AI醫療火熱，張文宏警告：醫生過度依賴AI有風險

理由是，一名醫生若從實習階段就未經完整的診斷思維訓練，直接借助AI獲得結論，將導致其無法鑒別AI診斷的正誤，同時也難以診治AI無法應對的復雜疑難病癥。這種能力的缺失，是隱藏在技術便利背后的深層隱患。

若AI賴以分析的大數據并不完整，以及數據有偏差，得出的結論就會失之千里。現實的情況是，不只是國與國、地區與地區之間的醫療大數據有差異和局限，即便是國內的各個醫院，數據都是不能共享的。

臨床中的病人病歷和診斷，這在目前的醫療體系中是"各自為政"，難以共享。現在，盡管全國三甲醫院人工智能技術應用覆蓋率已超90%，大多只是源自各家醫院自身的數據所開發的AI軟件。

醫院對AI共享數據缺乏動力，本質是擔心知識產權。各家醫院都會思考，為什么要把數據給AI公司、機構或政府部門去做軟件。

患者隱私也是醫院特別注意的，一旦出現問題，就會有訴訟和官司，難以應對。同時，AI軟件的管理也是基于誰開發，誰管理和負責。基于權責對應的原則，醫院也不會交出所有數據。甚至在一些醫院中，醫生也只能調出自己科室收集的信息和數據，其他科室的數據難以自由調取。

即便依靠AI軟件診斷有一定的可信度，醫學的特殊性也決定了不能完全依靠AI，因為臨床需要實際觀察、實際動手和實際操刀。臨床的實際診療技能和技術包括許多方面，如對病人語言、語氣和體態的觀察，觸診和叩診的應用。

以鑒別疼痛為例，有反跳痛常見于急性闌尾炎，絞痛常見于膽結石、腎結石，脹痛常見于腸梗阻、胃炎，鈍痛如肝炎等，都需要醫生的實際操作和積累經驗，這些最基本的素養是AI所不能給予的。即便AI能根據疼痛的描寫來判斷疾病，AI并不能提供這些癥狀發生時病人的痛苦表情、體態語言和內心感受，只有臨床接觸，才會讓醫生獲得實際的經驗和感知，并上升到直覺和理論。

AI依賴歷史數據，難以應對新的疾病和具有特殊情況的病人。AI當然擅長統計關聯，并不理解其中的因果和邏輯關系。AI能提供數據分析，無法親臨臨床讀懂患者的體態、表情和痛苦。醫生有基于臨床經驗與直覺的綜合推理能力，AI并沒有，因為算法不能訓練出這種只有人獨具的能力。

當醫生尤其是年輕醫生只是依靠AI的診斷和治療方案治病時，就失去了對疾病和醫療整個過程的感知，以及需要試驗和試錯才能擁有的經驗和技術。

就如同人學駕車，如果一開始不是自己手握方向盤和踩油門剎車實際操作，就無法實際感知車輛的操控，就沒有在緊急狀況下避險的能力，也不能成為合格的駕駛者。

當AI自動生成病歷、提供疾病診斷，推薦診療方案時，醫生可能陷入全盤接收的舒適區，進而不再追問為什么，是什么，只知道按AI提供的方案治療，從而產生"AI偏見"。再進一步，當AI也無法判斷某種疾病時，完全依靠AI的醫生就會束手無策。

1月8日，在歐盟碳邊境調節機制正式生效的第一周，OpenAI高調宣布推出ChatGPT Health，允許用戶連接醫療記錄和健康應用到AI聊天機器人。

幾乎同期，螞蟻集團旗下"螞蟻阿福"發布后短期內月活用戶突破3000萬，單日提問量超千萬。AI醫療板塊突然成了2026年開年最熱的賽道。

AI可以成為醫生的有力助手，在數據處理和初步分析方面發揮輔助作用，不應取代醫生在臨床實踐中的核心地位。

未來，如何在利用技術提升效率的同時，保障醫療質量的深度與溫度，維護醫生的專業成長與獨立判斷能力，是醫療體系必須認真思考與平衡的關鍵課題。