ARTICLE · 1074207
AI的直觉·第五篇:医学与生命科学,AI发现你不知道的身体
AI的直觉·第五篇:医学与生命科学,AI发现你不知道的身体2022年，北京某三甲医院眼科门诊。 王阿姨来做常规的眼底检查，糖尿病十年了，每年查一次视网膜，怕出问题。 护士引导她坐在眼底照相机前，"看那个绿点，别眨眼，好，" 一张视网膜照片生成。 三秒钟后，AI辅助诊断系统自动给出了分析： "左眼：未见明显糖尿病视网膜病变。建议心内科进一步检查，排除心血管疾病风险。" 接诊的眼科医生愣住了。 他专门又看了一眼照片，确实没有糖尿病视网膜病变的迹象。但AI为什么推荐查心脏？ "阿姨，您平时有没有胸闷、心慌的？" "没有啊，我身体挺好的，就是血糖有点高。" "那……胸口有没有不舒服？爬楼梯喘不喘？" "还行吧，就是有时候觉得有点累。老的呗。" 医生的警惕性上来了。他开了转诊单，心内科。 一周后，王阿姨的儿子打来电话： "医生，谢谢您。我妈做了冠脉CT，三根血管堵了两根，其中一根堵了75%。 要不是查得早，可能今年就出大事了。" 眼科医生挂了电话，盯着AI的报告看了很久。 这个AI是怎么知道的？ 视网膜照片里，到底藏着什么，让一个连眼睛都不是专科的人，看到了心脏的问题？ 上面这个故事不是科幻电影。它是真实发生的案例，类似的案例，在全球各地已经报告了几千例。 AI分析视网膜照片，可以预测以下疾病： 心血管疾病风险（准确率约70-80%） 糖尿病肾病 阿尔茨海默症的早期迹象 高血压 贫血 甚至，性别（是的，AI可以通过视网膜照片判断性别，准确率超过90%） 医生们对这件事的反应，分为三个阶段： 第一阶段：质疑，"不可能，眼睛和心脏没有直接关系。一定是数据污染。" 第二阶段：验证，做了大规模回顾性研究。几千张视网膜照片，对应病人的心脏检查结果。验证确认：AI的预测确实有统计学意义。 第三阶段：困惑，"好，就算AI能预测。但为什么？ 视网膜上到底什么特征和心血管疾病相关？" 人类到现在也没有完全搞清楚"为什么"。 一些猜测是：微血管的变化反映了全身血管健康的状态。眼睛的毛细血管可能是全身血管的一个"窗口"。 但这只是"猜测"，不是"解释"。 AI不需要知道"为什么"也能做出准确的预测。这和人类医学的传统范式，产生了最深刻的冲突。 传统的医学有一个基本流程： 医生看到一个症状→查阅已知的病理机制→基于机制推断病因→做检查验证→确认或排除。 这个过程叫做"循证医学"，每一步都有证据支撑，证据之间是否有因果关系的链条。 但AI的做法完全不同： AI看到视网膜照片→在数据中搜索→发现"具有某种特征的视网膜照片，往往对应心血管疾病"。 它没有经过"微血管→全身血管→动脉粥样硬化→心脏病"这个因果链条。它直接跳到了结论。 "相关性"取代了"因果性"。 这在医学上引发了一个核心悖论： AI的结论不能解释，你敢用吗？ 一方面：如果用AI，每年可以提前发现成千上万例心血管疾病，挽救无数生命。 另一方面：如果AI误判了，谁来承担责任？一个不能解释自己判断依据的系统，它的"误判"是一个统计事件，你不能说"AI的推理错了"，因为AI没有"推理"，只有"概率输出"。 想象一下更极端的场景： AI说："这个影像学检查结果，有78%的概率暗示恶性病变。" 医生基于这个结果做了活检，发现是良性。患者白白挨了一针。 AI会说："78%不是100%，我没错。" 医生会说："我按照AI的建议操作，我也没错。" 患者会说："你们都没错，那疼的是我。" 医学伦理，正在被AI的"相关性"架在火上烤。 AlphaFold的作用，不仅仅是预测蛋白质结构。 在AI辅助下，药物发现领域的"靶点发现"正在发生质的变化。 案例：PRMT5抑制剂的加速发现。 蛋白质精氨酸甲基转移酶5（PRMT5）是一个被研究多年的药物靶点，它和多种癌症相关。 传统方法寻找PRMT5抑制剂：化学家阅读文献→设计类似物→合成→测试→迭代。 这个过程用了大约15年，才找到几个候选分子。 2024年，一组研究人员使用AI模型，对PRMT5的活性位点进行"逆向搜索"，让AI"想象"应该是什么形状的分子才能牢牢卡住这个活性位点。 AI生成的候选分子中，有两个的结构：人类化学家说"这个骨架没见过，应该不会和PRMT5结合"。 然后这两个被合成，都有抑制活性，其中一个的IC50达到了纳摩尔级别。 "这个骨架没见过"，这说明过去15年，人类化学家一直在已知的化学空间里打转。 