医疗人工智能最温暖的价值，并非取代医师

医疗AI最令人期待的核心意义，或许不在于替代医生，而在于让更多病症被提前察觉，减少基层医师的漏诊，同时将有限的医疗资源惠及更广泛的人群。

从胰腺癌、乳腺癌的早期风险检测，到AI数字听诊器和智能心电图，技术正将部分专科筛查能力引入更普遍的医疗环境。但肯尼亚的一项真实世界研究也警示我们：AI表现聪慧，并不等于患者一定能从中受益。

评判一项医疗AI是否真正有用，最终还需关注三点：患者是否更早被识别、能否及时进入后续诊疗、结局是否确实得到优化。

有时，患者真正忧虑的并非“付不起医疗费”，而是等到察觉时，疾病已进展到很晚的阶段。

胰腺癌初期症状隐蔽，许多患者出现明显不适时，可能已错过最佳治疗时机。

一张乳腺钼靶片，当时未见明确异常，几年后回顾，其中或许早已隐藏着人眼难以辨识的风险迹象。

一位基层医师认真完成了心脏听诊，却因杂音不典型，未能及时察觉瓣膜性心脏病。

在医疗资源匮乏的地区，基层诊所可能配备心电图机，却缺少足够的专科医生来解读那些复杂而细微的变化。

这些情景看似各异，却都指向同一个疑问：

我们能否将疾病发现得更早一些？

过去谈论医学AI，大家最常问的是：

AI能否替医生看影像？

AI能否自动撰写病历？

AI能否为患者诊疗？

AI会否取代医生？

但从临床视角看，我越发觉得，医疗AI更值得重视的价值，可能并非“替代”，而是另一件更朴实的事：

让患者更早得到一次警示，让基层医师减少一次漏诊，让以往集中于大型医院的识别能力，逐步渗透到普通医院和基层诊所。

这也是为何，我近来尤其关注医疗AI的两个核心词：

早期筛查与普惠。

近期，《Gut》发表的一项研究引发了广泛注意。

研究人员利用AI分析常规腹部CT，试图从患者过往影像中，捕捉与胰腺癌相关的早期信号。研究提示，在部分后来确诊胰腺癌的患者中，AI可能在临床诊断前数年，就辨识出人眼不易察觉的影像变化。

这类消息容易被浓缩成一句抓眼球的话：

“AI可提前三年诊断胰腺癌。”

但这种表述并不精确。

AI发现的，未必是一个已清晰形成、足以确诊的肿瘤。它识别的更可能是胰腺形态、组织纹理、局部结构及周围组织关系中，一些极其细微的综合改变。

这些变化单独看，或许不足以支持临床诊断；但当算法分析海量影像数据后，可能从中发现与未来患病风险相关的模式。

因此，更严谨的说法应为：

AI有可能在临床确诊前数年，从常规CT中辨识出与未来胰腺癌相关的风险信号。

这两种说法看似仅差几字，临床含义却截然不同。

前者意味着“已可提前确诊”，后者则意味着“可帮助筛选值得进一步关注的人”。

对于胰腺癌而言，后者已极为重要。

胰腺癌的难点，不只在于治疗难，更在于发现晚：

若AI能从患者既往做过的常规CT中，筛选出一批“值得进一步关注”的人，后续的临床路径便可能因此改变：

医生可重新复核既往影像，结合症状和高危因素安排针对性检查，也可让患者更早进入专科评估和高危人群管理。

AI未必直接给出诊断，但它可能帮助医生将一句“暂时无明显问题”，变为一句：

“目前尚不能诊断，但此人值得持续追踪。”

当然，风险提示永远不等同于癌症诊断。

AI评分高，不代表患者一定患癌；AI未提示风险，也不能排除所有疾病。最终判断仍需结合患者的症状、家族史、遗传风险、实验室检查、影像复核及专科医生意见。

所以，早筛AI的真正意义，并非将越来越多的人变成“疑似患者”。

而是：

辅助医生更早找到那些真正值得关注的人。

作为一名乳腺外科医生，我对另一项研究尤其重视。

一项基于瑞典乳腺筛查人群的回顾性研究，测试了三种商业化AI辅助检测系统。结果提示，在部分后来确诊乳腺癌的女性中，AI能从确诊前数年的乳腺钼靶影像里，识别出相对较高的风险信号。

