夜雨聆风
一张假CT骗过了76%的放射科医生
2026年4月，一项研究在放射学界炸开了锅。
研究人员用开源的Stable Diffusion模型，仅用20到30张真实的CT和MRI图像作为训练素材，就生成了大量足以以假乱真的医学影像。
然后，他们把真假影像混在一起，交给182名有执业资格的放射科医生辨认。
结果：识别假CT的准确率只有24%，换句话说，超过四分之三的专业医生，没看出那是AI画的。
一位参与测试的资深放射科医生事后说：“我盯着那张肺部的CT看了三分钟，纹理、边界、密度都正常，没有任何破绽。它就是一张真的CT。”
当专业医生用肉眼都无法分辨时，问题已经不是一个“技术成就”那么简单了。
从“辅助诊断”到“生成诊断”
过去两年，AI在医疗领域的故事一直是“辅助诊断”：帮医生更快、更准地看片子。这听起来是个好事。
但AI生成医学影像的逻辑完全不同：它不再“看”病，而是“造”病。
同样的技术可以生成一张有结节的CT，也可以生成一张健康的。如果这种技术被滥用，会产生什么后果？
设想一下：有人伪造一张带肿瘤的CT，用来骗保。有人用AI篡改自己的病历，获得本不该有的工伤赔偿。有人伪造竞争对手的体检报告，编造他“有病”的新闻。
这些不是科幻电影里的情节。AI生成医学影像的技术门槛，已经低到只需要20张图、一个开源模型。 任何有基本编程能力的人，花几个小时就能做到。
“仿真”还不是最可怕的
更令人不安的，是另一个可能性。
有研究者指出：如果AI可以生成医学影像，那么未来的科研数据造假将几乎无法被识破。
过去，学术造假需要真实的实验设备、真实的患者数据，造假成本极高。现在，一张假的MRI、一份假的CT序列，全部由AI生成，配合伪造的病历和检查报告，一篇“完美”的医学论文就诞生了。
2025年，某顶级医学期刊曾撤回一篇论文，原因是数据异常。但审稿人和编辑们承认：“如果当时作者提供了AI生成的原始影像数据，我们不可能发现问题。”
学术审查的防线，在AI面前形同虚设。
责任怎么算？
目前的医学AI监管框架，几乎全是针对“辅助诊断”设计的：要求AI系统的准确率、透明度和可解释性。
但AI生成医学影像，不属于“辅助诊断”，属于“内容生成”。它不需要“准确”，只需要“逼真”。 这个逻辑上的错位，导致现有的法律法规几乎完全覆盖不到这个领域。
美国FDA至今没有专门针对AI生成医学影像的审批或监管条款。欧洲的AI法案将这类应用划入“高风险”，但具体执行细则尚未出台。在中国，相关管理办法仍在征求意见阶段。
技术跑了，监管还在穿鞋。
医生、患者、每个人
这件事离普通人到底有多远？
76%的专业医生看不出假CT。普通患者去医院拿到一张影像报告，有哪怕一丝可能辨别真伪吗？完全没有。
这意味着，在AI生成医学影像这条链上，每一个环节都可能成为受害者，但没有人有能力成为“把关人”。
医生不具备分辨能力，患者不具备分辨能力，审核机构同样不具备。
有业内专家提出了一个可能的解决方案：为所有AI生成的医学影像嵌入“数字水印”。 每一张由AI生成的影像，在生成那一刻就被打上不可见的标记，任何后续篡改都会被识别。但这种技术远未成熟，更不用说推广到所有医疗机构。
在那之前，我们每个人可能都在裸奔。
技术本身无罪，但缺口需要被看见
必须说清楚：这项技术的初衷是善意的，可以用极少的真实样本生成大量高质量的训练数据，帮助AI模型更好地学习罕见病。在医疗资源匮乏的地区，这甚至有救命的价值。
但工具可以救人，也可以伤人。
当76%的医生都分不清真假时，这件事就不再是“技术爱好者狂欢”的范畴了。它需要监管跟上、需要行业建立标准、需要公众知情。
假CT只是一个开始。AI能生成影像，就能生成声音、视频、人脸、身份。当“真实”本身变得可疑，信任这件事就会变得前所未有的脆弱。
下次你去医院拍CT的时候，可能要多问一句：这张片子，是拍的，还是AI生成的？
如果没人能给你答案，那恰恰是问题所在。
在这个AI铺天盖地的时代，真正稀缺的不是答案，而是提出好问题的能力。
因为每一次高质量的提问，本质上都是一次深度的思考。
而思考，才是我们作为人最不可替代的东西。
一切，从提问开始。
