AI辅助医疗：能力边界与协作范式

一、问题的提出：从“诊室里的随手一问”说起

越来越多的临床医生在接诊时会顺手把病例要点输入通用大模型，询问鉴别诊断方向或治疗方案参考，再结合自己的判断给出处置。这一现象自然会引出一个追问：随着模型能力持续增强，医生这一职业是否会被逐步替代？

一个负责任的回答是：不能完全替代，而且当前卡住的地方，并不是把模型做得更强就能绕过去的。 支撑这一判断的，不是实验室里的基准分数，而是已经落在真实病人身上、并与常规诊疗做过对照的医疗 AI 证据。本文尝试把临床工作拆成若干可分析的步骤，逐段说明 AI 在哪些环节已经被验证有效、在哪些环节仍然失稳，并给出可落地的协作范式与工程评估建议。

二、把临床工作拆成四步：AI 只在其中一步有把握

讨论“能否取代”之前，先要把“医生的工作”这个笼统概念拆开。一次门诊大致可以分解为四个步骤：

1. 信息采集与问题构建：把病人模糊的主诉转化为一道结构化的、可判断的临床问题；
2. 判读与识别：对图像、波形、切片、检验指标等输入固定的材料给出判读结论；
3. 不确定条件下的决策：在信息不全、证据冲突时拍板，并承担风险；
4. 执行与长期管理：沟通、操作、随访、依从性维护与责任承担。

已有证据表明，AI 的可靠落点高度集中在第 2 步，而在第 1、3、4 步上仍存在结构性短板。下面分别论述。

三、第 2 步：边界清晰的任务上，AI 已可超越常规双人判读

影像筛查是当前证据最扎实的场景。一项大规模乳腺癌筛查随机试验将十余万名女性分为两组：一组由 AI 先对影像进行分流并提示可疑病灶，另一组按常规由两名医生独立读片。结果显示：

• AI 组每 1000 人查出 6.4 例乳腺癌，常规组为 5.0 例，检出率更高；
• 被召回复查的人数没有增加，假阳性带来的“虚惊一场”比例也未升高；
• 医生需要阅读的影像量减少了约 44.2%，读片工作量显著下降。

也就是说，在这类“输入固定、答案有共识、对错可回溯”的任务上，AI 不仅更省人力，检出表现还优于两名医生独立判读。医院里真正投入日常使用的医疗 AI，几乎都落在这一类别：影像判读、心电分析、病理切片初筛等。其共同特征是任务边界清楚、标签定义明确、误差可被复核。

从工程视角看，这类任务之所以容易落地，是因为它满足了机器学习的三项前提：输入分布相对稳定、标注共识度高、错误代价可通过人工复核兜底。这也是为什么评估一个医疗 AI 场景是否适合先行落地，可以先问这三个问题，而不是先问模型有多大。

四、第 3 步与第 1 步：换到门诊，结果就没那么好

同一批技术迁移到门诊辅助决策，效果明显打折。一项系统综述只纳入了真正嵌入临床流程、并与常规诊疗做对照的 AI 辅助决策系统，最终覆盖 9 项研究、11 万余名患者。结论可以概括为“过程改善明显，硬终点证据有限”：

• 过程指标普遍改善：严重感染患者更早用上抗生素；该做的处置步骤漏得更少；此前易被忽略的心脏泵血功能下降（超声报告中的射血分数降低）被更多识别出来；
• 硬终点证据不足：患者活得更久、减少住院这类结局，证据仍然有限。唯一一项以死亡率为主要评价指标的随机试验中，只有被算法判为高危的亚组观察到了效果；
• 大模型辅助推理尚无亮眼表现：9 项研究中仅 1 项涉及大语言模型辅助诊断推理，结果是医生的诊断推理没有改善。

而在第 1 步“把病人情况变成一道题”上，差距更为根本。病人说“肚子疼”，医生需要追问起病时间、与进食的关系、有无发热、既往手术史，再结合查体与检查开单，才能凑出一份可判断的材料。而用于评测 AI 的病例，这一步往往已经由人做完了。一项研究用 50 份来自已发表论文的标准病例文本考察某通用大模型的诊断能力，诊断得分中位数达到满分；但同样这批病例，治疗建议得分的中位数虽然也是满分，中间一半病例的分数却从 0 分一路铺到 10 分——同一个模型，有的病例给出完整方案，有的病例给出完全不靠谱的建议，稳定性堪忧。

