編者按

今天，你AI了嗎？

如今，我們的生活與工作似乎越來越離不開人工智能（AI）等數智技術，而技術每天還都在“成長”。從“數智+消費”“數智+文旅”到“數智+體育”，從自動駕駛、智能制造到智慧城市，數智技術正加速融入千行百業，不斷開辟新的應用場景，持續改變人類的生產生活方式。

本版今起開設“解碼數智+”欄目，與讀者一起走進不斷涌現的數智技術應用新場景，觀察其帶來的無限可能。

從導診機器人，到醫學影像的腫瘤早篩，人工智能（AI）技術在醫療領域的應用場景日益多元。在人工智能大模型掀起的熱潮中，“生病問AI”格外引發關注。當患者拿著AI生成的診療建議走進診室，當AI的“意見”甚至挑戰醫生的判斷時，一系列問題亟待解答：AI醫療靠譜嗎？會替代醫生嗎？在擁抱效率的同時，患者和醫生又該如何規避風險？

AI成為診療好幫手

打開北京清華長庚醫院微信小程序里的“AI肝膽醫院”，記者在對話框中輸入“右上腹不適”。很快，AI跟記者“聊”了起來：“您的癥狀是持續性的還是間歇性的”“是否伴隨發熱或惡心嘔吐”……幾個問題后，AI給出了去肝膽內科診療的建議。

“清華長庚醫院正在開發肝病全周期管理大模型，初步版本已在醫院微信小程序上線，目前可基于患者的癥狀進行預問診，并給出分診建議。”清華大學北京清華長庚醫院肝膽內科主任醫師楊明介紹，這套AI系統會結合患者的癥狀和化驗檢查給出分診建議，準確率較高。

采訪中，不少醫生反映，患者拿著AI診療建議前來就診的情況越來越多了。

“有些患者會在看病之前用AI梳理一下想法，帶著相對清晰的思路來看病。”北京大學人民醫院胸外科副主任醫師陳修遠告訴記者，患者會利用AI大模型，根據自己的病史和檢驗檢查數據，獲取初步的疾病解釋和可能的診療方向。

“這相當于提前為患者進行了一次疾病科普，讓他們對疾病有一個初步的了解，從而更容易理解醫生的專業判斷和建議，使后續的溝通更加順暢高效。”楊明說。

患者問診有AI，醫生看病也用上了AI。

多位醫生在采訪中表示，對于直徑小于5毫米的結節，醫生的檢出率較低，而使用AI后檢出率顯著提升。“很好用。”北京大學人民醫院放射科主任醫師王屹評價。

“如果把外科手術類比成開車，那么CT就如同一張精確的紙質地圖，而有了AI三維重建，相當于有了更為精準直觀的電子地圖。”陳修遠口中的“AI三維重建”算法，已經在北京大學人民醫院部署多年，這套系統借助AI對肺部復雜結構進行更為精準的呈現，解剖結構的準確識別率得到提高。

“這類系統的運用，可以幫助醫生從繁重的影像初篩工作中解放出來，將更多精力投放到結合影像結果進行更深入的綜合分析、制定個性化的治療方案，以及處理更復雜的診斷問題上。”山東省公共衛生臨床中心胸外二科副主任醫師張運曾說。

不只是醫學影像，在手術規劃上，AI也有出其不意的效果。

中國人民解放軍總醫院骨科醫學部關節外科副主任醫師李海峰以關節置換手術為例介紹：“過去，這類手術為防止型號不匹配，往往需要為每位患者準備全套不同型號的假體，造成資源浪費。現在，AI可以通過分析患者的CT數據，結合海量既往手術數據模型，提前精準預測所需假體型號。”

信息“過載”容易加重焦慮

AI在輔助醫療的過程中已經展露出一定的效率和精度，它是否會取代醫生？

采訪中，雖然醫生普遍認可AI在輔助診療方面的價值，但對AI給出的具體結論或治療建議，仍持審慎態度。

“我只建議患者用AI問診作為了解疾病的途徑，并不建議患者執行AI的建議。”北京中醫藥大學東方醫院脾胃肝膽科主任醫師李曉紅說。

對此，楊明解釋：“目前AI問診主要是基于大模型，抓取的資料會對其生成結果有較大影響。”

“這些內容確實很有邏輯性也較成體系，但是否適用于不同患者還需進一步判斷。”王屹指出，如果患者對疾病沒有太多的了解，可能很難識別出問題。

針對AI的醫療建議，不少專家表示，“過載”的信息反而會加重患者的焦慮。

李海峰表示：“有時患者用AI生成的報告非常詳盡，列出了所有可能出現的問題，導致他們帶著困惑甚至恐慌來找醫生求證。然而實際情況是，很多假設不具有臨床意義。”

“有些疾病是多因素疊加的系統性問題，僅僅依靠患者提供的癥狀描述，很難得出準確的診斷。”李曉紅坦言，隨著人們對AI的認識越來越深入，大家逐漸意識到AI生成的內容需要經過真實性考量。

