多倫多大學(xué)、哈佛MIT等機(jī)構(gòu)聯(lián)手AI，短短2天內(nèi)，竟干完了科學(xué)家12年的活！

研究一出，在全網(wǎng)掀起了巨震。

沃頓商學(xué)院CS教授Ethan Mollick大受震撼，「AI綜述論文體量越來越大，而準(zhǔn)確性超越了人類」。

17家研究機(jī)構(gòu)同著一篇論文，他們目標(biāo)直指，借助GPT-4.1和o3-mini自動(dòng)化系統(tǒng)綜述。

為此，研究人員設(shè)計(jì)了otto-SR平臺(tái)，并在2天內(nèi)，完成了為期12年的系統(tǒng)綜述研究。

論文地址：https://www.medrxiv.org/content/10.1101/2025.06.13.25329541v1.full.pdf

結(jié)果顯示，otto-SR在所有任務(wù)中，比如篩查靈敏度、提取、篩選特異度方面，能夠媲美甚至超越人類。

在一項(xiàng)具體的測試中，復(fù)現(xiàn)并更新一期完整的Cochrane系統(tǒng)綜述，包含了12篇為臨床指南提供依據(jù)的綜述。

令人驚嘆的是，otto-SR識別出的相關(guān)研究數(shù)量（114篇），是原始綜述（64篇）的2倍之多。

這套AI工作流，讓系統(tǒng)綜述速度飆升3000倍。

這一速度與傳統(tǒng)人工流程相比，堪稱革命性突破。

otto-SR證實(shí)了LLM能以更高準(zhǔn)確率，自主執(zhí)行復(fù)雜的科研任務(wù)。未來，有望通過快速、可靠的系統(tǒng)綜述，為循證醫(yī)學(xué)帶來革命性變革。

人類免疫學(xué)家Derya Unutmaz教授認(rèn)為，這是一個(gè)非常了不起的成就。

AI取得如此驚艷的成果，究竟是如何做到的？

AI全新工作流：

GPT-4.1篩選，o3-mini提取

在循證醫(yī)學(xué)領(lǐng)域，系統(tǒng)綜述（Systematic Reviews）是科學(xué)決策的基石。

一般來說，傳統(tǒng)的系統(tǒng)綜述的完成，往往需要耗費(fèi)16個(gè)月，超10萬美金的成本。

更重要的是，系統(tǒng)綜述的延誤，可能導(dǎo)致低效甚至有害療法長期被使用，對患者來說是一場災(zāi)難。

全新otto-SR是一套基于大模型的「端到端」創(chuàng)新工作流。

如下圖1所示，不論是「全自動(dòng)」，還是「人機(jī)協(xié)同」，兩種綜述綜述模式均支持。

以下是otto-SR的核心模塊：

1 文獻(xiàn)篩選智能體

GPT-4.1作為獨(dú)立評審員，執(zhí)行摘要和全文篩選。原始檢索獲得的文獻(xiàn)以RIS格式上傳，系統(tǒng)即可高效處理。

2 數(shù)據(jù)提取智能體

由o3-mini-high執(zhí)行數(shù)據(jù)提取任務(wù)，快速從文獻(xiàn)中提取關(guān)鍵變量。

3 PDF處理

通過Gemini 2.0 flash將PDF文件轉(zhuǎn)換為結(jié)構(gòu)化Markdown格式，便于后續(xù)分析。

摘要+全文篩選，趕超人類

在摘要篩選階段，otto-SR篩選智能體表現(xiàn)優(yōu)異。

其加權(quán)靈敏度高達(dá)96.6%（區(qū)間94.1-100.0%），顯著優(yōu)于Elicit（88.5%）和雙人評審組（87.3%）。

在特異度方面，雙人評審組以95.7%位居榜首，otto-SR篩選智能體（93.9%）緊隨其后，優(yōu)于Elicit（84.2%）。

這表明otto-SR在最大化捕獲相關(guān)文獻(xiàn)（真陽性）的能力上遠(yuǎn)超傳統(tǒng)方法，同時(shí)保持了較高的篩選準(zhǔn)確性。