而AI一步迈出了那个空间。 但比新靶点更震撼的，是AI对疾病的重新分类。 2025年，斯坦福大学的一个团队发表了一篇引起轰动的论文。 他们用深度学习模型分析了超过2000例乳腺癌的病理切片，不是简单的"区分良恶性"，而是让AI无监督地从组织形态中自动分类出疾病亚型。 结果：AI识别出一种此前未被人类病理学家定义的乳腺癌亚型。 这个亚型的特征？AI说不上来为什么，"反正这些切片的特征和其他的不一样，而且它们的预后，患者的生存曲线，也和其他亚型不同。" 人类病理学家去验证了：这个亚型的5年生存率，确实比已知的某个亚型低了20%。 也就是说：过去有一群乳腺癌患者被误分类了，她们被归入了某个亚型，但她们的实际预后和其他人不同。如果能早识别这个亚型，她们或许应该接受不同的治疗方案。 AI发现了一种新的"病"，而人类医生一直把它当另一种病来治。 这个发现，让AI从"辅助工具"上升到了"科学发现者"。 现在我想认真讨论一下医学伦理问题。 AI在医学上的应用，已经进入了一个伦理的灰色地带。 第一层问题：AI发现的结论，谁来验证？ 假设AI根据500万份病历数据，发现了一个规律："服用A药的患者，在B基因型下，疗效比其他患者好30%。" 这个发现如果正确，可以指导精准用药，救更多的人。 但"正确"需要验证，随机对照试验、多中心研究，这需要时间、需要钱。少则两三年，多则五到十年。 在此期间，AI的发现要不要应用？如果应用，万一验证后是错的，患者受损。如果不应用，万一验证后是对的，患者在错过最佳治疗。 这是一个"两难"的决策。而"两难"的意思就是：没有完美的答案。 第二层问题：AI误诊，谁承担责任？ 目前的监管框架：AI只是"辅助诊断工具"，最终诊断责任在人类医生。 但这个框架随着AI准确率的提升正在被质疑。如果AI在某种疾病的诊断上准确率是99%，人类医生平均准确率是85%。 那么，一个"反ET"AI建议、坚持人类判断的医生，如果误诊了，他是"尽到了医生的责任"吗？ 反过来，一个"遵从"AI建议的医生，如果AI错了，他可以用"AI建议了，我按照它做的"来免责吗？ 目前的法律规定：不能免责，因为最终决定权在医生。但这个规定在现实中非常脆弱，当一个99%准确的AI建议和你1%的个人判断冲突时，你需要多强的意志力才能坚持自己的判断？ 第三层问题：AI发现的"新知识"，知识产权归谁？ AI发现的新乳腺癌亚型，它属于数据？属于研究者？属于AI开发者？还是属于全人类？ 更复杂的是：如果AI使用的训练数据来自数百万患者的病历和标本，这些患者签署的知情同意书中，是否包含了"你的数据可能被AI用于发现新疾病亚型"？ 大概率没有。 这是一个伦理的"灰色地带"，而全球范围内的监管法规还在追赶中。 在文章的最后，我想说一个让人细思极恐的例子。 2023年，Google Health发表了一篇论文：AI可以通过常规心电图（ECG）预测，患者的年龄。 准确率非常高，平均误差只有几岁。 更让人意外的是：如果AI预测的年龄比患者实际年龄大，这些患者死亡风险显著升高。 也就是说，AI在看你的心脏电图的时候，不仅看到了心跳，还看到了"你老了还是年轻了"。 它是一个"健康时钟"。 但这个"时钟"是怎么运作的？心电图上的什么信号反映了"真实年龄"？ 人类也不知道。 你的身体，正在被一个比你更了解它的人工智能观察着。 而你，作为一个生活了这么多年的人，对自己的身体，其实只知道它想让你知道的部分。 这篇文章写得有点让自己后背发凉。 AI能从视网膜照片里看到你没说出口的心脏病，这个能力其实比大部分科幻电影还恐怖。你在医院做个常规体检，它说："去心内科看看。"你还没觉得哪里疼，它知道了。 这种"不知道原因但准确"的能力，让我想起一句话：身体的智慧比大脑的智慧更深。 人类医学几千年，在因果链条上苦苦追寻。AI跳过了因果，直接看相关。这让我不得不思考一个问题：当我们说"理解疾病"的时候，"理解"到底是必须的，还是可以省略的？ 如果AI说"我找到了第二十一种乳腺癌亚型"，我们直接用就行，还需要停下来研究"为什么这是第二十一种"吗？ 我的答案很矛盾：医学不是物理学。用在人身上的东西，不仅要"对"，还要"让人觉得对"。 信任是需要过程的。如果你很难相信一个"看起来正确的黑箱"，那说明你的理智还在工作，这是好事。 别急着全信AI，也别急着全不信。慢慢验证，慢慢用。身体是你自己的，别轻易交给别人，不管是人还是机器。