放射科主任的一句话,让我把 AI 的边界看得更清楚

全文约 2144 字，阅读约需 4 分钟

搞影像的人，对 AI 研究得比我想象的深

那天下班后，开了一个会。

我们分管院长从肝胆外科出来，他一直想推进肝胆科的 AI 应用。这次专门组织了一场：请放射科主任讲 AI 在影像上的应用，请儿科主任讲儿童血液病的 AI 实践，再让我们信息科讲院内的整体 AI 应用进展。

大会议室里坐了三四十人。肝胆属于外科，老师们普遍很忙，在座的领导和各科的核心带教，都是百忙中抽空来的。

让我印象最深的，是放射科的主任。他讲的是 AI 在影像上的应用，我以为会是入门级的介绍。结果听下来发现，他对这套东西研究得比我预想的深得多。

AI 最早在医疗场景落地，就是从影像开始的。识别肿瘤、识别癌细胞这类有形态特征的东西，直觉上很适合用 AI 来做，应用也早。但效果一直没有想象中好。

他说了一句让我记住的话：

AI 认不出某个肿瘤，不是因为技术不行，是因为训练数据里没有这种肿瘤。

一个有经验的放射科医生看一张片子，凭积累能识别出一个"奇怪"的阴影属于肿瘤。但 AI 做不到这一步，因为它没有见过同类案例，没有在训练集里被告知：这种看起来奇怪的影像，是肿瘤。

AI 不擅长从"已知"推演"未知"。它能识别的，只是它见过的。

但数据不够，只是最浅的那层

散会之后，我把这件事在脑子里反复琢磨。

我越想越觉得，放射科主任道出了真相，但那句话只是一个入口。医疗 AI 进展慢，原因藏得比数据更深。

我们常拿 AI 在别的行业的落地速度做比较，写代码、做图做视频、智能客服，那是真的快。但医疗这边，明明是最需要它的地方，反而走得最慢。说不通，但又确实说得通。

首先是生命安全带来的容错边界。

AI 在其他行业犯错，代价是修复、道歉、优化；但在医疗，AI 如果判断错了，可能是漏掉了一个早期癌症，可能是误判了一个剂量。代价不是差评，是人命。

这让医疗 AI 的容错空间几乎为零。

但偏偏，AI 本身是有不确定性的。再精准的模型，输出也不是百分之百正确：这是模型的本质属性，不是技术优化能完全消除的。

这种天然的不确定性，和医疗决策对确定性的极高要求，是结构性的冲突，不是进步几代就能解决的事。

然后是政策和监管的时间成本。

医疗 AI 要真正落地应用，不能只是"好用"，得先拿到医疗器械注册证。这条路走完，少则一两年，多则三四年，还要做大量的临床验证、数据标注和安全审查。

等你拿到证，技术可能已经更新了好几轮。市面上的 AI 应用翻了好几番，但合法合规、能在医院里稳定跑的，还是那几个已经通过审批的系统。

这不是说监管是多余的。正好相反——这恰恰是医疗场景该有的谨慎。只是这种谨慎，注定让这个行业的节奏，和外面的世界拉开了一个时间差。

再往下，还有数据的结构性问题。

不只是因为稀有病例少。更重要的是，医疗数据是最敏感的隐私数据之一，各家医院的数据没法随便拿出来合并训练。患者信息保护、数据安全合规、伦理审查，每一关都得单独过。

加上各医院系统不一、数据格式参差不齐，光是数据清洗这一步就能消耗掉大量资源。数据孤岛的问题，不是一家公司能解决的，得靠顶层设计推动。

最后是投入产出比的现实困境。

医院现在本身日子也不好过（这一点我之前写过）。推 AI，需要算力、标注、部署和持续维护，不是一次性投入，是长期的成本。

收益在哪？效率提升了多少？能折算成节省的人力还是多接的患者？大多数时候算不清楚。

算不清楚，就难以立项。立了项，又不知道怎么考核。负责推进的人，要承担试错的风险，又看不到明确的收益。这是很现实的处境，很多人最后选择不动。

失落后，我想清楚了一件事

听完几位主任的分享后，我专门就怎么更快推进 AI 在我们科室的建设的问题，跟 AI 对话了多轮。

说实话，有点失落。

不是对这场会失落，是对 AI 在医疗里的现状有点失落。

散会前，我以为 AI 在医疗进展慢，主要是数据的问题，多攒一些就能追上来。散会后越想越明白，数据只是堵着的第一道墙，后面还有安全、政策、成本、责任，一道叠着一道。

而且这些墙，不是技术能单独推倒的。需要整个系统配套：数据共享的顶层设计要走、监管路径要优化、责任边界要厘清、医院管理层的长期投入意愿要形成。

这些都很慢。慢到让人着急。

但放射科主任说那句话的时候，他的语气不是抱怨，是陈述。他把 AI 的边界讲得很清楚，也接受这个事实。

我觉得这是一种比较成熟的方式。不是说 AI 不行，也不是说这些限制不该存在，而是把复杂的现实摆出来，然后在有限的空间里找到能推进的事。

写在最后

那场会结束之后，我脑子里多了几个问题。

不只是"这个 AI 见过哪些数据、训练集够不够"这种技术问题，而是更往上一层：这个项目的监管路径走通了吗？数据来源合不合规？出了问题谁来担责？医院有没有长期投入的意愿？

这些问题，在推其他行业的 AI 应用时，很少需要问这么多。但在医疗，它们几乎是必答题。

想清楚这一层，才算真正搞明白医疗 AI 为什么走得这么慢：

不是大家不努力，而是这个场景里，谨慎本身就是答案的一部分。

（2025年4月15日记录，2026年6月13日补充整理）

— 长按或扫一扫，加我好友 —