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：当你听到马蹄声，首先想到的是马，而不是斑马。这句话提醒医生们，大多数患者得的都是常见病，而优秀的临床医生会先识别熟悉的模式，再考虑那些不太可能的诊断。

然而，医学始终在概率与可能性之间保持着一种张力。每一位经验丰富的医生都记得，有些患者的诊断被延误，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来辅助临床实践，从数据整理到临床思维。大多数互动遵循着同样的路径：输入问题，得到答案，对话就此结束。但我不确定这种假设经得起临床和计算层面的审视。这听起来可能有些深奥，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”。尽管名字听起来像医学概念，但它与医学无关。它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，模型会倾向于最常用的措辞；在高温下，它更愿意说出不那么显而易见的答案。

这看似一个关于语言生成的微小机械事实，却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”模型根本不会提到的诊断。我不认为这意味着模型在更广泛地推理，它只是不那么谨慎地表达而已。

大多数模型的默认温度接近1.0，这是出厂设置。ChatGPT的消费者界面温度较低，约为0.7，这使其更倾向于典型、结构化的回答。而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答案，这是有意为之。

“冷扫描”会贴近共识：常见病、熟悉的临床表现，这些都是临床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，冷静而谨慎的模型就越不可能说出它。

“标准扫描”会适度放宽限制。熟悉的诊断仍然占据主导，但不太常见的可能性开始竞争提及的机会。这可能接近大多数医生在无意识中已经体验到的情形，因为很少有临床医生在输入问题时考虑温度。

“热扫描”则更进一步。模型可能会说出罕见的疾病，甚至奇怪的症状组合。其中一些是噪音，一些会浪费临床医生的时间。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。

潜在的问题在于，这不应该要求医生成为温度工程师，把同一个问题在模型中运行三次，然后比较结果。这是一个没人要求的负担，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用一个自信的答案来隐藏其范围。它可以在一次运行中自然地呈现三个层级：系统在顶部提供常见诊断，中间层是合理的替代方案，以及一组标记为低概率的可能性，这些是模型考虑过但没有优先提出的。这种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。大多数这类工具都旨在收敛于最可能的单一答案，就像搜索引擎收敛于最佳结果一样。重要的是要认识到，虽然收敛感觉像自信，但它可能远非完整。而在这个差距中，就藏着未被发现的“斑马”。

在许多方面，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，或在大型病例讨论会上呈现。患者的故事很少在一夜之间改变，但改变的是视角。或许值得一问的是，AI系统是否应该被设计成自行提供这种范围，而不是等待有人想到要问两次。

我想谨慎地说，这是一个设计提议，而非临床建议。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诊断的路径。据我所知，这种精确的临床界面尚未被构建。

医学从未信任过对难题的单一视角。患者和临床医生会寻求第二意见，或者更折中的视角。也许我们正在构建的工具应该带有同样的技术本能。

奥卡姆剃刀原则是正确的：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，常常隐藏着什么。