在全文篩選階段，otto-SR篩選智能體繼續(xù)保持領(lǐng)先，靈敏度達(dá)96.2%（區(qū)間92.3-100.0%），而雙人評審組的靈敏度顯著下降至63.3%。

在特異度方面，otto-SR（96.9%）與雙人評審組（98.1%）均表現(xiàn)優(yōu)異，而Elicit因不支持全文篩選未參與比較。

綜合表明，otto-SR在保持高特異度（最小化誤納）的同時(shí)，能夠捕獲更多相關(guān)研究（真陽性），相較于傳統(tǒng)雙人評審和商Elicit展現(xiàn)了顯著優(yōu)勢。

數(shù)據(jù)提取，刷爆準(zhǔn)確率

在七項(xiàng)系統(tǒng)綜述中，otto-SR數(shù)據(jù)提取智能體的平均加權(quán)準(zhǔn)確率高達(dá)93.1%（區(qū)間91.1-97.0%），顯著優(yōu)于雙人評審組（79.7%[69.1-91.0%]）和Elicit（74.8%[58.8-83.1%]）。

在otto-SR提取智能體的6.9%誤差案例中，事后分析揭示了主要原因：

· 0.83%（39/4459）因模型無法獲取補(bǔ)充文件或需申請的數(shù)據(jù)；

· 0.67%（30/4459）源于解析錯(cuò)誤；

· 0.49%（22/4459）屬于otto-SR與原作者均不準(zhǔn)確的情況。

這些發(fā)現(xiàn)為未來的優(yōu)化提供了明確方向，例如改進(jìn)對補(bǔ)充文件的處理能力和解析準(zhǔn)確性。

短短2天，AI爆肝12年工作

既然GPT-4.1+o3-mini在性能評估中刷新SOTA，那么在實(shí)際挑戰(zhàn)任務(wù)中，表現(xiàn)又如何呢？

為了驗(yàn)證實(shí)用價(jià)值，作者對「Cochrane系統(tǒng)綜述數(shù)據(jù)庫」的12篇系統(tǒng)綜述，共146,276篇文獻(xiàn)，進(jìn)行了復(fù)現(xiàn)與更新測試。

otto-SR智能工作流

otto-SR聚焦每篇綜述的主要結(jié)局（Primary Outcome），讓入選標(biāo)準(zhǔn)更清晰。

篩選智能體準(zhǔn)確識別了全部64項(xiàng)納入研究；數(shù)據(jù)提取智能體按Cochrane原始變量定義提取主要結(jié)局?jǐn)?shù)據(jù)，程序化剔除了缺失主要結(jié)局值、重復(fù)研究或無干預(yù)-對照組的記錄。

結(jié)果顯示，otto-SR錯(cuò)誤排除研究的中位數(shù)為0篇（IQR 0-0.25）。

值得一提的是，在限定原始檢索截止日期的分析中，otto-SR意外發(fā)現(xiàn)了54篇可能被原綜述遺漏的合格研究。

人工復(fù)核確認(rèn)其中10篇為假陽性，但9篇可能通過作者溝通獲取相關(guān)數(shù)據(jù)。

進(jìn)一步更新檢索至2025年5月8日，otto-SR又發(fā)現(xiàn)了14篇新合格研究，其中僅2篇假陽性，1篇可能含相關(guān)數(shù)據(jù)。

另外，在營養(yǎng)學(xué)綜述中，otto-SR發(fā)現(xiàn)了5項(xiàng)新增研究。這一發(fā)現(xiàn)展示了otto-SR挖掘新證據(jù)、優(yōu)化結(jié)論的能力。

作者介紹

Christian Cao

Christian Cao目前是多倫多大學(xué)醫(yī)學(xué)院在讀博士。

目前其研究方向聚焦于開發(fā)人工智能模型，致力于預(yù)測可避免的住院事件及糖尿病相關(guān)并發(fā)癥。

Rohit Arora

Rohit Arora目前是哈佛大學(xué)生物信息學(xué)一年級博士生。

他專注于人工智能在科學(xué)研究中的應(yīng)用，研究方向集中于藥物發(fā)現(xiàn)與蛋白質(zhì)設(shè)計(jì)。