这里同样需避免一个误解：

这并非意味着AI提前六年“看见了乳腺癌”。

更可能的情况是，AI从乳腺密度、组织结构、局部纹理和双侧不对称等复杂信息中，识别出某种与未来患癌风险相关的模式。

传统的乳腺影像判读，主要解答的是：

这张片子现在有无明确异常？

而AI风险预测试图进一步解答：

即便这张片子现在无明确肿瘤，它是否提示此人在未来几年具有更高风险？

这是一个非常值得关注的变化。

若这种风险预测能力经进一步验证，未来的乳腺筛查便可能不再只是“一张片子、一次判断”，而是逐渐走向更连续、更个体化的风险管理：

哪些人可按常规间隔筛查？

哪些人需缩短复查时间？

哪些人需结合家族史和遗传风险进一步评估？

哪些影像目前无明确异常，却值得在后续筛查中重点关注？

从乳腺外科医生的角度，我更关心的并非AI能否比医生“多找出几个异常”，而是：

AI能否帮我们将有限的筛查资源，优先用于真正需要进一步评估的人身上。

因为乳腺筛查并非发现的异常越多越好。

若一个系统只是不断增添可疑结节、重复检查、穿刺活检和患者焦虑，却未带来更早诊断和更好结局，它未必就是个好工具。

一项真正有价值的乳腺筛查技术，至少需同时努力做好两件事：

一方面，尽量不漏掉真正重要的病变；另一方面，尽量减少不必要的检查和过度诊疗。

我们也必须看到，这项研究来自瑞典筛查人群，其结果不能简单照搬至中国临床。

不同国家和地区的人群，在乳腺密度、筛查年龄、设备参数、疾病谱和医疗流程等方面都可能存在差异。任何风险预测工具进入临床前，都需经过本地人群验证，并明确高风险结果应如何处理。

但这项研究呈现的方向已很清晰：

未来的乳腺筛查，可能不再只是判断一张片子有无问题，而是进一步解答：此人接下来几年，需怎样的筛查和随访。

听诊器是医生最熟悉的工具之一。

它便携、简单，几乎存在于所有医疗场景中。但真正做好心脏听诊，并无看上去那么容易。

心脏杂音可能极其轻微，也可能短暂、不典型；听诊结果易受环境噪声、患者体位和医生经验影响。对于接触复杂心脏疾病较少的基层医师而言，仅凭一次传统听诊发现中重度瓣膜性心脏病，并非易事。

一项前瞻性研究纳入了357名存在心脏病风险的患者，比较传统听诊与AI辅助数字听诊器在识别中重度瓣膜性心脏病方面的表现。

根据研究报道，AI辅助数字听诊器显著提升了筛查灵敏度。

此结果值得关注，不只因数字更高，更因它将AI嵌入了一个非常普通、非常真实的医疗场景。

一位老年患者因活动后气促、乏力或胸闷来到基层医疗机构。医生认真完成了问诊和体格检查，却未听到非常典型的心脏杂音。

若数字听诊器结合AI分析后，提示此患者存在需进一步评估的风险，那么医生便可能重新审视最初的判断。

此提示不能直接告知医生患者究竟患了什么病，不能替代超声心动图，也不能替代心脏专科医生。

但它可提醒医生：

此患者的问题，或许不能简单归因于“年龄大了”或“体力差了”。

这就是我理解的“下沉式AI”。

它不是让一名基层医师立刻变为心脏病专家，而是将一部分原本高度依赖经验的识别能力，嵌入基层可用的工具和工作流程中。

医生仍负责问诊、检查和判断；数字听诊器负责采集相对稳定的心音；AI协助分析复杂信号，并提示哪些患者可能需要进一步检查或转诊。

在此过程中，AI不是诊疗的终点，而是临床决策链条中的一个提醒者。

对基层医疗而言，更现实的目标或许从来不是“AI替代医生”，而是：

帮助医生在面对不确定情况时，少漏掉那些值得转诊的患者。

若一个便携、相对易部署的工具，能帮助基层医生多发现一些瓣膜性心脏病患者，它所创造的社会价值，可能并不亚于一项在顶级医院中刷新模型准确率的研究。

因为绝大多数患者首次接触的，未必是专科专家。

他们更可能先遇到一位基层医师。

谈论医疗资源有限的地区，很多人会以为当地什么设备都没有。

现实往往更复杂。

一些基层医疗机构可能已拥有心电图设备，却缺少足够的专科医生来解释复杂信号；患者可完成基础检查，却难以及时接受超声心动图、CT或专科评估；基层医生发现了一些异常，却没有成熟的转诊和随访体系承接。

