掌控智能时代，恪守医学初心：论医疗AI的应用边界与价值坚守

近日西安某基层医院骨科医生借助普通AI工具为患者出具诊疗建议的视频在自媒体平台引发热议，激起医疗界广泛讨论与网民持续关注。人工智能技术对人类社会的渗透日益加深，对传统产业及普通岗位的冲击已成燎原之势，即便是高智商门槛、技术密集型职业亦难独善其身。但事实并非如此，AI对医疗行业的影响及其对诊疗活动的挑战明显被过度渲染。这种渲染似乎造成了医疗领域的群体性恐慌。另有观点称，AI不会淘汰医生，但不懂AI的医生终将被淘汰。那么，医务人员究竟该如何恰当运用AI？在AI医疗应用的政策法规制定、监督管理及实际操作层面，卫生主管部门、医疗机构与医务人员各自应承担何种职责、采取哪些行动？

人工智能取代人类的话题频频登上热搜！当下受利益驱使，出于吸粉引流的目的，各类AI神话纷至沓来。医疗领域同样未能幸免，甚至有人宣称"人工智能外科医生将在三年内全面超越人类"。这些论调、观点，以及各类通用人工智能模型的商业化与普及化，给医疗界带来了集体性恐慌，担忧自身终将被替代，不在今日，不在明日，但必在后天。这其中显然存在若干认知偏差。

第一，AI是21世纪人类社会的卓越创举。

人类创造AI、推广AI并非为了取代自身，而是为造福人类，此乃AI发展的根本价值导向。AI在医疗场景中的应用，同样是为了更好地服务医生、惠及患者，而非取而代之。

首先，法律责任的不可让渡性构成了AI无法跨越医生的根本屏障。医疗行为承载着生命健康权，最终处方权、手术签字权及侵权追责均指向具有法律人格的自然人。AI作为"物"的客体属性，无法替代医生成为责任主体。只要过错责任原则存续，AI便只能处于"辅助工具"之位，否则将导致无法填补的责任真空。

其次，诊疗决策的不确定性与价值排序，本质上是对抗AI算法穷尽列举之局限性的关键。标准化流程可被编码，但临床常面临治疗目标的冲突，如老年患者在"延长生存"与"保持尊严"之间的权衡。

最后，医患关系的契约属性要求主体间真实的意思表示。诊疗是动态对话过程，患者常因恐惧而表述失真，医生需结合非语言线索进行"理解性转译"。这种基于现象学互动的信息生成，远超AI被动接收数据的能力范畴。

因此，AI的替代并非"能否"之问，而是"能且仅止于"技术层面的结构性分工。医生的核心价值将从"信息运算"跃升为"责任担当、价值判断与情感联结"，此乃AI无法逾越的"人类优势三角"。真正的焦虑化解，在于通过制度设计明确AI"赋能"而非"赋权"的法律定位，使医生安心成为驾驭算法的"掌舵者"，而非被替代的"体力劳工"。

第二，AI在医疗领域应用的技术局限。

医生对疾病的诊疗遵循以下四个环节。

1.采集患者病史。通过询问患者主诉、发病经过及表现、就医情况及疗效，在此基础上将患者症状予以类型化，并为体格检查做准备；

2.检查患者身体状况。依据问诊获取的疾病线索，进一步对患者身体进行检查，涵盖手法检查与仪器检查，获取患者疾病的客观信息，并类型化为体征；

3.完善辅助检查。根据需求及检查检验设备条件，开具仪器设备检测检查，获取患者身体数据；

4.分析病情做出诊断。汇集类型化的症状、体征和生理病理数据，分析病情，鉴别其他疾病，做出疾病诊断。

当前大量医疗人工智能研究集中于第三、第四步。第三步为直观的病症图像分析，第四步为已收集患者健康信息的综合分析。AI擅长知识记忆，这两步是人工智能的优势领域，其效用自然显著。但这些研究均建立在第一、第二步人工操作基础之上。例如，患者主诉"腹痛"，如何痛、痛的规律、痛的特点，需要医生反复询问、操作、试探，最终完成腹痛的类型化定位。

将医生类型化的症状、体征输入AI模型，诊疗准确率固然很高。但若让AI自主收集患者症状、体征等信息，目前而言尚属不可能完成的任务。研究表明，针对真实病例，人工智能的诊断准确率仅为20%。

第三，AI在医疗领域应用的正确定位。

应当区分诊疗辅助工具与工作辅助工具、医疗专业AI工具与通用AI工具两组概念。AI不能替代医生，其在医疗领域的应用仅限于辅助。但需明确区分医生的诊疗辅助与工作辅助。

