如果一台机器能够给出疾病名称，却无法让人放心依靠它找出病因，我们究竟买到了什么？这是悬在医疗 AI 头顶的尴尬问题：理论演示光彩夺目，临床落地却十分脆弱。最新研究并非否定这项技术的价值，而是向投资者、医院与供应商揭示一个更令人不安的现实：在受控测试环境下具备诊断能力，不等于能在真实世界发挥效用。真实临床场景里，患者数据往往残缺、混乱甚至存在误导，如同变幻莫测的天气，而非工整的几何题。
这种陷阱并不陌生。金融领域，不少模型在市场环境变化后便失效；军事领域，作战计划一经接触实际战况就需要调整。医疗领域同样如此。一套系统可以在限定场景中完成精准的诊断操作，却难以通过真实诊疗的考验。市场偏爱干净平滑的性能曲线、打磨精良的产品演示，以及 AI 必将重塑医疗的叙事。但临床现实并不迎合这类叙事，它青睐能够承受各类不确定性冲击的系统，而非仅在理想环境下表现优雅的模型。
4 月 13 日发表于《JAMA Network Open》的一项研究，使用 29 个标准化临床病例对 21 个 AI 模型开展测试。研究显示，当患者信息不全时，模型鉴别诊断失败率超过 80%。而信息残缺恰恰是临床工作的起点，医生极少拿到完整、规整的病历资料。在数据完备的条件下，这批模型表现明显改善，最终诊断失败率降至 40% 以下，头部模型准确率甚至超过 90%。亮眼的成绩背后藏着陷阱：一台擅长在谜题几乎解开之后报出答案的机器，还不能算作可靠的解谜者。
麻省总医院布莱根健康体系的阿里亚・拉奥作为该研究第一作者，清晰点明了其中差异：“当数据齐全时，这些模型很擅长给出最终诊断；但在病例初期信息匮乏的开放场景，它们会陷入困境。” 这不是一个可以忽略的小瑕疵，而是问题的核心。诊断的第一阶段不是比拼谁给出最终答案更快，而是在信息不确定状态下开展信息搜寻。这正是临床医生价值所在，也是脆弱 AI 模型暴露短板的场景。
这是工程领域常见误区：把负载测试结果等同于真实使用表现。一座在实验室静态承重测试中合格的桥梁，不代表能够抵御风暴、地基沉降、疲劳损耗、结冰与持续车流的叠加考验。同理，通过基准测试的医疗 AI，遇到相互矛盾的症状、残缺病史或非教科书式病例时依然可能出错。这不是抽象层面的技术缺陷，而是发生在风险边缘场景的失效，伤害往往由此产生。
本次 JAMA 研究纳入 OpenAI、谷歌、Anthropic、xAI 与 DeepSeek 的模型。重点不在于各家排名高低，而在于警示：这并非单一厂商的问题，属于结构性短板。众多模型共享同一弱点，说明问题不在于品牌，而在于任务本身的特性。封闭式标准化题目适合模型完成模式补全；真实医疗需要在模糊信息下做出判断，这项能力更难规模化复制。
而证据缺口，远比行业宣传所呈现的更大。AuntMinnie 援引《PLOS Digital Health》的研究显示，1357 款获得 FDA 许可的 AI 医疗设备中，仅有 3 款（0.2%）经过死亡率、再入院率这类以患者结局为核心指标的验证。放射学领域，1059 款获批 AI 设备里仅 3 款（0.3%）完成前瞻性临床试验。这不是微小的统计误差，而是行业信号：大量设备拿到审批，但配套的临床获益证据储备严重不足。
同一研究还发现，62% 的 AI 设备相关研究采用样本量小、人群同质化的数据集，常将孕妇、儿童与非英语人群排除在外。换言之，现有证据基础不仅单薄，覆盖人群也存在明显局限，而医疗恰恰需要面向多元人群。这是典型的机构性偏差：不断优化容易量化的指标，再宣称结果具备普适性。一份剔除疑难病例的样本，就像一张抹去山脉的地图，却声称完整还原地貌。
