AI越来越聪明,却可能根本没有看清病人

医疗AI下一阶段的瓶颈，也许不在算法

在国际医疗科技行业工作近三十年，我反复看到一个现象：一些技术上很有前景的医疗传感项目，到了产品化阶段，往往因为验证周期长、市场规模有限，很难获得持续投入。

这并不奇怪。

医疗设备对传感器的要求，通常比普通工业产品更高。它可能要接触人体，要在复杂环境中长期稳定工作，出现误差时，还可能影响诊断和治疗。

但这些年，行业里最受关注的却是另一件事：医疗AI。

人们谈大模型、算力、医学影像、辅助诊断，也开始讨论AI能否帮助医生更早发现疾病。

这些都很重要。

不过有一个更基础的问题，常常被忽略：AI判断病人的信息，最初是从哪里来的？

AI不能直接看见病人。它看到的，是病历、影像、检验结果，以及各种设备和传感器替它采集到的信号。如果关键变化没有被捕捉到，AI就无从知道。传感器如果测得不准，算法再先进，也只能在不完整，甚至错误的信息上作判断。

最近，《Nature Sensors》邀请五位来自材料科学、生物医学工程、神经科学和机器人领域的学者，讨论未来传感技术的十个关键问题。其中有一个判断很重要：传感阶段丢失的信息，计算是无法找补回来的。

这句话听起来简单，却点中了医疗AI的一处根本限制。我们花了大量资源训练AI的"大脑"，却未必给了它足够可靠的眼睛、耳朵和触觉。

不是所有医疗AI都需要新传感器

先把边界说清楚。

整理病历、查询医学知识、分析已经完成的医学影像，或者帮助医院改善运营，这些AI应用可以利用已有数据，并不一定依赖新的传感器。

但当AI从"阅读资料"走向"理解病人"，情况就不同了。

它需要知道的，不只是患者上一次到医院时发生了什么，还要了解他现在怎样、过去几天怎样、夜间怎样、运动时怎样、服药以后又怎样。

这些信息不会自动出现在病历里。

一个人在门诊量血压正常，不代表他夜间没有异常波动。

一次心电图没有发现问题，不等于偶发性心律失常不存在。

一位老年人在医生面前走路尚可，也可能已经在家中出现步速减慢、平衡下降或者活动范围缩小。

传统医疗看到的，常常是少数几个时间点。

疾病的发展，却发生在这些时间点之间。

未来真正有价值的医疗AI，不能只会阅读过去留下来的记录，还要理解身体正在发生的变化。

这一步，离不开可靠的感知。

传感器离普通人并不远

"传感器"听起来像一个工业名词，其实它早已进入我们的健康生活。

连续血糖监测就是一个很容易理解的例子。

过去测血糖，通常是在某一个时间点扎手指。现在，一枚贴在皮肤上的小型传感器，可以记录一整天的变化：吃完饭以后升了多少，运动以后降了多少，夜里有没有低血糖，药物是否真正起作用。

