简一成长视点 | 为什么每位患者都需要一次AI“斑马”扫描？

医学界有一句流传已久的谚语：当你听到马蹄声时，先想到马，而不是斑马。这句话几乎成了临床医生的入门必修课——大多数患者的疾病都是常见的，优秀的医生会先识别熟悉的模式，而不是去追逐那些罕见的情况。

但硬币的另一面同样重要。医学始终在“概率”与“可能性”之间摇摆。每一位经验丰富的医生，都曾遇到过这样的患者：诊断来得太晚，因为所有人都接受了第一个看似合理的解释，而“斑马”从未被请进诊室。有趣的是，人工智能或许正在重现这一幕。

如今，越来越多的医生开始借助大型语言模型来辅助临床工作——从整理数据到辅助诊断。大多数交互都遵循同一条路径：输入问题，得到答案，对话就此结束。除非用户反复追问，否则模型似乎已经“说完了所有的话”。但我并不认为这个假设经得起临床和计算层面的推敲。这听起来可能有点深奥，但确实很重要。

大型语言模型并不像教科书索引那样检索事实。它们生成回答时，有一个有趣的变量叫做“温度”。尽管名字听起来像体温，但它与医学毫无关系。它并不决定模型推理的深度，而是决定下一个词的可预测性。在低温下，模型会紧贴最可能的措辞；在高温下，它更愿意说出不那么显而易见的答案。

这只是一个关于语言生成的、微不足道的机械事实，但它带来了一个值得关注的副作用：一个“高温”运行的LLM，有时会说出一个“低温”模型完全不会提及的诊断。我并不认为这意味着模型在更广泛地推理，它并没有推理得更多，只是说话时更少“设防”。

大多数模型默认温度接近1.0，这是“出厂设置”。ChatGPT的消费者界面运行温度较低，约为0.7，这使它倾向于给出更典型、结构化的回答。而用于临床或事实性工作的工具，温度往往更低，通常低于0.5，因为一致性比多样性更重要。据我所知，没有人会刻意让模型“高温”运行，以寻求一个可能包含更广泛变异、从而发现“斑马”的第二意见。

正是这种区别让我想到，患者或许值得不止一次地获得AI的关注。想象一下，对同一个临床问题提问三次，并让模型每次给出略有不同的回答——这是刻意为之。

“冷扫描”会贴近共识：常见病、典型表现、医生每周都会遇到的病例。对大多数患者来说，答案就应该止步于此。但代价也很明显：疾病离中心越远，冷静而谨慎的模型就越不可能把它说出来。

“标准扫描”会适度放宽限制：熟悉的诊断仍然领先，但不太常见的可能性开始竞争“出场机会”。这可能接近大多数医生在无意识中已经体验到的状态，因为很少有临床医生在输入问题时，会去思考“温度”这个参数。

“热扫描”则更进一步：模型可能会说出罕见的疾病，甚至是一些奇怪的症状组合。其中有些是噪音，有些会让医生白白花费时间。但偶尔，这里就会说出那个没人想到的诊断——甚至可能是第一次被说出来。

潜在的问题在于：这一切不应该要求医生成为“温度工程师”，把同一个问题跑三遍，然后对比结果。这是一个没人想要的负担，也正是那种会让好主意被斥为“临床不切实际”的东西。这个负担应该由系统来承担。

一个鉴别诊断工具，不需要把它的可能性范围隐藏在一个自信的答案后面。它可以在一次输出中，原生地呈现三个层级：顶部是常见诊断，中间是合理的替代方案，底部是模型考虑过但未作为首选的低概率可能性。这个范围应该来自系统的构建方式。

这是一个设计问题，而非临床问题。大多数工具的设计目标都是收敛到最可能的单一答案，就像搜索引擎收敛到最相关的结果。但重要的是要认识到，收敛虽然让人感觉自信，却可能远非完整。而正是在那个缺口里，藏着未被发现的“斑马”。

在很多方面，医生们已经将这种“范围检查”融入了思考。疑难病例会与同事讨论，或在“大查房”中呈现。患者的故事很少在一夜之间改变，改变的是视角。或许我们应该问问，AI系统是否应该被设计成自带这种范围，而不是等着有人想到要问两次。

我想谨慎地说明：这是一个设计提议，而非临床建议。温度是我注意到的一个线索，而不是我完全理解的机制。我不知道有任何研究表明，改变温度或围绕它构建输出，能提高诊断准确性或缩短罕见病的诊断路径。据我所知，这种临床界面还没有被构建出来。

医学从未在难题上只依赖单一视角。患者和医生会寻求第二意见，或更全面的视角。也许我们正在构建的工具，也应该带有这种技术本能。

奥卡姆剃刀是对的：最简单的解释通常是正确的。但今天，医学仍然需要知道，在临床逻辑的当下，什么常常被掩盖了。