大型语言模型（LLM）在静态评估中能够达到专家水平的诊断准确率，这类评估向模型提供已经浓缩了诊断关键信息的病例摘要，测量的是在既定证据上的推理能力，而不涉及获取证据的询问过程。临床诊断实际上是一个迭代的询问过程：医生通过针对性的提问获取病史（Hx），进行体格检查，随后安排并解读检查结果，逐步缩小鉴别诊断范围直至确定最终诊断（Dx）。
我们推出了 Hx2Dx ARENA——一个包含 1,000 例来自《新英格兰医学杂志》（NEJM）的交互式基准。每个案例模拟一次完整的临床 encounter，从最初的主诉到病史采集、体格检查再到诊断性检查，全部以对话形式展开。我们在多种配置下评估了开源与闭源 LLM 的表现，结果显示：在交互式环境中，各模型的表现差异显著，且相较于一次性呈现完整病例的静态设置，诊断准确率普遍下降。
导致性能下降的主要因素是模型提问的质量。随着提问越趋于针对性、能够构建更完整的临床图景，诊断准确率随之提升。换言之，LLM 在已有相关数据时能够进行有效推理，但在假设驱动的信息收集——即“该问什么以获取关键线索”——方面仍显不足。弥合这一差距是将 LLM 安全、可靠地嵌入真实诊疗工作流的前提。
点评：Hx2Dx ARENA 为评估 LLM 的临床对话能力提供了更贴近真实诊疗流程的测试场景，突显了模型在主动获取信息方面的瓶颈，也为后续研究指明了改进方向。