AI 读片给了意见，医生该听到什么程度

现在不少医院的影像系统会在报告旁边挂一句 AI 的判断：这张片子有没有出血、有没有结节。医生该把它当成什么？

一项发表在 Lancet Digital Health 的随机交叉实验给出的答案是：AI 的提醒能核实就采纳，核不动的再存疑。大家一直担心医生会盲信 AI，而这次实验里损失更大的是另一种错，就是 AI 说对了、医生没有采纳。研究 2026 年 10 月 23 日在线发表，参加的是 10 个国家的 125 位医生和医学生。

这个结论听着有点别扭。医生不听机器的，出事了也是医生自己担责，怎么反倒成了更大的问题？

实验是怎么做的

参加的人分两类。一类是 50 位放射科医生，包括普通放射科医生、神经放射科医生和第二年以上的住院医师，平均从业 7.85 年；另一类是 75 位非放射科的医生、实习医生和医学生，研究里叫新手。

每个人读同样的 50 张头颅 CT，其中 25 张确实有颅内出血，25 张没有。出血与否由三位资深放射科医生各自判断、再开会达成一致，还对照了病历，算是定死的标准答案。难度也配好了：有出血和没出血的两组里，各有 5 张容易的、10 张中等的、10 张难的。

同一个人要读三遍，每遍换一种条件，两遍之间至少隔 14 天：第一种不给任何提示；第二种只给 AI 的结论，比如「有出血」；第三种在结论之外再把可疑的位置在图上圈出来，也就是业内说的可解释 AI。

实验还有一处设计要交代：AI 的建议是研究者自己写的，固定 80% 正确、20% 错误。之所以不用真的 AI，是为了让每个人碰到的对错比例完全一样，否则各组之间没法比。80% 这个水平，取的是临床上 AI 准确率的下限。

数据采集于 2023 年 2 月到 8 月。另外有 42 位新手一边读一边把心里的想法说出来，13 位专家戴着眼动仪，记录眼睛到底停在哪里。

两种错，哪一种更吃亏

研究把医生用错 AI 分成两种。一种是 AI 说错了、医生跟着错，叫过度相信；另一种是 AI 说对了、医生没采纳，叫不采纳。

单看比例，过度相信更常见。在不同人群和不同条件下，AI 给错建议时医生跟着错的比例，从 27% 到 58% 不等；AI 给对建议时医生没采纳的比例，从 11% 到 21% 不等。

但比例高不等于影响大。因为建议里 80% 是对的，20% 才是错的，分母差了四倍。1000 条建议里，800 条正确的被放过 15%，就是 120 个病例被耽误；200 条错误的被跟随 40%，是 80 个病例被带偏。研究者按这个思路算了净效应：如果把不采纳全部消除，正确率能提高多少；如果把过度相信全部消除，又能提高多少。两者相减，专家只拿到结论时是 5%，拿到标注时是 4%，新手只拿到结论时是 5%，新手拿到标注时是 −1%。

也就是说，在四种组合里的三种，放过正确提醒造成的损失，都大于跟着错误提醒走造成的损失。

研究还发现，不采纳集中在两类病例上：确实有出血的片子，以及被评为难的片子。这两类片子本来最需要帮手，帮手却被放在一边。

为什么会放过对的提醒

42 位新手出声思考的 511 次记录，被归成四种原因。

第一种也是最多的一种：医生自己拿不准，没办法核实 AI 说的对不对。AI 说没有出血，他却觉得某块地方可疑，可又不敢肯定；或者 AI 说有出血，他来回找就是找不到。

第二种：不信任这套系统，怀疑它在某类片子上会出错，或者给 AI 的提示找了个别的解释。

第三种：干脆不理会，前面几次觉得它出过错，后面就不再把它的意见纳入判断。因噎废食说的就是这种，一次不准，整套工具从此不看。另外，主动拒绝和干脆不理会这两类发生时，医生对自己的判断反而很有信心。

第四种只在确实没有出血、AI 也说没有的片子上出现：想选「没出血」，手点到了「有出血」。研究者为此专门提了一句，不赞成做成只能点同意或不同意两个按钮的界面。

眼动数据给出了更实在的证据。13 位专家里，凡是最后漏掉出血的病例，眼睛全程没有落在出血区域的比例：只给正确结论时是 38%，只给错误结论时是 67%，给了正确标注之后降到 3%，而给错误标注时仍然有 65%。

这组数字对应的机制是这样。只给一个结论，医生要靠自己把出血找出来，找不到就只能按自己的判断走，眼睛根本没到过那块地方。把位置圈出来，医生的任务从「找」变成「核」，眼睛落到指定区域，看一眼就知道这个提醒站不站得住。

