的是，经过医疗专业训练的模型并没有持续优于通用模型。它们同样容易在漫长的时间轴中迷失方向。
• “我不知道”因素： 一些模型非常擅长在记录中缺失答案时说“我不知道”。这很好！但研究人员指出，一个模型可以通过对所有问题都回答“我不知道”来获得高分，即便它其实能回答那些它确实知道的问题。因此，他们同时观察了“弃权率”和实际的回答质量。

记忆实验

由于故事非常长，研究人员还测试了给予 AI “外部记忆”（例如一个它可以书写并回顾的笔记本）是否会有所帮助。他们尝试了不同的记忆工具，比如简单的搜索引擎（BM25）和更复杂的记忆系统。

结果褒贬不一。记忆工具有助于 AI 在答案缺失时更准确地表达“我不知道”。然而，它们并没有神奇地解决跨越不同住院记录进行点滴连接的问题。事实证明，拥有更大的记忆力或更好的搜索工具并不等同于拥有跨越时间进行推理的能力。AI 仍然难以判断哪些旧线索对当前问题至关重要。

总结

MedLoCoMo 研究表明，尽管 AI 在阅读长文本方面正在进步，但要成为一名真正理解患者生命故事的医生，仍有很长的路要走。这不仅仅是关于拥有更大的大脑或更长的记忆，而是关于学习如何将患者的历史编织成一个连贯的故事。

研究人员明确表示，这是一个用于研究的测试，而非目前用于实际医疗建议的工具。虽然对话和问题是基于真实医疗记录由 AI 生成的，但它们是合成的。其目标是帮助科学家构建更好的系统，以便有一天能帮助医生在不遗漏任何细节的情况下，追踪患者复杂的历史记录。目前，AI 就像是一个非常聪明的学生，虽然能读完一个章节，但仍需学习如何写完一整本书。