尽管人工智能（AI）辅助诊断有望成为未来医疗领域的新标准，但近期一位宣称“我每天都在使用AI方案”的放射科医师在美国国家医学院研讨会上提出更令人信服的例子，切实表明了AI带来的前景与可能面临的风险。

十多年以来，AI支持的诊断图像分析已经颇为常见，其“影响着我所遇到的每一位病人”，来自北卡罗来纳州格林斯博罗的执业放射科医生、Radiology Partners创新部署总监Jason Poff博士表示。该机构的自有及附属诊所掌握的医学影像在全美占比高达10%左右。

从好的方面来看，AI技术“能够还原一个早在10年之前关于特定事件的样貌”，利用患者记录中的不同数据整理出结构化概述。它还可以在各种意外的临床状况之下检测出异常：例如一位56岁的女性感到左胸疼痛，没有外伤史，放射科医生竟然漏诊了她的肋骨骨折。与人类放射科医生不同，人类可能会在对复杂病例的诊断达到一定数量之后陷入停滞，诊断能力再无寸进；而AI却可以提炼出一切可能性，而不会因为病理学层面的影响因素而分心。

但Poff同时提醒称，“这份收益也绝非纯利无弊，最大的问题在于无法给出确定性的结论。我们花了很多时间深入研究各种失败模式，并意识到AI可能会误导用户。”

AI方案既可以产生误报，导致人类不得不越过AI“以阻止不必要的手术干预”；也可能产生漏报，例如忽略了其训练场景下未曾接受过的重要发现。此外，AI诊断的准确性在不同案例之间的表现也是参差不齐。

Poff补充称，这种不确定性“正是AI方案一直在努力解决的问题”，不过他似乎刻意回避了人类医生也有可能出现同样的情况。

关键在于人类如何与AI交互。例如在实时诊疗病患时，“到底应该在多大程度上信任AI提供的建议？”Poff的建议是，也许可以通过一系列评判指标来反映患者的潜在诊断意见是否处于AI训练的领域之内，例如可能超出领域或者肯定已经超纲。

纽约大学格罗斯曼医学院放射学系研究副主任 Yvonne Lui 博士指出，资金问题也是个很大的难点。在她看来，“AI工具对于人类社会的实际贡献和造成的成本尚不明确”，因为这些工具本身可能非常昂贵。例如，当她的团队尝试使用AI来扫描可能患有乳腺癌的患者的补充影像以降低非必要的复诊时，复诊率、医疗成本以及患者的焦虑感实际上不降反升。

她认为，“我们必须找到能够在AI工具的支持下明确受益的具体用例。”

同样的，Poff团队也试图使用AI来检测气胸（肺塌陷），并发现所有真实病例都能由放射科医生检测发现，但其中同样存在误报比例。

尽管面对挑战，但放射科医生们预测，为了及时处理大量需要阅读和跟进的医学影像，AI技术的应用范围将不可避免地逐步扩大。

最近一项研究似乎给AI技术的适当应用指明了一条道路。这项研究展示了人类与AI交互时带来的积极变化。今年3月发表在《自然医学》杂志上的研究论文发现，AI技术提高了一部分放射科医生的诊断准确率，但同时也干扰了另一部分医生的判断。在后一种情况下，某些本应否决AI建议的临床医生似乎在被带着走，而能够从建议中受益的临床医生则仍能坚持自己的判断。由此看来，临床医生自身的实际经验、专业知识和决策风格成为左右成效的关键。

一位高级研究员在哈佛医学院发表的相关新闻稿中表示，“我们的研究提示了机器与人类间的交互微妙性与复杂性。”

“机器”本身也同样是矛盾的综合体。在简要概述AI从基于规则的模型转向深度学习、再演进至大语言模型的整个过程时，Google Health首席临床官Michael Powell博士警告称“现实世界混沌杂乱，技术细节往往决定一切。如果将不同类型的AI方案混为一谈，很可能无法实现理想的有效性或者安全性。”

但他同时补充称，“这也带来了令人难以置信的机遇。我们知道未来一定会朝着这个方向发展，只是不确定这个未来是10年之后还是100年后。”