夜雨聆风今年6月，美国食品药品监督管理局（FDA）授予Aidoc公司一项突破性设备认定，对象是一个能自主解读影像并生成报告的生成式人工智能工具。这个名为First Read的系统，可以从胸部X光片中识别上百种异常，并直接起草供放射科医生审阅的报告初稿。突破性认定意味产品将进入优先审评通道，而此时FDA对生成式AI医疗器械的监管路径仍在摸索之中，业界关于最佳实践与患者安全的讨论远未停歇。Aidoc首席执行官Elad Walach在一次访谈中，解释了First Read背后的技术逻辑与安全考量。
一条模型链，一次端到端的尝试
First Read并非简单调用一个大模型。Walach描述，它更像一条精密的生产线：先由检测模型捕捉影像中的异常征象，再将这些发现生成自然语言，最终整合成一份结构化的报告。
它输出的是一份报告，但背后串起了一整条模型链。检测端能覆盖超过100种疾病，然后自动拟出完整报告。这是AI诊断第一次真正实现端到端。
这种“全流程覆盖”意味着，影像从机器出来后，可以不经过人工初筛，直接由AI完成初步解读和报告撰写。但Walach也强调，想做到这一点，模型必须足够可靠。“我们都能把X光片扔给ChatGPT，然后拿到一份报告，但要把这件事做对极其复杂。对绝大多数病例，它得表现得差不多像一位人类医生，否则人家根本不会用，宁可自己动手。”
安全阈值：靠海量数据，更靠精妙验证
面对一个覆盖上百种疾病的系统，如何确保它在每一种病症上都能维持高准确度？Walach的回答直指两条路径：一是模型的训练强度，二是验证体系的完备性。
过去一年，Aidoc融资超过3亿美元，其中相当部分被用于数据训练。“训练这些模型非常烧钱，没有任何捷径，就是得喂海量数据。”而在验证端，挑战更为复杂——当模型能同时识别如此多样的病变，传统的逐一验证方案几乎不可行。这也是Aidoc主动走向突破性通道的原因之一：借与监管机构的紧密互动，探索跨病种的安全验证范式，并将安全管控从上市前延伸至真实世界应用全过程。
在医生工作流里，做一个可信的“第一读者”
工具的名字——First Read，已经揭示了它的定位。AI完成第一轮“粗读”，生成报告草稿，放射科医生随后审阅、修改并签发最终版本。Walach用一个比喻解释这对日常工作的影响：
如果我给你的草稿在大部分时候都糟糕，或者老出错，你很快就会丧失信任，宁愿自己从头写。但如果我总能交出一份高质量的初稿，那它就会慢慢变成新的工作标配。
这实际上对模型提出了一个近乎苛刻的要求：不仅要“能用”，还要“好用到让人愿意依赖”。而这种依赖又会引出新的隐忧：医生会不会因为过度参考AI的建议而技能退化，或者被AI的判断过度锚定？
对自动化风险，保持清醒的敬畏
Walach坦言自己同样担忧自动化带来的副作用。“在我看来，最大的风险就是过度自动化。我们必须预见到它的到来，并主动缓解它。”他提出的缓解策略，核心在于工作流设计——确保持续的人为监督，并且要求人在关键节点必须做出明确的决策动作。
“至少在技术赢得更多信任之前，你得让医生始终握有方向盘。”同时，系统也需要透明地告知使用者：它在哪些类型的病例上特别擅长，在哪些情境下表现可能偏弱。这种透明并非炫技，而是规避风险的必要条件。
下一步：一年半内覆盖CT与X光主要病种
获得突破性认定只是开始，距离真正拿到FDA许可，Aidoc还需要完成临床试验。Walach透露了一个颇具雄心的路线图：在未来一年半内，将First Read的能力扩展到几乎覆盖CT和X光上的所有主流疾病。“一年前我绝不敢说这种话，因为那时候我根本不认为有可能做到。”但他同时补充，安全永远是底线，“如果某个模块没能达到安全与质量阈值，哪怕多花一年时间，我们也绝不会让它上市。”
当生成式AI从实验室走向诊室的脚步声越来越近，Aidoc的尝试像一面镜子，映照出一个行业在效率渴求与安全审慎之间的反复权衡。而这场对话中反复出现的那个词——信任，或许才是整个故事最关键的注脚。