换句话说，问题不一定是完全没有设备，而是：

有设备，但缺乏足够的解释能力和后续路径。

研究团队在肯尼亚验证AI辅助心电图工具，希望利用常规心电图，识别与心脏舒张功能异常相关的风险信号。

心电图设备相对便携，使用门槛和部署成本通常低于超声、CT和MRI，更适合基层和资源有限地区。若AI能从常规心电图中筛选出一部分高风险患者，便有可能帮助这些人进一步接受超声心动图、专科评估和规范管理。

这类工具的价值，不是做一张心电图后，AI就直接给出最终诊断。

它真正要解决的问题是：

能否利用基层已有的基础检查，找出那些值得进一步评估的人？

但随之而来的，是一个更现实的问题。

假如AI发现了高风险患者，当地却没有超声设备、没有专科医生，也没有顺畅的转诊通道，那么这个“提前发现”，究竟能否真正转化为健康获益？

这也是许多医疗AI项目最易忽视的地方。

AI筛查从来不是一个孤立的工具。它必须被嵌入一条完整的临床路径：

信号采集 → AI识别风险 → 医生复核 → 患者转诊 → 确诊检查 → 规范治疗 → 结局随访

若只完成了前两步，后面的医疗系统却未准备好，AI可能只是增添了一批“异常结果”。

它让问题被看见了，却未真正解决问题。

若文章写到这里就结束，可能会给人一种过于乐观的印象：

只要将AI放入医疗系统，疾病就会更早被发现，基层诊疗质量也会自然提高。

真实世界并无这么简单。

肯尼亚一项基层医疗整群随机试验，为医疗AI提供了一个很重要的冷静视角。

研究在16家基层医疗机构开展，共纳入9691名患者和103名临床工作人员。研究人员比较了使用大语言模型辅助的电子病历系统与普通电子病历系统，主要观察患者就诊后14天内是否发生治疗失败。

