📄 AI单独92分，医生单独74分，联合只有76分——医学AI最魔幻的现实

全文字数：约 3,200 字预估阅读时间：8-10 分钟摘要：Harvard最新《Science》研究显示，AI在急诊分诊中诊断准确率67%，超过人类医生的50%-55%。但本文认为，真正值得关注的不是AI"赢了"，而是它第一次走进真实临床的"深水区"，暴露出影像缺失、长期病史处理不足、非语言信号盲区三大边界。结合JAMA研究"医生+AI反而不如AI单独"的发现和张文宏教授的警告， 本文呼吁：AI最大的风险不是出错和幻觉，而是医生不再怀疑和盲从。

AI急诊诊断考了67分：这张"不及格"的成绩单，为什么让我更兴奋？

上周，一篇发表在《Science》上的Harvard研究刷了不少医生的朋友圈。标题翻译过来大概是：AI在急诊分诊中诊断准确率超过了人类医生。

数字很直接：在患者刚进急诊、信息极其有限的早期分诊阶段，OpenAI的o1模型给出正确或接近正确诊断的比例是67%，而同样条件下的两位人类医生，只有50%到55%。

你看，如果把这当考试，满分100分，AI考了67，医生考了50到55。

按照惯例，这时候你应该焦虑一下，转发一下，感叹一句"医生要被替代了"。

但我读完这篇论文，反应恰恰相反——我是兴奋的。

而且我兴奋的点，不是AI考了67分。恰恰相反，我兴奋的是：它只考了67分。

你先别急，听我说完。

先看清楚，AI到底赢在哪里

这次Harvard的研究，发表在《Science》上，不是那种"让AI做几道选择题"的简单测试。它更像是一场正经的医学能力考试，而且连考了好几科。

研究团队让OpenAI的o1模型完成了五项不同的临床任务：读病历、做诊断、选下一步检查、评估预后、制定治疗方案。五科考下来，AI的表现全部持平或优于人类医生。

其中有一科特别夸张：临床推理能力评分。评的是你的诊断思路讲不讲得通、下一步安排合不合理。AI在98%的病例上拿了满分，而主治医师只有35% 。

你没看错，98%对35%。

但研究者自己说，这五科都不是最重要的那场考试 。

最重要的是第六科——真实急诊模拟。

他们从波士顿Beth Israel医院的急诊室里，选了76个真实病人的电子病历，然后把每个病例切成三个阶段，模拟真实的急诊流程：

🔹 第一阶段：病人刚进急诊，护士登记了几句主诉，加上生命体征。信息极其有限。 🔹 第二阶段：医生开始评估，信息多了一些。 🔹 第三阶段：检查结果陆续出来，信息相对充分。

AI和两位人类医生，拿到的是一模一样的电子病历文本。结果：

早期分诊阶段，AI领先医生超过10个百分点。信息充分之后，差距缩小了，但AI仍然保持领先。

这里有一个特别值得说的案例。有个病人因为肺栓塞入院，抗凝治疗后症状反而加重。两位人类医生都觉得是抗凝药效果不好。但AI注意到了一个细节——病人有狼疮病史。AI据此推断，肺部炎症可能不是栓塞本身的问题，而是狼疮引起的。后来证实，AI是对的。

这种"把病史里被忽略的线索串起来"的能力，恰恰是大模型在罕见病诊断上最被寄予厚望的方向。我之前专门写过一篇，感兴趣的朋友可以回看：

👉AI诊断罕见病，终于不再"瞎猜"了 | Nature最新突破。

今天我们继续聚焦急诊场景。

好，数字摆完了。单看这些数据，确实很容易得出一个结论：AI比医生强。

但这个结论，恰恰是我觉得最需要警惕的。

因为这次研究里，AI真正暴露出来的短板，比它的成绩更值得医生关注。

但真正值得兴奋的，是AI"考砸的地方"

看完上面那些数字，你可能已经开始焦虑了。

别急。我说我兴奋，不是因为AI赢了，是因为这次研究的设计，和以前那些"AI刷医学考试"的论文有一个根本的不同。

以前的AI医学研究，大多是让模型做标准化病例：整理好的、干净的、有明确答案的教科书式案例。那叫什么？那叫开卷考试做模拟题。AI在那种场景下考高分，说明不了太多问题。

而这次Harvard的研究，用的是Beth Israel急诊室里真实病人的电子病历 。研究者自己用了一个词来形容这些数据——“real-world, messy”，现实世界里的、乱糟糟的数据 。信息可能是不完整的，可能有偏差，可能护士记录的主诉和病人实际想表达的完全是两回事。

这才是"做真题"。

而AI在"真题"上考了67分。

你想想，如果一个医学生，从来只做模拟题能考95分，突然去急诊轮转，面对真实病人，只能考67分——你会觉得他"碾压了老医生"吗？还是觉得"嗯，这孩子终于开始面对现实了"？

