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，有一句流传已久的箴言：当你听到马蹄声，先想马，别想斑马。这句话几乎成了临床医生的入门必修课——大多数患者得的都是常见病，优秀的医生会先识别熟悉的模式，而不是一上来就追逐那些罕见病。

但反过来想，这句话也有另一面。医学从来都游走在“概率”与“可能性”之间。每一位资深医生都记得，有些患者的诊断来得太晚，因为大家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，人工智能可能正在制造类似的时刻。

越来越多的医生开始借助大型语言模型来辅助临床工作——从整理数据到临床思维。大多数互动都遵循同一条路径：输入问题，得到答案，对话就此结束。除了偶尔的追问，模型似乎已经“说完了它该说的话”。但我并不确定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“温度”。虽然名字听起来像体温，但它和医学毫无关系。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。温度低时，模型会紧贴最可能的措辞；温度高时，它更愿意说出不那么显而易见的答案。

这不过是语言生成中一个不起眼的机械事实，但它带来一个值得关注的副作用：一个“高温”运行的模型，有时会说出一个“低温”模型根本不会提到的诊断。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，只是说话时没那么谨慎了。

大多数模型的默认温度接近1.0，这是“出厂设置”。ChatGPT的消费者界面温度更低，大约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，没有人会故意让模型“高温”运行，来寻求一个可能包含更广泛变异、从而发现“斑马”的第二意见。

正是这个区别让我想到，患者或许值得不止一次地获得AI的关注。想象一下，同一个临床问题问三次，每次让模型有意给出略有不同的答案。

低温扫描：紧贴共识。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，答案就该在这里结束。但代价也很明显——疾病离这个中心越远，冷静谨慎的模型就越不可能把它说出口。

标准扫描：适度放宽。常见诊断仍然占主导，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目前的实际体验，因为很少有临床医生在输入问题时想到“温度”这回事。

高温扫描：进一步推进。模型可能会说出罕见病，甚至奇怪的症状组合。其中有些是噪音，有些会浪费临床医生的时间。但偶尔，那个没人想到的诊断会在这里被说出来，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变成“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，不必把它的范围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，中间是合理的替代选项，再往下是模型考虑过但未优先列出的低概率可能性。这个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。大多数这类工具都设计成收敛于最可能的单一答案，就像搜索引擎收敛于最佳结果。但重要的是要认识到，收敛虽然看起来像自信，却可能远非完整。而在这个缺口里，就藏着未被看见的“斑马”。

其实，医生们早已把这种范围检查融入了思维。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，改变的是视角。或许我们该问问，AI系统是否应该自己提供这种范围，而不是等着有人想到要问第二遍。

我想强调，这是一个设计提议，不是临床建议。温度是我注意到的线索，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，这种临床界面尚未被构建出来。

医学从不信任单一视角来解决难题。患者和医生会寻求第二意见，或更多元的视角。也许我们正在构建的工具，也应该承载同样的技术本能。

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，在当下的临床逻辑之下，常常被掩盖的是什么。