结果显示，两组治疗失败率无显著差异，也未发现严重安全问题。

换句话说，这套AI系统可在真实基层环境中相对安全地运行，也可能改善部分病历记录和临床工作过程，但在这项研究中，它并未显著降低患者的短期治疗失败率。

这个结果并不意味生成式AI没有价值。

它真正提醒我们的是：

临床工作过程得到改善，与患者结局得到改善，并非同一件事。

评价一项医疗AI，至少要区分三个层次。

第一个层次，是模型表现。

它能否理解症状和检查结果？能否生成一份看似合理的诊疗建议？在标准化病例和医学考试中表现如何？

第二个层次，是医生的工作有无改善。

病历是否更完整？风险是否更易被发现？治疗计划是否更规范？医生是否节省了时间？

第三个层次，才是患者有无真正获益。

患者是否更早得到诊断？是否更及时接受转诊？治疗失败有无减少？住院率和并发症有无下降？长期生存和生活质量有无改善？

现在许多医疗AI研究，主要解答了第一个问题。

一部分研究开始解答第二个问题。

真正能解答第三个问题的研究，仍不多。

从模型输出到患者获益，中间还隔着许多现实环节：

医生是否真正采用了AI建议？

建议是否适合当地的疾病谱和医疗条件？

基层有无相应的检查和治疗资源？

患者是否有能力完成转诊和后续治疗？

AI发现的问题，医疗系统能否接得住？

这些都不是在几个标准化病例中测试一下模型，即可得到答案的。

所以，医疗AI不能只看“回答得像不像专家”。

我们最终还是要问：

患者有无更早被发现？有无更及时地接受下一步诊疗？最终结局有无改善？

结合这些研究，我认为判断一项医疗AI是否真正具有普惠价值，至少要看四件事。

“发现一个已非常明显的病灶”和“在疾病仍隐匿时识别风险”，不是同一件事。

真正有价值的早筛AI，不只是给出一个更高的准确率，而是能让一部分患者更早进入复查、专科评估或治疗路径。

若AI只是增加了一个风险分数，却未改变任何临床行动，那么这个分数本身的价值非常有限。

普惠不只是价格便宜。

还要看设备是否便携、操作是否简单，能否融入基层已有的工作流程，是否能在网络和硬件条件有限的环境中运行。

一个只有少数顶级医院才能部署、只有专业工程师才能维护的系统，可能非常先进，却很难被称为普惠医疗AI。

这是许多早筛项目最易忽略的一环。

AI发现高风险患者以后，谁来复核？谁来解释？谁负责转诊？患者到哪里完成确诊？后续治疗和随访由谁承接？

若无清晰的后续路径，AI可能只是将“看不见的问题”，变成“看得见却无人处理的问题”。

除了模型准确率，我们还需关注：

有无前瞻性研究？

有无不同地区和不同人群的外部验证？

是否充分报告假阳性和假阴性？

有无观察患者结局？

是否评估安全性、公平性和可持续性？

最终的临床决策责任属于谁？

尤其对于生成式AI，仅用医学考试、模拟病例和标准答案来评价，是远远不够的。

模拟病例不会受交通、费用、药品短缺、家庭照护和转诊困难的影响。

真实患者会。

面对医学AI，我们不必一开始就问：

AI能否替我完成整个诊疗过程？

更实际的问题是：

在我的工作流程里，哪一个环节最易遗漏、最耗时间，也最值得获得一次提前提醒？

可能是影像初筛和复核，也可能是高危患者风险分层、肿瘤随访提醒、病历中的危险信号提取，或转诊和检查优先级的判断。

医学AI的价值，往往不是将医生从诊疗流程中拿掉，而是帮助医生将更多时间放在真正需要专业判断、沟通和决策的环节。

医院评估一个AI项目，不能只看模型准确率、厂商演示和产品宣传。

真正需解答的是：

谁会使用这套系统？

它被放在哪个临床环节？

AI的输出由谁复核？

高风险结果如何处理？

错误建议如何上报？

漏诊和误报如何监测？

若AI发现了患者，医院有无能力完成后续诊疗？

医疗AI不是安装完成就算落地。

真正困难的部分，是让它进入临床流程，并建立相应的复核、转诊、监测和责任机制。

未来的医学人士需要学习的，不只是如何操作某个工具。

我们还需理解敏感度、特异性和预测值，判断模型是否完成外部验证，识别自动化偏见，区分模型表现、流程改善和患者获益。

更重要的是，要知道何时可以参考AI，何时必须质疑AI。

医学人士学习AI，最终不是为了追逐每一个新工具，而是为了：

理解问题，重构流程，验证结果，并始终对患者负责。

从胰腺癌到乳腺癌，AI正尝试从既往影像中寻找更早的风险信号。

从数字听诊器到AI心电图，一部分过去高度依赖专科经验的识别能力，也开始进入基层和资源有限地区。

而肯尼亚的随机试验，则给所有人提了一个醒：

AI可表现得很聪明，可改善文书和工作流程，却不一定马上改善患者结局。

这些研究放在一起，恰好构成了我们理解医疗AI所需的两个方面。

一方面，我们应看到它的潜力。

另一方面，我们也必须坚持医学最基本的评价标准：

患者是否更早被发现，是否更及时地接受诊疗，最终是否真正获益。

我越来越觉得，医疗AI最值得期待的方向，不是让已拥有最好医疗资源的人，再多获得一个强大工具。

而是让那些原本很难及时获得专科判断的人，能更早得到一次提醒、一次复核和一次转诊。

早几年识别一个风险，让基层医生少漏诊一个患者，让资源有限的地区多拥有一种筛查能力。

这些变化或许没有“AI替代医生”那么轰动，却更接近医疗AI真正的社会价值。

AI医疗的终点，不是让机器看起来越来越像医生，而是让更多患者能更早遇到合适的医生。

医疗AI真正有温度的进步，不是让少数顶尖医院变得更聪明，而是帮助更多普通人更早发现疾病，让基层医生少漏诊，并让有限的医疗资源真正形成从筛查、转诊到治疗的闭环。

我有个知识星球“医学AI思维营”，若你对医学AI感兴趣，欢迎加入一起学习AI，高效赋能。