医疗AI用3年走完30年路，但医生还在手动填表

2023年，美国FDA批准了91款AI医疗器械，这个数字在2015年是零。同一时期，中国NMPA（国家药品监督管理局）累计发放了200多张AI三类证。政策闸门打开的速度，远超医院消化这些工具的能力。

一个放射科医生每天要看300张片子，AI能在30秒内标出可疑结节。但医生得花20分钟把AI结果抄进系统——因为电子病历和AI工具根本不互通。

技术跑通了，流程还在爬行

医疗AI的吊诡之处在于：最炫的技术和最原始的痛点并存。深度学习（一种模拟人脑神经网络结构的机器学习方法）在影像识别上的准确率已经超过资深医师，但护士站里的打印机还在卡纸。

医院的信息系统像一座违章建筑。HIS（医院信息系统）、PACS（影像归档和通信系统）、LIS（实验室信息系统）各自为政，数据格式从80年代到2020年代横跨四个技术纪元。AI要进场，先得当翻译——把DICOM（医学数字成像和通信标准）翻译成HL7（医疗信息交换标准），再把HL7翻译成JSON（一种轻量级数据交换格式）。

某三甲医院的CTAI项目花了18个月上线，其中14个月在打通数据接口。技术供应商的工程师蹲在机房三个月，学会了用医院的咖啡机——因为数据权限审批比写代码还慢。

监管在追，伦理在等

FDA的突破性设备通道把审批周期压缩到6个月，但临床验证的要求没打折。一款糖尿病视网膜病变筛查AI，需要在真实世界里追踪10万名患者的眼底照片，证明它的建议不会漏诊致盲病例。

更棘手的是解释性问题。当AI说"这片子有95%概率是恶性"，医生需要知道这95%从哪来。是边缘毛刺？是密度不均？还是训练数据里这类病例本来就多？黑箱模型（内部决策机制不可解释的AI模型）在医疗场景寸步难行，可解释AI（XAI，即可解释人工智能）成了刚需。

欧盟《人工智能法案》把医疗AI列为高风险类别，要求全生命周期审计。一家中国企业的CT肺结节产品想进欧洲市场，发现需要补做三年回溯性研究——他们在国内拿证时只做了前瞻性试验。

从替代到共生，医生重新学当医生

最激进的预测说AI将取代放射科医生。现实是，美国放射科医师的招聘需求过去五年增长了30%。AI吃掉的是重复劳动，吐出来的是新工种：影像信息学医师、AI质控专员、人机协作流程设计师。

梅奥诊所（Mayo Clinic）的实验更有意思。他们把AI嵌入乳腺癌筛查流程，但故意设计了一个"摩擦点"——AI标记的高危病例，必须由两名医生独立复核；AI认为低危的，随机抽5%人工复查。结果假阴性率下降了40%，而医生的诊断信心反而提升了。

这像自动驾驶的L2级辅助：手不能离开方向盘，但脚不用一直踩着刹车。医生从"找病灶"转向"判读AI+综合决策"，技能树在重构。

药厂也在变。传统新药研发平均10年26亿美元，AI把苗头化合物筛选压缩到几周。但2023年，AI设计的药物在二期临床试验中失败率依然高达80%——算法能找到分子，猜不透人体。

强生（Johnson & Johnson）的解决方案是"人机双盲"：AI生成候选分子，化学家凭直觉否决30%，再用物理模拟验证剩余选项。他们管这叫"算法直觉+人类直觉的交叉验证"。

数据主权争夺战

医院终于意识到，数据是新时代的床位——不能无限扩张，但缺了就得关门。2024年，美国几大医疗系统开始要求AI供应商签署数据防火墙协议：训练模型可以，带走原始数据不行。

联邦学习（一种在不共享原始数据前提下协作训练AI的技术）因此走红。十几家医院各自在本地训练模型，只交换参数更新，像一群盲人摸象后互相描述象腿的形状。技术理想很丰满，但医院IT部门的算力储备往往骨感——一台能跑深度学习的服务器，采购审批要走半年。

患者端的变化更微妙。苹果手表的心房颤动检测功能，已经让急诊室多了不少"假性警报"患者。有人戴着打印的AI诊断报告冲进诊室，医生得先花20分钟解释"敏感性95%不等于阳性预测值95%"。

健康数据民主化在发生，但医学素养没跟上。这像给普通人发了显微镜，却没教怎么区分细胞和灰尘。

当AI能预测你未来五年得糖尿病的概率，保险公司该知道吗？雇主呢？如果预测错了，谁负责？这些问题没有技术答案，只有社会谈判。

一家硅谷创业公司正在测试"可撤销的AI同意"——患者可以一键关闭自己的数据参与模型训练，就像退订邮件列表。但退订后，你未来用到的AI服务可能变笨，这算公平交易吗？