医疗 AI 越来越准，为什么看病还不能只靠它？

近年来，人工智能正在快速进入医疗领域。从医学影像分析，到智能问诊，再到疾病风险预测，AI正逐渐成为医生身边的新工具。

2026年中关村论坛“人工智能+产业”论坛上，有企业介绍其研发的AI医生可覆盖超1.13万种疾病的精准诊断，辅助诊疗准确率达95.1%[1]。看到这组数据，很多人产生疑问：“如果AI在辅助诊疗上已能达到如此高的准确率，医院是不是可以放心把诊断交给它？”但实际上，医疗AI的问题远比一个百分比复杂，其准确率高，并不意味着在真实诊疗环境中一定可靠。

高准确率背后，可能隐藏什么？

很多AI模型的高准确率来自实验室测试。在这种情况下，数据通常经过整理和标注，病例信息比较完整，疾病类型也相对明确。但真实医院环境中的患者并不会像医学教材一样描述症状。

有人会说“头晕得像踩在棉花上一样”，有人会说“感觉脑子发飘”，还有患者可能因为年龄、语言习惯或紧张无法准确表达自己的情况。这些不确定因素都会增加AI判断的难度。

此外，整体准确率也可能掩盖不同疾病之间的差异。对于常见疾病，AI可以通过大量数据学习规律，因此表现较好。但面对罕见病和复杂疾病时，AI的能力可能明显下降。2026年一项关于大语言模型辅助罕见病诊断的综述分析发现，AI辅助罕见病诊断中将正确诊断排在首位的比例（Recall@1）约为43.3%，说明尽管AI具有辅助诊断潜力，但在面对罕见和复杂疾病时仍存在较大提升空间[2]。技术带来的，还有伦理困境：罕见病患者更容易遭遇漏诊，由此造成健康权益上的不公平。

因此，一个看似漂亮的数字，并不能代表AI在所有患者身上都同样可靠。

医疗诊断，不只是“匹配答案”

很多人认为，医生诊断疾病就是根据症状寻找对应疾病。但实际上，临床判断远比数据库搜索复杂。医生不仅需要分析检查结果，也会观察患者的状态。例如，一个患者表示的“胸闷”，AI可能根据统计数据判断焦虑或胃食管反流更常见。但经验丰富的医生可能注意到患者脸色、动作、出汗情况等细节，从而进一步怀疑心血管问题。这些信息往往难以被数字化。这也引出伦理层面的考量：临床诊疗本质是“人对人”的照护，不能完全简化成数据计算。

正因如此，临床经验的积累仍然是医生准确判断患者病情的重要基础。中国卫生法学会副会长郑雪倩指出，如果这一代医生都依赖AI，而这些AI的训练数据本就来自上一代医生积累的经验，那么到下一代医生接班时，如果没有自己的研究与经验积累，他们还能否具备独立诊断的水准？[3]

除了准确性，医疗AI还有一个重要问题：算法可解释性不足（俗称"黑箱"）。医生一般会向患者解释自己的诊断过程。例如医生可以告诉患者“根据你的症状、检查结果和家族史，我们认为这种疾病可能性较高。”

人工智能模型通常通过大量参数建立预测关系。它可以给出答案，却不一定能清楚说明为什么得出这个答案。如果AI判断错误，是开发AI的企业？是使用AI的医院？还是采纳AI建议的医生？法律责任如何划分？

不仅如此，医疗 AI 还面临另一个风险问题：算法偏见。AI的能力来自训练数据。如果数据本身存在不足，模型可能学习到其中隐藏的问题。《Nature Machine Intelligence》的一项研究在讨论临床机器学习的算法公平时指出，机器学习模型容易受到训练数据组成的影响而产生偏见，在医疗领域，算法结果会导致某些群体得到错误诊断或者接受不同质量的医疗服务，从而加剧医疗保健领域的社会公平差距[4]。

医院应该如何使用 AI？

那么，医院是否应该拒绝使用人工智能？答案是否定的。

事实上，AI 已经展现出巨大的医疗价值。它可以帮助医生快速分析大量影像资料，发现潜在异常；可以整理病历信息，减少重复劳动；也可以帮助基层医疗机构提高诊断效率。

但未来更合理的模式，并不是让AI取代医生，而是让AI成为医生的助手。AI更适合负责处理大量数据、寻找异常信号、提供辅助建议；医生则负责结合患者实际情况进行综合判断，并承担最终决策责任。

医疗领域的人工智能，绝不能仅凭亮眼的准确率就被轻易信任。只有当AI既拥有强大的计算能力，又具备可解释性、责任体系，它才可能真正成为医疗体系中的可靠伙伴。

作者：余卿，中国科普研究所博士后。

审核专家：聂祥丽，中国科学院自动化研究所多模态人工智能系统全国重点实验室副研究员。

参考文献：

[1] 中国日报.平安集团王晓航：打造“筛、管、治、康”全病程医疗AI体系，MDT诊疗方案准确率近90%.[EB/OL].(2026-04-01) [2026-09-16].

[2] Nguyen M H, Yang C T, Cassini T A, et al. Diagnostic Accuracy of Large Language Models for Rare Diseases: A Systematic Review and Meta-Analysis[J]. npj Digital Medicine, 2026.

[3] 央视新闻. AI“犯错”，谁来负责？[EB/OL].(2026-02-01) [2026-09-16].

[4] Yang J, Soltan A A S, Eyre D W, et al. Algorithmic fairness and bias mitigation for clinical machine learning with deep reinforcement learning[J]. Nature Machine Intelligence, 2023, 5(8): 884-894.

内容来自：中国科普作家协会

(注：图片来源于版权图库，转载可能引发版权纠纷）