把出血圈出来，改掉的是哪一种错

机制既然在能不能核实，标注就应该专门减少因为拿不准而放过的这类错。数据正是这样。

在 AI 判断正确、片子确实有出血的情形里，该采纳而没采纳的比例：专家从 8.3% 降到 6.7%，新手从 10.3% 降到 5.1%。新手的降幅接近一半。

代价也有，但很小。在 AI 判断错误、片子其实没有出血的情形里，被带着误判的比例：专家从 1.5% 升到 1.9%，新手从 5.2% 升到 5.8%。

两边一起算，加标注换来的好处明显大于代价。原因不难理解：标注准确的时候，它帮医生把注意力带到真有问题的地方；标注错误的时候，医生仍然能在那块地方看一眼，发现什么也没有。只有在容易的、本来就没出血的片子上，新手会被错误的圈圈带偏，这时候标注反而添了乱。

出声思考的记录也对得上：正确的标注大幅减少了「因为不确定而没采纳」这一类错误，却没有改变「主动拒绝」和「不理会」那两类。相信不相信这套系统，不是画个圈就能解决的。

正确率能到什么水平

不给任何提示的时候，专家的平均正确率是 82.9%，新手是 62.7%。20 个百分点的差距，就是读片训练的价值。下图来自原文 Fig. 3 的 A、B 两栏，左边按三种条件分，右边按建议对错分。

拿到正确建议，两组都往上走。新手只拿到结论时 79.3%，拿到标注时 86.6%；专家只拿到结论时 86.8%，拿到标注时 88.8%。混合效应模型里，和不给建议相比，正确的标注把答对的比值比提高到 1.84，正确的结论提高到 1.49，两者都有统计学意义。

AI 自己 80% 的水平是一条值得对照的线。新手只拿到结论时，整体正确率 72.1%，还不如 AI 自己；拿到标注之后整体升到 77.8%，单看建议正确的情形是 86.6%，超过了 AI。专家在两种条件下都超过了这条线。说人和机器配合比机器单干强，前提是配合的方式对。

拿到错误建议时，两组都掉。模型里错误的结论把比值比压到 0.54，错误的标注压到 0.50，都低于不给任何建议。一个准确率不够的提醒，会让医生比没有提醒时更容易出错，适得其反。在难度最大、确实有出血的片子上，新手拿到正确标注之后甚至超过了专家。该不该听 AI，在这里已经不能一概而论，要看听的人是谁、片子有多难。

时间上的代价

加标注要多花时间。

和不给建议相比，只给正确结论能省下 6.61 秒；给了正确标注只省 1.81 秒，而且没有达到统计学意义。多出来的标注图要看、要核，时间就搭进去了。

建议错了，时间还会变长：错误的结论多花 3.46 秒，错误的标注多花 5.78 秒。医生心里起疑，就会反复看。

信心的变化也对得上。拿到正确标注，医生对自己判断的信心上升；拿到错误结论，信心下降。读片时间最长、信心最低的，正是那些最后没有采纳正确建议的情形。拿不准，所以看得久、心里没底，最后还是按自己的判断走。

这项研究不能说明什么

研究者自己列了几条限度。

最重要的一条：AI 的建议是人工编的，正确率被固定在 80%，界面只让人回答有或没有，不用写报告。这样设计是为了把变量控住，代价是离真实环境远。真实的 AI 出错有自己的规律，诊断要担责任，任务也不只是二选一。

第二，病例的构成不是真实的。难的片子和有出血的片子被刻意多放了一些，为的是把各种情况都测到，所以文中的各项比例不能直接当成门诊的发生率。

第三，同一批片子要读三遍，隔了 14 天也可能记得住，难的和少见的尤其容易留下印象。

第四，专家组里有不少年资较浅的放射科医生，他们可能本来就更愿意听 AI 的。

还有，整个实验在 2023 年完成，用的是当时的影像 AI 水平；被观察的人知道自己在被记录，行为也可能受影响。

所以这项研究能说明的是人和 AI 配合时会犯哪两种错、哪一种代价更大、把位置圈出来能改掉其中的哪一类。它没有证明在真实医院里用上可解释 AI，病人的结局就会变好。那需要另做前瞻性研究。

对看病的人意味着什么

检查报告上出现 AI 辅助的字样时，它提供的是一条线索，线索的价值取决于医生能不能核实。能圈出位置、医生看一眼就能判断的，价值最大；只甩一个有或没有的结论，医生核不动，就容易被放在一边，这正是本次实验里损失最大的地方。

AI 用得好不好，和医生的水平也有关系。实验里新手从标注里得到的帮助远大于专家，而同样一个错误的提醒，新手受到的拖累也更大。所以这类工具不会让谁取代谁，它只是把医生原有的判断力放大一截，读片功底不够的人，被它带偏的风险也跟着变大。

对普通人来说，不要把报告上的 AI 二字当成额外的保险，也不必把它当成威胁。真正决定结果的，仍然是拿到片子的医生有没有去核那一块地方，以及这张片子最后怎么和你的症状、病史对上。有疑问就问主诊医生，把自己的症状说全，比追问机器怎么说更有用。

参考来源

Gaube S, et al. Lancet Digit Health 2026

AI 辅助整理，作者审核；内容仅供参考，具体诊疗请遵医嘱。