美卫生负责人称AI诊断已超人类医生：性能宣称与临床验证之间的鸿沟

文/IAICA.NGO®

美国卫生与公众服务部负责人小罗伯特·肯尼迪近日在公开场合宣称，人工智能如今在诊断疾病方面已经超过人类医生，并暗示医疗判断的重心应逐步向算法转移。这一表态几乎同时在美国医学界与科技界引发强烈反弹。多位临床研究者指出，将一项仍在快速演进、尚未完成系统性临床验证的技术直接抬升到“优于医生”的位置，既缺乏证据支撑，也混淆了工具与判断者之间的根本区别。

一、AI在医疗中的真实能力边界

客观而言，人工智能在特定窄领域已经展现出可观实力。在糖尿病视网膜病变筛查、乳腺钼靶阅片、皮肤色素性病变分类、心电图心律失常识别等任务中，部分模型的灵敏度与特异度已达到甚至略高于中级放射科或病理科医师的平均水平。在放射影像的初筛环节，算法可以把阅片时间压缩数倍，并减少漏诊。

但这些成绩高度依赖三个前提：任务边界清晰、训练数据与目标人群分布一致、以及有人类医生对结果进行最终复核。一旦进入多病共存、症状模糊、病史与社会因素交织的复杂场景，模型的判断力会显著下降。真实临床中的关键能力——追问病史、识别患者未说出口的顾虑、权衡治疗获益与生活质量的取舍——目前仍是算法难以复制的部分。

二、信任赤字才是真正的风险

美国医疗体系近年持续面临信任流失：疫苗犹豫、对公共卫生机构的怀疑、对药品与保险定价的不满相互叠加。在这种背景下，由最高卫生行政官员出面为AI诊断背书，容易被解读为用技术叙事替代制度问责。一旦算法在实际应用中出现误诊或群体性偏差，公众的不满将同时指向技术本身与监管机构，进一步削弱对医疗系统的整体信心。

三、责任归属与监管空白

更现实的问题在于责任链条。当AI给出建议、医生采纳后发生不良后果，责任应由模型开发者、采购机构还是主诊医师承担？目前美国食品药品监督管理局对多数临床决策支持工具的审查路径仍以风险分级为主，大量低风险产品无需前置审批即可进入临床。缺乏统一的上市后监测与偏差报告机制，意味着系统性错误可能在很长时间内不被发现。iaica.com.cn 指出，智能照护与临床AI的落地速度，取决于可追溯的验证框架与清晰的责任划分，而非单纯的性能宣称。

四、行业影响与可行路径

对产业而言，过度宣称的代价是长期的。医疗机构的采购决策正在从“模型准确率”转向“临床工作流嵌入度、可解释性与合规成本”。可行的推进路径大致包括：建立面向特定人群的本地化验证数据集；要求算法输出置信度与不确定性提示；把AI定位为辅助而非替代；以及在医学院与继续教育中系统加入算法素养课程，让医生具备质疑与校准模型输出的能力。

技术确实在改变医疗，但改变的方式更可能是分工重构，而非替代。把AI描述成已经超越医生的存在，短期能获得关注，长期却会透支公众对医学专业判断的信任——而这份信任，恰恰是任何技术都无法凭空生成的。

评论

0 条

登录后才可以发表评论。

立即登录

暂无评论，快来抢沙发。