Обзор 18 медицинских LLM: узкие специалисты ставят диагнозы точнее, чем универсальные модели

В июле 2026 года на платформе arXiv опубликован систематический обзор медицинских LLM, в котором авторы протестировали 18 современных языковых моделей на задачах клинического рассуждения. Главный вывод: узкоспециализированные медицинские модели точнее ставят диагнозы, тогда как универсальные языковые модели лучше справляются с поддержкой врачебных решений и клиническим диалогом с пациентами.

Пять уровней медицинского мышления

Чтобы измерить возможности моделей системно, авторы опирались на Пирамиду Миллера — классическую схему оценки медицинских компетенций, принятую в профессиональном образовании. Схема выстраивает пять уровней от простого к сложному: от воспроизведения фактов до самостоятельного управления динамическими клиническими случаями.

• Уровень 1: воспроизведение фактов — знает ли модель анатомию, фармакологию, клинические протоколы
• Уровень 2: понимание механизмов — объясняет ли патофизиологию и причинно-следственные связи
• Уровень 3: применение к случаю — способна ли применить знания к конкретному пациенту
• Уровень 4: клиническая диагностика — строит ли дифференциальный диагноз при неполных данных
• Уровень 5: управление случаем — ведёт ли динамическое наблюдение и адаптирует ли тактику лечения

К этой иерархии авторы привязали три типа рассуждений: дедуктивное (от правила к конкретному случаю), индуктивное (от наблюдаемых симптомов к гипотезе) и абдуктивное (поиск наиболее вероятного объяснения при неполных данных). Такой подход позволяет соотносить возможности модели с реальными задачами клинической практики, а не просто с точностью на стандартных тестовых наборах.

Что показало сравнение 18 моделей?

Исследователи обнаружили чёткое разделение по сильным сторонам. Узкоспециализированные медицинские модели уверенно выигрывают в диагностических задачах: там, где нужно точно воспроизвести клинические стандарты и построить дифференциальный диагноз. Универсальные языковые модели, напротив, лучше ведут клинический диалог и помогают врачам взвешивать варианты лечения в ситуациях с неоднозначными данными.

Чтобы сравнение было системным, исследователи впервые создали единый бенчмарк, охватывающий все пять уровней компетентности по Пирамиде Миллера. Это принципиальный шаг: большинство существующих медицинских тестов оценивают фактологическую точность — то есть фактически работают на уровнях 1–2 из пяти. Новый инструмент позволяет оценить, насколько модель готова к реальной клинике, а не только к сдаче стандартного медицинского экзамена.

Три барьера на пути к клинике

Обзор фиксирует три открытых вызова, которые пока удерживают языковые модели от рутинного применения в медицине.

Галлюцинации остаются ключевой проблемой. Модели уверенно излагают несуществующие схемы лечения или ссылаются на фиктивные исследования. В клиническом контексте такие ошибки недопустимы: цена неверного назначения несопоставима с ценой опечатки в обычном чат-боте.

Дефицит данных сдерживает весь прогресс в направлении. Разметка качественных медицинских кейсов требует времени опытных клиницистов, а аннотированных датасетов, покрывающих весь спектр клинических ситуаций — от редких заболеваний до полиморбидных пациентов, — критически мало.

Проблема заземления означает, что модели плохо связывают свои ответы с проверяемыми первоисточниками — клиническими руководствами и рецензируемыми исследованиями. Без этого врачу практически невозможно верифицировать рекомендацию модели и взять ответственность за её применение.

Что это значит

Разрыв между специализированными и универсальными медицинскими моделями — не случайность, а системная закономерность. Для реального внедрения AI в клиническую практику, вероятно, понадобятся гибридные подходы: узкие модели для диагностики в связке с универсальными для коммуникации и поддержки врачебных решений. Обзор задаёт единую рамку для таких разработок и предлагает первый бенчмарк, основанный на реальных клинических компетенциях, — а не просто на точности тестовых ответов.