设备获批，不等于患者获益。麻省理工重症医学团队的塞巴斯蒂安・阿・卡哈斯・奥尔多涅斯从另一角度阐释：“我们本就预料证据基础薄弱，但没想到仅有 3 款设备完成患者结局验证。” 他同时指出，510 (k) 审批路径下，获批仅代表设备与已上市产品实质等同，并不代表使用该设备能改善患者状况。这一点很多采购方不愿深究：获批只代表产品和现有产品大体相当，不等于带来增量收益。
这一区分至关重要。医疗领域，不能单凭软件指标评判 “够用”。模型或许可以减轻文书负担、加快分诊、整理信息，这些都是实实在在的价值。但如果宣称它能够改善诊疗质量，举证责任就不能停留在工程层面的性能指标，必须转向临床结局。否则行业会落入现代系统最古老的误区：把行动等同于价值。仪表盘可以持续亮起，但底层系统可能持续过热。
投资者尤其容易被这套叙事吸引，它自带一种必然实现的想象：AI 技术持续进步，医疗市场体量巨大，广阔市场静待挖掘。这套叙事足以打动着眼未来的资本。但市场常常为简化复杂现实的线性趋势支付过高溢价。人脑天然倾向外推预测，因为怀疑与审慎成本更高。可概率规律会惩罚这种廉价推演。在医疗领域，错误虽不常发生，但后果严重；平均表现再好，尾部风险才是重中之重。一次充满自信的错误判断，足以抵消上百次正确建议。
所以医疗 AI 不只是软件故事，更是治理故事。核心问题不在于模型输出听起来是否智能，而在于使用这套系统的机构能否量化伤害、监测模型漂移、拒绝把性能演示直接等同于临床获益。博弈论中，这是普通信号与可信信号的区别。任何主体都可以宣称产品性能优异，但很少有人能在无法人为美化的真实条件下证明。
麻省理工重症数据团队提出一套三阶段证据阶梯：0 期回顾性验证；1 期至少 500 名受试者的前瞻性研究；2 期至少 2000 名受试者的多中心结局试验。团队同时呼吁，II 类与 III 类 AI 医疗设备的前瞻性试验需要在 FDA 预先注册。这并非多余的官僚程序，而是为了防止行业在实验室宣告胜利，便直接当作临床可用的医疗方案。
完善的证据阶梯不是反对创新，而是让创新具备持久生命力。工程层面，设计方案需要经受荷载、疲劳与时间考验才能获得信任；生物层面，性状存续依靠适配持续变化的环境；金融领域，优秀系统不是能够预判每一次波动，而是在预测出错时依然保持稳健。医疗 AI 也应当适用同类标准。目标不是让模型看起来睿智，而是在模型不确定时，让整套诊疗体系更加安全。
不少人会认为，技术持续迭代就能解决所有问题。或许未来可以，但市场与机构不应按照 “修复方案已经落地” 的前提进行投资。仅在完整数据输入下才能稳定发挥的系统，依然依赖理想条件。而理想条件从来不是医疗行业的常态：患者就诊时间偏晚、意识混乱、焦虑或承受剧痛；病历记录残缺；症状相互重叠；语言、年龄与就医条件，都会影响信息采集与判断。
正因如此，现有实证远比行业宣传叙事更值得重视。它证明医疗 AI 在规整、受限环境中表现强劲，但在诊疗初始阶段很容易失效。同时也暴露验证链条最关键环节的短板：缺少患者结局数据、样本人群单一、缺少贴近真实诊疗场景的前瞻性试验。结论不是拒绝 AI 工具，而是停止把流畅的模型输出等同于临床事实。医疗和资本市场同理，过早乐观的代价，往往由最无力承受后果的人承担。
