RadLE 2.0 基准测试：AI 读片模型过度自信，人类放射科医生仍领先

RadLE 2.0 由印度 Ashoka 大学 CRASH 实验室开发，测试 AI 模型是否能在不确定时将诊断交给人类。测试包含 200 个病例，要求模型在 0-4 置信度上评分并允许回答“不知道”。人类放射科医生总分 988.7，最佳 AI 模型仅 758。评分机制奖励诚实、惩罚过度自信：高置信度答对得满分，高置信度答错扣分，说“不知道”不得分也不扣分。 Claude Fable 5 在主要指标上表现最佳，Gemini 3 Pro 原始准确率最高，Meta Muse Spark 1.1 最擅长识别何时应转交人类。Grok 4.5 幻觉率显著上升。许多开放权重模型和医学专用模型试图回答每个病例却频繁错误，且置信度很高，拉大了与人类医生的差距。研究人员指出，若模型更多选择沉默而非猜测，得分会更高。 对于开发医学影像 AI 的团队，这项测试意味着模型需要内置不确定性感知能力，不能仅优化准确率。对于使用通用聊天机器人诊断的普通用户，过度自信的错误回答可能带来医疗风险。研究团队计划持续扩展 RadLE 2.0 并发布更全面的科学论文。