它带来的不只是更多数字。

它把一次检查，变成了对身体变化过程的理解。

对中老年人来说，未来更有意义的，可能是另一类系统。

它不只是测一次心率，而是长期观察一个人的步速、睡眠、平衡和日常活动范围。

单独看，每一项变化也许都不明显；放在几个月里看，却可能比一次门诊检查更早提示身体正在发生什么。

手术机器人也是一样。

机器人可以通过摄像头看见人体组织，但如果没有可靠的力觉和触觉传感，它未必知道自己碰到的组织有多软，夹持力量是不是太大。

它可以看见，却不一定真正有感觉。

传感器把变化捕捉下来，AI再判断这些变化是否具有意义。

没有前者，后者就只能猜。

真正被低估的是哪一类传感器

并不是整个医疗传感器行业都受到冷落。

连续血糖监测、血氧监测，以及部分可穿戴心电产品，已经形成规模。但是至今可靠独立的连续测血压产品依然没有问世。

真正更容易被忽视的，是植入式、临床级、专科化，而且需要高度定制的医疗传感器。

它们可能只服务于一种疾病、一类设备，或者一个很具体的临床场景。全球需求也许只有几千只，或者几万只。

但要求却一点不少：长期漂移能不能控制，不同病人之间是否稳定，材料老化以后设备是否仍然可靠，发生故障时系统能不能及时发现。

数量不大，开发周期却很长；商业收入有限，质量责任却很重。

站在传感器企业的角度，这确实不是一门容易做的生意。

所以，问题不能简单归结为"传感器行业不重视医疗"。

更准确地说，现有产业机制更适合大批量、标准化的市场，却不太适合高价值、小批量、长周期的临床需求。

很多项目缺的未必是实验室能力，而是把一个样品变成可靠产品所需要的时间、工程能力和资本耐心。

AI不能把差传感器变成好传感器

现在有一种很有吸引力的说法：既然AI可以从噪声中寻找规律，那么传感器是不是不必再做得那么好？

这个判断只对了一半。

AI确实可以帮助降噪，也可以把多个信号放在一起分析，从复杂数据中发现传统方法不容易识别的模式。但它无法跨越一个基本限制：没有采集到的信息，算法无法凭空恢复。

真实医疗环境中的信号，也不会一直像实验室里那样干净。

患者出汗、贴片松动、佩戴位置变化，或者材料随时间老化，都可能造成读数偏移。算法并不知道这种变化来自病人，还是来自设备。如果系统缺乏自检和校准能力，就可能把传感器的问题误认为病情变化。

所以，医疗传感器进入临床决策链以后，不能只负责输出一个数字，还要能说清楚这个数字有多可靠、误差大概有多少、异常究竟来自患者还是来自设备本身。

《Nature Sensors》的讨论特别强调，AI时代的高性能传感器，不能只看灵敏度、分辨率和信噪比，还要看它是否捕捉了真正与下游任务有关的信息。

医疗AI真正的工作链条，也不只是"数据—算法—结论"这么简单，在此之前还有更长的一段：人体信号—传感—校准—数据—算法—临床解释—医疗行动。

最前面出了问题，后面的环节再聪明也无济于事。

中国的机会，不只是把传感器做得更便宜

中国并不缺基础。

我们有较强的材料研究能力，有完整的电子制造体系，有大量医院和临床资源，也有越来越多的医疗设备和AI企业。

问题是，这些能力还没有真正连起来。

实验室关心论文和器件指标。

传感器企业关心能不能快速放量。

医疗设备公司更愿意使用已经成熟的元件。

医院掌握临床问题，却不容易长期参与上游开发。

AI企业则常常默认高质量数据已经存在。

中国真正缺少的，可能不是某一枚传感器，而是一种把这些参与者更早组织起来的方法。他们首先要讨论的，不应该是"灵敏度能做到多高"，而应该是哪一个临床变化真正值得被提前发现。

临床问题说不清楚，传感器就不知道该测什么，AI也不知道该判断什么。

但测得更多，并不等于更好的医疗

强调传感器的重要性，并不意味着应该把每个人一天二十四小时都监测起来。

传感器越深入人体和生活，边界问题越不能回避：这些数据归谁，患者能不能随时停止采集，保险公司能不能把持续监测作为承保条件，没有明确临床意义的数据会不会制造焦虑和过度治疗。

《Nature Sensors》的讨论提醒我们，传感技术并不是中立的。它会影响谁被看到、谁被测量、谁受益，以及谁承担风险。

所以，未来的目标不是"什么都测"。

而是把真正具有临床价值的变化可靠地测出来，同时给不应该被侵犯的部分留下边界。

医疗AI需要的，不只是更聪明的大脑

医生判断一个病人，不只靠医学知识。

他还要观察、倾听、触摸，并且理解患者在一段时间里的变化。

未来的医疗AI也一样。

芯片决定机器能算多快。

算法决定机器怎样处理信息。

传感器决定机器究竟看见了什么。

当AI还停留在分析已有病历和影像时，这一点未必明显。

但当它真正走进病房、手术室、家庭和人体，可信感知就会成为无法绕开的入口。

这个问题还可以继续往下谈。

下一篇，我想讨论一个更现实的话题：为什么汽车传感器可以成为一门大生意，许多重要的医疗传感器却始终走不出实验室？