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，大多数患者的病症都是常见的，而优秀的临床医生会先识别熟悉的模式，再去追逐那些不太可能的诊断。

然而，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，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工作，从数据整理到临床思维。大多数交互都遵循同一条路径：输入问题，得到答案。对话往往就此结束——除了偶尔的追问，模型似乎已经说出了它想说的。但我并不认为这个假设经得起临床和计算层面的推敲。虽然这听起来有些深奥，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”。尽管名字听起来与医学无关，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，模型倾向于使用最常规的措辞；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”运行的模型，有时会说出一个“低温”模型完全不会提到的诊断。我并不认为这意味着模型在更广泛地推理，它只是不那么谨慎地表达而已。

大多数模型默认温度接近1.0，这是“出厂设置”。ChatGPT的消费者界面温度较低，大约0.7，这使其回答更典型、更结构化。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，并让模型每次都有意地给出略有不同的回答。

“低温”扫描会贴近共识：常见疾病、熟悉的表现，这些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：疾病离中心越远，低温、谨慎的模型就越不可能将其说出口。

“标准”扫描会适度放宽限制：熟悉的诊断仍然占主导，但不太常见的可能性开始竞争提及。这可能接近大多数医生在使用LLM时无意识体验到的状态，因为很少有临床医生在输入问题时考虑温度。

“高温”扫描则更进一步：模型可能会说出不常见的疾病，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，这正是那个没人寻找的诊断被说出口的时刻，甚至可能是第一次。

潜在的问题在于：这不应该要求医生成为“温度工程师”，将同一个问题在模型中运行三次，然后比较结果。这是额外的负担，也是让好主意被斥为“临床不切实际”的典型原因。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：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优先列出的低概率可能性。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。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，隐藏着未被发现的“斑马”。

在许多方面，医生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。或许值得思考的是，AI系统是否应该自主提供这种范围，而不是等待有人想到要问两次。

我想谨慎地说明：这是一个设计提议，而非临床建议。温度是我注意到的线索，而非我完全理解的机制。我不知道有任何研究表明，改变温度或围绕温度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，这种临床界面尚未被构建。

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，在临床逻辑的瞬间之下，常常隐藏着什么。