Rethinking Artificial Intelligence in Medical Imaging: Assumptions, Reality, and Reframing

医生的超级工具：为什么 AI 需要的是“人格”，而不只是“大脑”

想象你是一名正在试图破解谜团的侦探。你拥有一台高科技相机，可以拍摄出犯罪现场极其清晰的照片。这台相机的性能如此之好，甚至能发现肉眼会忽略的单个指纹或墙上的微小划痕。但问题在于：相机只能看到照片本身。它并不知道嫌疑人是否迟到了，或者那天是否在下雨，亦或是受害者是否有心脏病史。在医学领域，这台相机就是人工智能（AI），而犯罪现场则是像 X 光或 MRI 这样的医学影像。长期以来，科学家们认为，只要把相机做得更清晰、更聪明，它就能独自解决所有的医学谜团。

然而，医生不仅仅是在看图片；他们就像资深的侦探，会将照片与患者的整个生命故事结合起来——包括他们的血液检测结果、既往病史以及正在服用的药物。这篇论文提出的核心问题是：为什么这台超智能相机还没有改变医院的现状？ 答案并不是因为相机坏了，也不是因为医生害怕新技术。相反，本文指出，我们一直在构建只关注“像素”（图像中的微小点）而忽略患者完整故事的 AI。作者认为，要解决这个问题，我们不应试图用机器人取代医生，而应该开始构建一种更像“得力助手”的 AI——一个能够阅读整个病例档案，而不只是看一张图片的助手。

---

巨大的错位：为什么 AI 被困在候诊室里

在过去的十年里，医学影像领域一直充满了兴奋感。科学家们开发出了能够以惊人速度识别肿瘤或骨折的 AI 系统。当时的感觉就像我们正处于一场革命的边缘，机器人即将接管解读影像的工作。但如果你今天走进一家医院，现实情况却显得有些冷清。机器人确实在那里，但它们并没有像我们预期的那样改变游戏规则。本文的作者们（一群研究人员和医生）认为，这并不是因为 AI 不擅长数学，也不是因为规则太严格。相反，他们说我们存在一种结构性错位。

可以这样理解：想象你雇佣了一位天才厨师，他仅凭一张肉类照片就能烹饪出完美的牛排。这位厨师在观察照片方面是个天才，但他拒绝询问顾客是否是素食主义者、是否有心脏病，或者喜欢五分熟还是全熟。他只是端上他认为看起来最好的那块牛排。在医学领域，情况正是如此。我们构建的 AI 痴迷于“像素”（图像），却忽略了“语境”（患者的历史、化验结果和其他线索）。本文指出，这就是 AI 尚未真正进入临床诊疗现场的主要原因。

我们搞错的六个地方（以及如何修复它们）

作者将这个问题分解为六个相互关联的部分，就像一个每个碎片形状都略有偏差的拼图。以下是他们对问题的看法以及他们认为我们应该如何重新定义它：

1. “仅限像素”的陷阱

• 问题： 大多数 AI 模型被训练为只观察图像，忽略其他一切。这就像戴着只能看到一个角落的眼罩来尝试解开拼图。
• 现实： 医生并非如此工作。他们观察图像，并结合血液检查、过往治疗和其他因素。
• 修复方案： 我们需要能够“阅读整个档案”的 AI。它不应只看 X 光片，还应检查患者的化验结果和病史，从而做出更明智的判断。

2. “黑箱”信任问题

• 问题： 现有的 AI 往往表现得像一个神秘的预言家，只给出答案而不解释原因。医生并不信任它，因为他们看不见它的思考过程。
• 现实： 信任不是靠法律强加的，而是当一个工具变得有用、诚实且灵活时自然产生的。
• 修复方案： 我们需要的不是“黑箱”，而是“开卷书”式的伙伴。AI 应该与医生协作，允许他们调整结果并解释其推理过程，而不是仅仅大声喊出一个最终答案。

