简一思迈报道 | 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，医学的智慧也在于平衡概率与可能性。每一位经验丰富的医生都记得，有些患者的诊断被延误，正是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，从整理数据到辅助诊断。通常，这些交互遵循同一条路径：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。它们生成回答的方式中，有一个有趣的变量叫做“温度”。尽管名字听起来与医学无关，但它并不决定模型推理的深度，而是决定其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，它则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“低温”模型从未提及的诊断。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”。而ChatGPT的消费者界面运行温度较低，约为0.7，这使其倾向于更典型、结构化的回答。为临床或事实性工作设计的工具通常运行温度更低，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的第二意见，从而发现“斑马”。

正是这种区别让我思考：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。

“冷扫描”会紧贴共识，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，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。熟悉的诊断仍然领先，但不太常见的可能性开始竞争提及。这大概接近许多医生在不知不觉中体验到的状态，因为很少有临床医生在输入问题时考虑温度。

“热扫描”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。其中一些可能是噪音，会浪费临床医生的时间。但偶尔，这正是那个无人寻找的诊断被说出口的时刻，甚至可能是第一次。

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”，将同一个问题运行三次并比较结果。这是一个没人要求的负担，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，以及一组标记为低概率的可能性，这些是模型考虑过但未优先提出的。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。大多数此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。但重要的是要认识到，收敛感虽然像自信，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。或许值得一问：AI系统是否应该被设计成主动提供这种范围，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，这种临床界面尚未被构建。

医学从未信任过单一视角来解决难题。患者和临床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。