这揭示了一个关键区别：评测分数高，考的是“已经整理好的材料”；而临床现场的核心难点，恰恰是“把材料整理出来”。 前者是判读问题，后者是信息获取与问题构建问题，两者难度不在一个量级。

五、为什么“把模型做强”绕不过去

有人会认为，上述短板只是模型不够强，规模再上一个量级即可解决。但从证据看，问题不完全在模型能力维度上：

• 信息缺失不可由算力补足：门诊决策的输入本身是不完整、含噪声、甚至自相矛盾的。患者叙述遗漏、检查未做、既往史不清，这些不是模型规模能填补的，需要主动询问与物理检查；
• 共识本身不存在：影像判读有金标准，而不确定条件下的处置往往没有唯一正确答案，不同指南、不同合并症、不同患者偏好都会导向不同选择，模型难以给出“可回查的对错”；
• 责任无法转移：决策后果由医生与医疗机构承担，这决定了人在回路中的位置不是过渡安排，而是制度性要求；
• 稳定性比峰值更重要：前述治疗建议分数从 0 到 10 的分布说明，临床可用的门槛是低方差，而不仅是高均值。一个偶尔给出危险建议的系统，即使平均分很高，也不能独立承担决策。

因此，正确的目标不是“让 AI 取代医生”，而是识别哪些子任务可以被可靠地交给机器，并为其余环节设计人机交接点。

六、可落地的协作范式与工程建议

基于上述证据，可以把落地策略归纳为几条可操作的工程原则：

（1）按任务可判定性分级授权。 对输入固定、答案有共识的判读类任务，可让 AI 承担初筛与分流，由医生复核阳性与灰区结果；对不确定决策类任务，AI 只做信息汇总与备选提示，决策权与责任留在医生侧。

（2）优先投入“过程指标”可量化的场景。 抗生素给药时机、处置步骤遗漏率、易漏征象的识别率，这类指标可测量、可归因，适合作为上线初期的验收口径；硬终点则应以长期随访与真实世界数据逐步积累。

（3）把“信息采集”当作独立工程问题对待。 结构化问诊模板、查体数据与检验结果的规范化接入、缺失字段的显式标注，往往比换用更大的模型更能提升端到端效果。示意性的处理逻辑如下：

def triage_case(structured_input, missing_fields):
    # 判读类任务：模型输出 + 置信度
    pred, conf = imaging_model(structured_input)
    if conf < CONF_THRESHOLD:
        return {"route": "human_review", "reason": "low_confidence"}
    # 关键字段缺失时，不进入自动决策分支
    if missing_fields:
        return {"route": "human_review", "reason": "incomplete_input"}
    return {"route": "ai_preliminary", "pred": pred}

这段伪代码体现的核心思想是：用置信度阈值与输入完整性检查作为闸门，把不确定性显式路由给人，而不是让模型在信息不全时硬答。

（4）建立持续监测与回归评估机制。 上线后需监测输入分布漂移、亚组表现差异与灰区比例变化，并把“模型更新”视同“临床流程变更”进行回归验证，避免均值提升掩盖方差恶化。

（5）明确人机责任边界与沟通规范。 对患者而言，告知哪些环节由辅助系统参与、最终判断由谁作出，既是合规要求，也是信任基础。

七、结论

回到最初的问题：AI 在医疗领域能否完全取代医生？现有真实世界证据给出的答案是明确的否定，且这一否定并非源于模型暂时不够强，而是源于临床工作本身的结构——信息采集、不确定决策与责任承担这三段，短期内不具备可完全自动化的条件。真正有价值的路径，是把临床流程拆细，把 AI 放在它已被验证有把握的那一步上，用置信度闸门与人工复核兜住其余部分，并以过程指标与长期随访共同验收。对开发者与企业而言，这意味着一个更务实的产品判断：不要试图交付一个“全科医生”，而要交付一个在特定子任务上低方差、可复核、可监测的协作组件。