3. “基础模型”的炒作

• 问题： 关于“基础模型”（在海量数据上训练的巨型 AI 大脑）存在着巨大的热潮。人们希望这些模型能成为终极医学专家。
• 现实： 在医学领域，这些巨型模型往往表现挣扎，因为医学数据是杂乱且稀缺的。仅仅拥有更大的大脑并无帮助，如果它没有学习到真实医院中发生的那些特定且奇特的案例。
• 修复方案： 我们需要停止认为“越大越好”。相反，我们需要针对特定医学任务进行精心策划和验证的模型，而不仅仅是通用模型。

4. 数据瓶颈

• 问题： AI 需要数据来学习，但医学数据很难共享。文中提到的一项研究发现，从 2017 年到 2021 年，只有不到 2% 的放射学 AI 文章同时分享了它们的代码和数据。相比之下，其他技术领域的比例高达 40–50%！
• 现实： 如果不分享数据，AI 就会困在孤立的小型实验室中，无法从全世界学习。
• 修复方案： 我们需要改变对数据所有权的看法。与其让患者以一种将其锁起来的方式“拥有”数据，不如让医院充当“监护人”，安全地分享数据以造福大众。我们还需要使用智能程序来创建虚假（但真实的）数据，以填补空白。

5. 从算法到真正的平台

• 问题： 科学家经常在实验室里开发出一个酷炫的 AI 算法，然后直接把它交给医院。但医院是复杂的场所，拥有不同的计算机系统和工作流程。
• 现实： 单纯的算法就像是一个没有汽车的强大引擎。它需要被构建成一个能够融入医生日常工作的系统。
• 修复方案： 我们需要“平台”——即集成系统，能够直接接入医院的计算机（例如医生用来查看影像的系统），并允许医生通过反馈来不断改进 AI。

6. 预测 vs. 行动

• 问题： AI 擅长预测（例如：“有 74% 的概率这是癌症”）。但医生想要的不仅仅是一个百分比；他们想知道该怎么做。
• 现实： 没有计划的预测只是猜测。医生需要知道他们应该改变治疗方案、增加检查，还是什么都不做。
• 修复方案： 我们需要“可执行的 AI”。AI 不应只说“74%”，而应说：“由于风险较高且患者病史吻合，我建议进行活检。”

未来：代理型（Agentic）助手

该论文提出了构建 AI 的一个重大转变。我们需要的不是一个等待接收图片并吐出标签的被动工具，而是代理型 AI（Agentic AI）。

想象一位侦探的助手，他不仅看照片，还会主动去图书馆查阅资料、查看天气预报、联系证人，然后告诉侦探：“这是我发现的情况，以及我认为下一步该怎么做。”这个“代理”可以：

1. 编排语境： 它能自动调取患者的化验结果和过往影像，以理解完整的病情故事。
2. 知晓局限： 如果它不确定，它可以说：“关于这个罕见病例，我的了解还不够；让我们请教人类医生，”而不是自信满满地给出错误答案。
3. 提供行动建议： 它能提出具体的下一步建议，如“进行这项特定的检查”或“调整药物剂量”。

作者谨慎地指出，这并不是要取代医生。这是为了给医生提供“AI 加持的盔甲”。医生依然掌控最终决策，但 AI 能帮助他们看得更远、想得更深、行动得更快。

总结

论文得出结论，解决这些问题的技术已经存在。我们拥有构建这些更聪明、更连贯系统的工具。缺失的部分不是更好的算法，而是导向性的改变。

十年来，问题一直是：“AI 能在特定任务上胜过医生吗？”
作者说，我们需要停止问这个问题，转而问：“AI 是否让医生在照顾患者方面变得更出色了？”

为了实现这一目标，我们需要医生、计算机科学家和政策制定者从一开始就通力合作。我们衡量成功的标准不应是发表了多少论文或测试得分有多高，而应是实际有多少患者得到了更好的护理。目标是构建一个未来，让 AI 成为诊室里值得信赖的同事，帮助医生解开每一个患者健康的谜团。