一張處方，不僅意味著對癥下藥，背后還有醫生的責任與擔當。

“醫生以專業知識作為診療的出發點，但面對每位患者時，需要結合其本身特點來調整治療方案，在這方面AI可能有所欠缺。”楊明以肝病為例解釋道，比如一位轉氨酶升高的患者，有乙肝、脂肪肝病史，近期又有大量飲酒和服用他汀類藥物史。“AI在診療時可能只會主動詢問其過往病史，基于其患乙肝的信息，給出‘需要服用抗病毒藥物’的建議，但會遺漏患者未主動提供的關鍵細節，如飲酒和藥物史，因此給出的建議易失之偏頗。”

“在影像領域，雖然AI已經被廣泛運用，然而在目前的篩查技術條件下，僅依靠AI可能漏掉一些非常早期的、形態不典型的病灶。”張運曾表示，如果沒有結合用藥史、既往影像對比等多維度信息進行綜合判斷，很可能導致誤診。

“大模型可以解放手腳，但不能替代大腦。”李曉紅認為，醫療決策依賴復雜的臨床判斷與豐富經驗，尤其是面對不典型病例或多病共存的情況，經驗豐富的醫生能夠捕捉到細微癥狀和體征，這是AI目前難以企及的。

“醫生不僅僅是疾病的治療者，更是患者的心理支持者。”張運曾直言，“AI很難為患者提供心理支撐，而醫學是有溫度的，這種溫度是通過醫生來傳遞的。”

讓AI更“懂規矩”更“透明”

需要警惕的是，AI大模型在生成內容時會有“AI幻覺”，即編造信息的現象。

“臨床使用中，AI偶爾會犯一些啼笑皆非的錯誤。”南京航空航天大學人工智能學院院長張道強舉例，臨床影像學的變化極為復雜，有時看到的可能是無診斷價值的“干擾信號”，而AI卻可能將其判斷為病變，“還有一些用戶在使用AI協助生成內容時，發現它存在杜撰醫學名詞出處、虛構參考文獻等情況。”

針對這種信息編造問題，張道強認為，應從算法和數據兩方面著手改進。“醫療領域十分特殊，必須嚴格控制失誤，這要求我們在大模型研發初期必須嚴格把控數據的唯一性和準確性。再拿算法來說，提升AI的抗干擾性與可靠性是重要課題。當AI從實驗室走進真實環境中，怎樣提高系統在真實環境下的識別精度與可靠性？任何信息變化，都可能造成細微的偏差。”張道強說。

可解釋性也是AI醫療的發展方向。南京航空航天大學人工智能學院教授秦杰解釋：“AI的決策過程更像是一個‘黑箱子’，患者可能無法判斷結果是如何得出的。因此，應當解釋決策得出的路徑，從而幫助人們更好地作出判斷。讓AI本身更‘懂規矩’、更‘透明’，是我們的思考方向。”

對于數據樣本而言，樣本的規模和質量都會對AI生成的結果產生很大影響。“如何將醫生的經驗與數據驅動的大模型更好結合？如何讓頂尖醫生的經驗在AI上復現？這些都是我們需要研究的。”秦杰說，從模型的任務和性能來講，“通專結合”是AI下一步發展方向，“也就是在大模型基礎上，結合垂直場景進行任務深挖。”

面對AI，我們既要積極擁抱新技術，又要保持理性。

“AI只是工具，絕對不是偷懶神器。”王屹表示，醫生使用AI時，應結合自己扎實的專業基礎和豐富的臨床實踐，對AI提供的信息進行批判性思考和理性分析應用，不能過度依賴。

采訪中，專家也建議，有關部門應整合醫療大數據，統一研究和設計，制定AI醫生的標準和評價考核體系，讓AI更好地輔助醫生。

“從法律角度來說，涉及AI案件的責任主體認定與歸責更為困難。”中國科學院大學公共政策與管理學院教授馬一德指出，“AI應用的開發部署往往涉及多個環節、多個主體。從算法設計，到具體操作，每一個環節都可能對最終的AI行為產生影響。責任鏈條的拉長和分散，使得出現問題時難以鎖定責任承擔者。”

馬一德建議，通過完善法律法規、強化數據安全、建立權責機制和加強倫理監管等舉措，推動AI醫療應用的規范化部署。

目前，國家藥品監督管理局已明確，利用AI進行疾病診斷、輔助決策、影像識別等的醫用軟件，屬于醫療器械范疇，必須按照醫療器械法規進行注冊和監管。

“患者使用AI進行問診，AI的回答不需要負法律責任，而對醫生來說，他們需要對病人的診療結果負責。”楊明提醒，應確保AI技術在法律框架下合理應用，嚴守數據安全與倫理底線，確保技術應用始終服務于醫療本質。