简一成长视点 | 为什么每位患者都需要一次“AI斑马扫描”

在医学界，有一句流传已久的谚语：“听到马蹄声，先想马，别想斑马。”这句话几乎成了临床医生的入门必修课。它提醒我们，大多数患者的病症都是常见的，而优秀的医生会先识别出熟悉的模式，再去追逐那些罕见的情况。

然而，这句话的另一面同样重要。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记得，有些患者的诊断被延误了很久，因为所有人都接受了第一个看似合理的解释，而那只“斑马”从未被邀请进诊室。有趣的是，人工智能或许正在创造类似的时刻。

越来越多的医生开始借助大型语言模型（LLM）来辅助临床工作，从数据整理到临床思维。大多数交互都遵循同样的路径：输入问题，得到答案，对话就此结束。除非用户继续追问，否则模型似乎已经说完了它想说的话。但我并不认为这个假设经得起临床和计算层面的推敲。这听起来可能有些深奥，但它可能非常重要。

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”（temperature）。尽管名字听起来和医学无关，但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，模型会倾向于使用最符合预期的措辞；而在高温下，它更愿意说出一些不那么显而易见的答案。

这看似只是一个关于语言生成的机械事实，但它产生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，而是它不那么谨慎了，更愿意“脱口而出”。

大多数模型的默认温度接近1.0，这是“出厂设置”。而ChatGPT的消费者界面温度更低，大约在0.7左右，这使它更倾向于给出典型、结构化的回答。用于临床或事实性工作的工具通常温度更低，往往低于0.5，因为一致性比多样性更重要。据我所知，没有人会故意让模型“高温”运行，以获得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——这是有意为之的。

低温扫描：答案会紧贴共识，常见疾病、典型表现，都是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：疾病离这个中心越远，低温、谨慎的模型就越不可能把它说出来。

标准扫描：适度放宽限制。熟悉的诊断仍然占主导，但不太常见的可能性开始有机会被提及。这大概接近许多医生在无意识中已经体验到的状态，因为很少有人会在向LLM提问时去思考温度设置。

高温扫描：进一步推进。模型可能会说出罕见的疾病，甚至是一些奇怪的症状组合。其中有些可能是噪音，有些会浪费医生的时间，但偶尔，这里会说出一个没人想到的诊断，甚至可能是第一次被说出来。

这里有一个潜在的问题：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再对比结果。那是一种没人想要的负担，也正是让好主意被斥为“临床不切实际”的典型例子。这个负担应该由系统来承担。

一个鉴别诊断工具不应该只给出一个自信的答案，而应该原生地展示出它的“范围”。系统可以在一次运行中，把常见诊断放在顶部，中间层是合理的备选方案，再标注一组模型考虑过但未优先给出的低概率可能性。这种范围应该来自系统的构建方式。

这更多是一个设计问题，而非临床问题。大多数这类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佳结果一样。但重要的是要认识到，收敛虽然给人自信的感觉，却可能远非完整。而正是在这个差距中，藏着那只未被发现的“斑马”。

在很多方面，医生们已经将这种“范围检查”融入了他们的思维。疑难病例会与同事讨论，或在病例讨论会上呈现。患者的故事很少在一夜之间改变，但改变的是视角。或许我们应该问问，AI系统是否也应该被设计成能自行提供这种范围，而不是等着有人想到要问第二遍。

我想谨慎地说明：这是一个设计提议，而不是临床建议。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。

医学从不信任对难题的单一视角。患者和医生会寻求第二意见，或者更全面的视角。也许我们正在构建的工具也应该带有同样的技术本能。

奥卡姆剃刀原则是对的：最简单的解释通常是正确的。但今天，医学仍然需要知道，在当时的临床逻辑之下，常常被忽略的是什么。