我的感受是后者。

更重要的是，这篇论文很诚实地告诉你：AI这次做的"真题"，其实还是有限制的真题。它还有三条边界没有跨过：

第一，没有影像。

整个实验中，AI拿到的全部是文本——电子病历里的文字信息。没有CT，没有超声，没有X光。而你我都知道，急诊里大量的关键诊断——肺栓塞、主动脉夹层、骨折——是靠影像定的。纯靠文字，相当于让一个医生蒙着眼睛看病。

第二，没有长期病史。

急诊停留时间通常只有几个小时。这次AI处理的也就是这几个小时的信息。研究者Adam Rodman自己说得很直白：“如果是一个住院好几天的病人，信息量大了之后，我认为AI的表现会下降。” 

第三，没有非语言信号。

病人进来时脸色发灰、大汗淋漓、烦躁不安——这些信息，人类医生一秒钟就能捕捉到，但AI在这个实验里完全"看"不到。用研究者的话说，AI在这个实验里更像是"一个根据文字材料给出第二意见的远程会诊专家"，而不是一个站在病床边的急诊医生 。

所以你看，AI的67分，是在一个受限场景里考出来的。它还没跨过影像、长期病史和非语言信号这三道门槛。

但这恰恰是让我兴奋的地方——AI终于不躲了。它不再只做干净的模拟题，它开始啃真实临床里那些乱糟糟的硬骨头了。67分不是终点，是起跑线。

而且别忘了，这次用的o1模型是2024年底发布的。用Harvard研究者Thomas Buckley的原话说：“那在机器学习的时间尺度里，已经是古代史了。” 

新模型只会更强。问题是：当AI越来越强的时候，医生准备好了吗？

一个研究里没大声说，但医生必须警惕的发现

在所有对这篇Harvard研究的评论里，有一条被很多人忽略了，但我觉得它可能是整篇论文里最危险的暗线。

英国谢菲尔德大学的Wei Xing博士指出：实验数据暗示，当医生看到AI给出的答案后，可能会无意识地服从AI的判断，而不是独立思考。

他的原话是：

“This tendency could grow more significant as AI becomes more routinely used in clinical settings.” （随着AI在临床中越来越常规化使用，这种倾向会变得更加显著。）

这就是心理学里说的“自动化偏差”（automation bias）。

打个比方。你开车用导航，刚开始你还会看路牌、凭经验判断。但用了三年之后呢？导航说左转你就左转，哪怕你隐约觉得不对劲，你也懒得质疑了。直到有一天，导航把你带进了一条死胡同。

临床里也一样。AI说是肺栓塞，你还会不会坚持自己怀疑的主动脉夹层？AI给出的鉴别诊断列表里没有某个罕见病，你还会不会想到它？

当AI的准确率达到67%、82%甚至更高的时候，医生质疑AI的心理门槛会越来越高。而每一次不加质疑的服从，都是临床判断肌肉的一次萎缩。

这不是我一个人的担忧。

2026年年初，国家传染病医学中心（上海）主任张文宏教授专门谈到了这件事。

他明确表示，反对将AI系统性地引入医院的日常诊疗流程。

张文宏说，他个人用AI的方式是让AI对病例"先看一遍"，然后凭借自己深厚的临床经验，一眼就能看出AI哪里是错的。但他担忧的是——一名医生若从实习阶段就未经完整的诊断思维训练，直接借助AI获得结论，将导致其无法鉴别AI诊断的正误。

这句话你细品。

张文宏能"一眼看出AI哪里错"，是因为他有几十年的临床积累。但如果一个住院医师从第一天起就依赖AI给答案，他永远不会建立起那种"一眼看出错误"的能力。

这种能力的缺失，是隐藏在技术便利背后的深层隐患。

张文宏说的，其实和Harvard这篇论文的暗线是同一件事——只是一个发生在科研论文的数据里，一个发生在真实的住院医师培养现场。

AI最大的风险，从来不是它出错，而是医生不再怀疑它。

那医生到底该怎么和AI一起"做题"？

说到这里，你可能觉得：道理我都懂，那到底该怎么办？用还是不用？

我先给你看另一个实验的数据。这个实验的结论，可能比Harvard那篇更让你震撼。

2024年，一篇发表在JAMA Network Open上的随机对照试验，招募了50名美国执业医生（26名主治医师，24名住院医师），让他们在60分钟内完成最多6个临床病例的诊断。一组可以用ChatGPT Plus（GPT-4），另一组只能用常规资源（UpToDate、Google等）。

