近期，国家传染病医学中心主任张文宏在一场论坛上明确拒绝将AI系统性引入医院病历系统和日常诊疗流程。他提到，虽然AI在肺结节识别、糖尿病视网膜病变诊断等单项任务中准确率能达98%，但这些数据多基于实验室环境——据公开报道，美国FDA2022年统计显示，医疗AI曾触发542次重大错误警报，其中23%直接导致误判；上海某AI影像系统还曾把正常血管变异误判为肿瘤，让17名患者做了不必要活检。更让他担忧的是：年轻医生若从实习阶段就依赖AI直接出结论，会丧失“看病人、想病情”的临床思维能力。
医疗AI的3个潜在风险：数据局限与临床适配性
AI的准确性高度依赖训练数据——若数据存在偏差，结论可能失真。例如某AI系统因训练数据中亚洲人占比低，分析东亚患者肺部影像时准确率下降15%；AI虽擅长匹配“类似病例”，却无法解释“青霉素过敏患者为何被推荐青霉素”这类逻辑矛盾。
真实诊疗场景比算法复杂：面对罕见病或多系统并发症的非典型病例，AI误诊率可达43%，而人类医生结合患者症状（如发烧、乏力）可将准确率提升至78%。更关键的是，疾病具有动态演变特征——患者退烧后突发呼吸困难时，AI的静态建议难以实时响应。
此外存在安全隐患：上海某三甲医院AI系统因未关联患者过敏史，险些将青霉素列为首选用药；某AI影像系统将血管变异误判为肿瘤，导致三家医院17名患者接受不必要活检，既增加经济负担又引发患者焦虑。
年轻医生的临床能力面临挑战：警惕AI依赖
部分实习医生过度依赖AI，导致基础诊断能力退化——上海某医学院调查显示，习惯使用AI的实习医生在无辅助时诊断信心下降37%；放射科医生长期依赖AI阅片后，肉眼识别敏感度平均降低22%，逐渐形成被动接受结论的思维惯性。
更需关注的是“隐蔽性误判”：当AI将良性血管瘤误判为恶性肿瘤时，过度依赖系统的医生可能忽略质疑——某儿科医院案例中，90%主治医生采信了AI的错误结论，可能带来过度治疗风险。另有糖尿病合并肾病患者，因AI未调整肾损伤禁忌用药方案导致急性肾衰，反映医生综合研判能力的缺失。
这种依赖可能形成恶性循环：某医学院83%规培生承认AI完成超50%基础诊断，但其独立分析复杂病例时长较十年前缩短60%，长期可能弱化问诊、查体等核心技能。
AI应用边界与医生能力保障
AI需限定应用场景：初级筛查（如肺癌CT影像初筛）、诊疗辅助（药物相互作用预警）、教学培训（虚拟病例推演）等场景可发挥作用，但严禁替代医生直接出具诊断结论。
需强化医生核心能力：医学院应增设“AI时代批判性思维”课程，通过“AI结论质疑工作坊”训练学生思辨能力；强制要求医生绘制“诊断依据树状图”，阐明临床推理逻辑而非简单复核AI结果。
技术管理需同步完善：AI系统需公开决策逻辑（如标注“该结论覆盖80%常见病例，罕见病数据不足”）；建立每半年校准机制，用最新临床数据修正偏差；明确责任归属——医生需在病历中记录“采纳/拒绝AI建议及依据”，确保诊疗决策可追溯。
医疗AI本质是辅助工具，坚守医生对诊断的最终裁决权，才是对生命负责的根基。