目前我国已有多款人工智能辅助诊断系统获国家药品监督管理局批准。需指出的是，此类辅助诊断系统系按第三类医疗器械审批，其功能定位为辅助诊断系统，属医疗器械范畴，并非国家卫生健康部门批准的新诊疗技术。这些辅助诊断系统仅可用于医疗机构辅助检查科室，如医学影像科，辅助影像医师做出影像诊断。医生是否采纳该影像诊断，仍需依据自身临床检查情况及执业经验判断，更不可能直接采信AI影像辅助诊断结论。

当下市面各类大语言模型均属通用人工智能工具，一方面因缺乏医学专业特殊性，诊疗算法不足，诊疗活动所需算力欠缺；另一方面，目前更缺乏开发医疗AI所依赖的医疗大数据支撑。故迄今尚未研发出可供医生诊断的辅助诊断系统。目前通用人工智能工具充其量只是医生开展日常工作的事务性辅助，并非辅助诊断工具。

研判一个行业、一种工作是否可被AI取代，可从工作服务主体、服务对象、服务内容、服务所需知识等维度考察。概言之，服务主体是否需要专门而长期的教育训练；服务对象是否为人或需注入人类价值观的元素；服务内容是否具有较大不确定性；服务所需知识是否属于专门知识。具体而言主要考察以下三个方面。

第一，该项工作是否可程序化、标准化。

从政策与法律视角审视，程序化、标准化确为人工智能替代的核心标尺，那些可被程序化、标准化的工作，将最先被人工智能取代。但诊疗工作的特殊性在于其内部存在显著的"技术理性"与"价值理性"张力。在医学专业领域，那些基于大规模循证数据的影像判读、病理分析及标准化检验解读，因其高度依赖模式识别与既定临床指南，确属"程序化"高危领域。这些环节中，AI的效率与精准度已展现超越人类之势，替代乃必然趋势。

然而，诊疗的本质并非纯粹的数据处理。临床决策常面临病情非典型、多病共存及治疗目标冲突等"非结构化"困境，这依赖医生的隐性知识、直觉推理与床旁验证，难以被算法穷尽。更为关键的是，医疗行为内蕴照护与信托属性。患者的主诉建构、临终伦理抉择及心理安抚，植根于医患之间的主体间性互动，此乃AI无法逾越的"情感鸿沟"，具有极大不确定性。

第二，该项工作服务对象是人还是物。

若服务对象为物，可采取简单、机械、不受时限的操作。若服务对象为人，则受人的思想、情感、主观感受制约。受制于"人"的因素，对服务品质要求高，服务内容与服务方式的临时性变化多。

当下部分大企业的客服电话已改为人工智能语音服务模式，客户一旦拨通客服电话，便陷入漫长的程序推进，经历多层选择，最终却发现得到的是"未解决""不满意"的答案，由此引发客户反感与投诉。故真正有需求的客户往往直接选择"人工服务"，原因何在？即此种语音客服忽视了客户的"人"之属性。医疗服务对象为病人。

病人首先是人，其次才是患病之人，人有思想、情感、价值观，且人与人各异，由此引发的病症亦千差万别。医生对患者病症的诊疗，不可能采用千篇一律的操作，不可能按照统一流程完成诊疗。从法律归责角度，最终诊断签字权与医疗事故责任主体必须是自然人医生，法律无法将刑罚或侵权责任施加于算法。故人工智能将替代诊疗中"可编码"的重复性智力劳动，但无法取代医生的核心判断与人文角色。

第三，该项工作是否涉及专门知识的运用。

专门知识不同于专业知识，涵盖科学技术知识与实践经验。纳瓦尔（Naval Ravikant）将"专门知识"界定为"可习得但无法教授"的知识，强调学徒制、基于热情、如游戏般、高创造性且无法自动化。这比通常的"专业知识"（一般指系统化、可编码的理论知识）更强调隐性、实践性与个人化。纳瓦尔对专门知识的界定，精准揭示了医学AI研发与应用的核心瓶颈：其所需不仅是可编码的医学理论知识，更是深植于临床实践、难以量化的"工匠智慧"。

首先，AI的训练依赖"教不了"的隐性经验。标准教材可被编码，但一位主任医师在床旁"徒手"鉴别急腹症时，触诊的力度、患者表情的细微变化、甚至腹腔反射的"手感"，这些在师徒传承中习得的临床直觉，从未被任何数据集完整记录。AI所能学习的公开数据，恰是这种"学徒制"经验被过滤后的"脱水产物"，其判读天然缺乏对非典型病例的"嗅觉"。

其次，AI的验证需要"基于好奇"的对抗性思维。算法追求既定的"最优解"，但医学进步恰恰源于对"标准答案"的质疑。例如，面对罕见病，有经验的医生并非按指南穷举，而是凭"这不像教科书"的好奇心主动拓展鉴别诊断。这种非功利的探索，正是突破AI数据分布局限、发现新关联的"专门知识"。