指导单位:北京市科学技术协会
主办单位:北京科普发展与研究中心
支持单位:中国科学院大学科协、北京声学学会、北京光学学会、北京气象学会、微博科普
科学答疑社

AI看病比医生准?别被“准确率”骗了,这5个真相很关键

  今年以来,“AI看病”的新闻一条接着一条。1月,OpenAI推出ChatGPT Health,美国用户可以把病历和健康类应用的数据接入对话。该公司称,每周有超过2亿人在ChatGPT上咨询健康问题[1]。4月底,《科学》杂志发表了哈佛团队的研究:在76份真实急诊病历上,一款AI推理模型给出正确诊断的比例约为67%,参与比较的两位内科主治医生分别为55%和50%[2]。在国内,国家卫生健康委等五部门于2025年底印发《关于促进和规范“人工智能+医疗卫生”应用发展的实施意见》,提出到2030年基层诊疗智能辅助应用基本实现全覆盖[3]。

这些消息很容易让人产生一个印象:AI已经比医生看得准了。要判断这个说法对不对,得先弄清楚“准确率”到底能说明什么。


一、准确率本身可能误导人


image.png

  图片由AI生成

  假设某种病的发病率是千分之一,一个模型不管面对谁都判断“没病”,它的准确率就是99.9%,可它一个病人也没有找出来。所以医学上评价诊断工具,更看重另外两个指标:灵敏度,指真正有病的人里被查出来的比例;特异度,指没病的人里被正确排除的比例[4]。同时还要考虑漏诊和误诊分别会造成什么后果。在急诊漏掉一例脑出血,和把普通感冒误判成流感,代价完全不同。只报一个总的准确率,很多关键信息就被掩盖了。


二、考试成绩不等于诊室表现

今年2月,牛津大学团队在《自然·医学》上发表了一项近1300人参与的随机试验。研究者把医生编写的完整病例直接交给大模型,模型识别出疾病的正确率达到94.9%。但换成普通人描述症状、和模型对话之后再自己做判断,能找出相关疾病的比例不到34.5%,和用搜索引擎等传统方式的对照组没有差别[5]。

原因主要有两个。一是用户不知道该告诉模型哪些信息,描述常常不完整甚至不准确。二是模型给出的建议好坏混杂,用户分辨不出哪条可靠。研究中还出现过这样的情况:两段相似的脑出血症状描述,得到的建议截然不同,其中一条是让人在家休息[5]。

回头看哈佛的研究,也需要冷静解读。病例来自一家医院,比较对象是内科医生,不是急诊专科医生。论文作者自己也明确提出,下一步需要在真实诊疗中开展前瞻性试验[2]。真实看病时,信息是医生通过问诊、查体、开检查一步步获得的,不会整整齐齐地摆在面前。


三、换一批数据,表现可能就变了

美国一家大型电子病历公司开发过一款脓毒症预警模型,在多家医院使用。2021年,密歇根大学的研究者用本院近3万名住院患者的数据做了独立检验,发现模型的区分能力明显低于开发方公布的水平,约三分之二的脓毒症患者没有被它提前发现,同时它又对大量患者发出了警报[6]。

不同医院的设备型号、病人构成、病历书写习惯都不一样。模型在训练时很少见到的人群、地区和罕见病,往往就是它最容易出错的地方。这也是国内实施意见把“建立高质量数据集”列为首要目标的原因[3]。


四、说不清理由,医生就没法核对

AI如果只给出一句“恶性可能性大”,医生需要知道它依据的是影像中的哪个区域、化验单上的哪项指标,才能判断这个结论站不站得住。大模型还存在“幻觉”问题,可能编造不存在的检查结果或文献。目前国内一些医院的院内大模型,要求每条诊断建议都能追溯到原始文献,就是为了让医生能够查证。


image.png

  图片由AI生成


五、出了差错,由谁负责

我国2022年发布的《互联网诊疗监管细则(试行)》明确规定,处方应由接诊医师本人开具,严禁使用人工智能等自动生成处方[7]。也就是说,AI给出的是参考意见,诊断和治疗的决定由执业医生做出,责任也由医生和医疗机构承担。此外,病历属于高度敏感的个人信息。ChatGPT Health上线时专门说明,健康对话存放在独立空间,不用于训练模型,病历接入功能目前也只在美国开放[1]。数据怎么存储、谁能调用、患者是否知情,都是AI进入临床前必须回答的问题。


结语

AI医疗的方向是“增强医生”,而不是“取代医生”。它擅长快速检索、整理信息、提示可能被忽略的疾病,可以帮助医生减少疏漏、节省时间。对普通人来说,可以用AI整理症状、看懂化验单上的术语、提前准备想问医生的问题。如果出现胸痛、剧烈头痛、意识不清等情况,应当直接就医。AI给出的诊断和用药建议,一定要请医生核实后再采纳。


参考文献

[1] OpenAI. Introducing ChatGPT Health[EB/OL]. (2026-01-07)[2026-10-28]. https://openai.com/index/introducing-chatgpt-health/.

[2] Brodeur P G, et al. Performance of a large language model on the reasoning tasks of a physician[J]. Science, 2026, 392: 524-527. DOI: 10.1126/science.adz4433.

[3] 国家卫生健康委办公厅, 国家发展改革委办公厅, 工业和信息化部办公厅, 等. 关于促进和规范“人工智能+医疗卫生”应用发展的实施意见: 国卫办规划发〔2025〕30号[Z]. 2025.

[4] Altman D G, Bland J M. Diagnostic tests 1: sensitivity and specificity[J]. BMJ, 1994, 308(6943): 1552.

[5] Bean A M, Payne R E, Parsons G, et al. Reliability of LLMs as medical assistants for the general public: a randomized preregistered study[J]. Nature Medicine, 2026, 32(2): 609-615. DOI: 10.1038/s41591-025-04074-y.

[6] Wong A, Otles E, Donnelly J P, et al. External validation of a widely implemented proprietary sepsis prediction model in hospitalized patients[J]. JAMA Internal Medicine, 2021, 181(8): 1065-1070. DOI: 10.1001/jamainternmed.2021.2626.

[7] 国家卫生健康委办公厅, 国家中医药管理局办公室. 互联网诊疗监管细则(试行): 国卫办医发〔2022〕2号[Z]. 2022.


  作者:李雪,北京协和医学院药理室 副研究员



返回栏目 返回首页