结果：

两组医生之间几乎没有区别（差2个百分点，P=0.60，无统计学意义）。

但GPT-4单独做，比两组医生都高出16个百分点（P=0.03，有统计学意义）。

你再读一遍这个结果：

• • AI单独考：92分。
• • 医生单独考：74分。
• • 医生+AI一起考：76分。

医生拿到了一个92分的"外挂"，最后只考了76分。

换句话说——医生加入之后，不是在给AI加分，而是在拖AI的后腿。

这才是真正值得每个医生反思的问题。

不是"AI会不会替代我"，而是——“我会不会用AI？”

我做了5期医学AI培训班，接触了几百位来自全国各地的医生。根据我的观察，医生在使用AI辅助诊断时，最常犯的三个错误是：

误区一：把AI当搜索引擎用。

只丢一句话过去——“胸痛鉴别诊断”——然后看AI给出的列表。这就像你把一个病人的主诉念给一位专家听，但不告诉他年龄、性别、病史、体征。专家能给你什么？只能给你一个教科书式的泛泛回答。

误区二：先有结论，再问AI。

心里已经觉得是肺炎了，打开AI只是想让它"确认一下"。这时候你看到的所有信息都会被你的大脑自动筛选——支持你结论的你记住了，反对的你忽略了。AI变成了你自我确认的工具，而不是挑战你盲区的工具。

误区三：AI一说不一样，就关掉。

AI给出一个你没想到的鉴别诊断，你的第一反应是"AI瞎说"，而不是"我是不是漏了什么？“——但Harvard那个狼疮+肺栓塞的病例告诉你，有时候恰恰是AI给出的那个"意外答案”，才是对的。

JAMA的数据本质上在说一件事：不是AI不够强，是医生还没学会怎么和AI协作。

这就像给你一辆赛车，但你还在用骑自行车的方式开它——不是车不好，是你没学会开。

那怎么办？我的建议只有三条，很具体：

第一，把AI当资深同事的会诊意见，而不是判决书。

可以参考，必须复核。你在临床上收到一份会诊意见，也不会直接照抄吧？你会看看它的逻辑通不通，有没有遗漏，和你手上的信息是否一致。对AI的输出，也应该是这个态度。

第二，学会"喂数据、读输出、挑毛病"。

给AI更完整的上下文（病史、体征、检查结果、你的初步判断），然后重点看AI给出了什么你没想到的东西。不是看它和你一不一样，而是看它能不能帮你拓宽鉴别诊断的范围。

第三，越用AI，越要刻意训练自己的独立判断。

这条听起来矛盾，但它是张文宏那句话的实操版。用AI没问题，但每次用之前，先自己想一遍。先形成自己的判断，再看AI的答案，然后对比差异。这样做的好处是：你永远保持着"独立思考在先"的习惯，AI只是你的校验工具，而不是你的思考替代品。

Harvard研究的共同作者Adam Rodman提出了一个概念，叫“三元医疗模式”（triadic care model）：未来的医疗不是"医生对病人"的二元关系，而是"医生 + 病人 + AI"的三角关系 。

在这个三角里，AI提供信息和推理，病人提供症状和偏好，而医生——医生的角色是做最终判断、承担责任、以及在AI出错时兜底。

这个角色，AI代替不了。但前提是——你得有能力兜得住。

AI考了67分，但真正的考试是给医生的

回到开头那个问题。

Harvard这篇《Science》论文发出来之后，很多人的反应是：“AI比医生强了，医生要被替代了。”

而我的反应是兴奋。

因为这是AI第一次认真地走进真实急诊、面对真实的乱数据、并且诚实地暴露出自己的边界 。它不再只是在标准化考试里刷分，它开始做真题了。

67分不算高。但它代表的趋势，不可逆转。

而JAMA那篇文章告诉我们：AI的成绩会越来越高，但如果医生不学会怎么用它，人用了AI，也等于白用。

张文宏的警告也在提醒我们：如果年轻医生从来没有被训练过独立诊断思维，未来面对一个92分的AI，他连错在哪里都看不出来。

所以，真正的考试不是给AI的。

真正的考试，是给每一个正在执业，和未来即将执业的医生的。

你准备好了吗？

AI考多少分不重要，重要的是医生有没有意识到——从今天起，医生也在被考。

如果你觉得文章有用，欢迎转发给你身边的同事。如果你想系统学习怎么在临床和科研中用好AI，欢迎关注我的公众号和知识星球"医学AI思维营"。

刚好最近，我也开了一个“给医学人士的Openclaw课”。手把手带大家学会养“小龙虾”，用好小龙虾来赋能忙碌的医学工作，第一期已经开班，欢迎关注。

我们下篇见。

文中的文章链接：

https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2825395

https://hms.harvard.edu/news/study-suggests-ai-good-enough-diagnosing-complex-medical-cases-warrant-clinical-testing