JAMA 重磅:AI医疗诊断失败率超80%,真相扎心了

当AI开始走进诊室、参与影像判读、生成病历，很多人曾相信：AI很快就能替代医生，甚至比医生更精准。但2026年发表在《JAMA Network Open》上的一项重磅研究，直接打破了这份乐观。

哈佛医学院与Mass General Brigham团队的系统评估显示，当前主流大语言模型，在医疗最关键的环节上，表现远低于预期。

初诊失败率超80%，AI真的会看病吗

这项研究完整测试了AI在真实临床流程中的能力，结果极具冲击性。

在临床流程里最核心的初步鉴别诊断阶段，所有被测试的AI模型失败率全部超过80%。即便补充更多临床信息，AI依然难以完成早期推理任务，无法给出可靠的诊断方向[1]。

更值得注意的是，只有到了最终诊断阶段，在信息高度完整的前提下，部分AI模型准确率才能达到60%–90%。

来源：euro news

论文给出了明确结论：当前大模型尚不能胜任无监督临床决策任务[2]。这意味着，把诊断权直接交给AI，在现阶段是极具风险的选择。

来源：JAMA

AI究竟是否会临床推理

很多人疑惑，AI能通过医学考试、背诵海量医学知识，为什么到了真实诊断就失灵？答案藏在临床推理这四个字里。

真实的医生诊断，从来不是直接给出一个答案。医生会根据患者症状列出多种可能疾病，一步步排查、排除、验证，在不确定信息中逐步收敛到最合理的诊断，这是典型的不确定性下的推理。

而当前AI的本质，是基于训练数据做统计关联，预测下一个最可能的词汇。它擅长知识检索与模式匹配，能在信息充足时给出正确结果，却无法在信息不完整时构建合理假设，更无法完成连贯的推理链条。

来源：JAMA

简单说，AI擅长给出标准答案，但医疗诊断需要的是最安全的推理路径，这正是AI最薄弱的环节。

不止推理不足：AI还藏着系统性风险

这项研究并非孤例，越来越多证据显示，医疗AI的风险远比想象中更多。

AI极易被伪权威信息误导。《柳叶刀·数字健康》相关研究发现，面对看似权威实则错误的医学信息，AI的错误接受率高达47%，它更容易相信听起来像医生的话，而非客观医学事实[3]。

AI生成的假影像同样具备欺骗性。研究显示，AI伪造的X光片，既能欺骗AI诊断系统，也能误导专业放射科医生，最低识别准确率仅57%，这意味着AI不仅会自身出错，还可能放大错误、传播错误[4]。

来源：arXiv

不过也有积极探索，有研究通过多AI智能体协作讨论，能将初始错误场景的诊断准确率从0%提升至71%[5]，这也印证了问题核心不是AI知识不足，而是推理机制存在本质缺陷。

医疗需求和AI擅长的智能错位

这场失灵的本质，是一场能力错位。

医疗诊断的核心需求，是处理不完整信息、完成多轮决策、严格控制风险，属于推理型智能。而当前大语言模型是典型的生成型智能，优势在文本生成、知识压缩、模式复现，并不适配早期诊断这类高推理需求的任务。把AI放在它最不擅长的初步诊断岗位，出现高失败率，也就不足为奇。

研究清晰指明了AI在医疗中的正确位置：辅助，而非决策。

现阶段的AI，更适合承担这些工作：辅助影像分析、自动整理生成病历、为医生提供参考诊断列表。这些场景能发挥AI的知识与效率优势，又不会让AI承担超出能力的决策风险。

未来医疗AI的方向，也不是盲目追求取代医生，而是走向人机协同：多模态融合文本与影像数据、多智能体强化推理能力、构建更安全的人机协同决策体系。

写在最后

《JAMA Network Open》的这项研究，不是否定AI的价值，而是让医疗AI回归理性。

来源：JAMA

AI拥有海量医学知识，却还没掌握临床推理的核心能力；能高效完成辅助工作，却无法独立胜任早期诊断的关键任务。曾经AI取代医生的盲目幻想逐渐褪去，医疗AI正从过度乐观，走向务实、严谨、安全的发展新阶段。

我们可以期待更强大的医疗AI，但更要清醒地认识到：AI能回答医学问题，但暂时还不会真正看病。医疗的核心，始终是医生基于推理与经验的专业判断，这是当下任何技术都无法替代的温度与责任。

癌症治疗长期以来都在一场盲盒式试错中艰难前行。同一种靶向药，有人用后肿瘤显著缩小，有人不仅无效还承受严重副作用，医生与患者只能在“用药—观察—调整”的循环中，耗费时间与成本。