AI提升检出却不提升推理：GPT-4助医生76%对74%，模型单独92%

事实报道 × 监管与合规专家 ｜ 趋势前瞻 × 投资人与产业分析师 ｜ 深度研报

如果一款模型单独答题能拿92分，让医生拿着它一起答，成绩会是多少？答案是76分，只比医生单独作答的74分高出两个百分点。这是Frontiers in Digital Health 10月21日一篇叙述性综述里最扎眼的一组数字。同一批文献里，乳腺筛查AI把检出率从每千人5.0例推到6.4例、读片工作量下降44.2%。一边是提升，一边是停滞——差别不在模型，在任务。

开场：AI帮医生看得更多，却未必想得更准

设想两个诊室。第一个里，放射科医生要读一整天的乳腺筛查片，AI在旁边把可疑区域圈出来；第二个里，内科医生面对一个主诉模糊、检查结果互相打架的病例，GPT-4在旁边给出一份鉴别诊断清单。前者是找东西，后者是想办法。这篇综述提出的区分，就是把这两种能力拆开：AI提升了医生的检出能力，却没有同步提升临床推理能力。

文章题为「Augmentation or erosion? Artificial intelligence and the transformation of clinical reasoning: a critical narrative review」，2026年10月21日发表于Frontiers in Digital Health（Volume 8，Human Factors and Digital Health板块），作者为厄瓜多尔Universidad Tecnológica Indoamérica的José Daniel Sánchez。检索覆盖Scopus、PubMed/MEDLINE、SciELO与LILACS四个数据库，时间为2026年7月与8月，纳入2015年以来的英文、西班牙文与葡萄牙文文献，用改良CASP框架评价9项原始研究。

作者把分析单位定在「医生与系统一起工作」，而不是模型本身。这个选择决定了全文的落点：模型在基准上的准确率，不足以推出使用它的医生会更准。

检出端的收益：每千人5.0例升至6.4例

在感知类任务上，随机对照试验给出的答案是明确的正面。

• MASAI乳腺筛查试验：癌症检出率从每千人5.0例升至6.4例
• 同一试验：读片工作量下降44.2%，间期癌发生率非劣
• 结肠镜：计算机辅助检出（CADe）把腺瘤检出率从40.4%提到54.8%

这两个结果有个共同点：任务边界清晰，标准答案可定义，AI的输出是一圈可疑区域的坐标，医生的判断仍建立在自己看到的图像上。这类任务里，AI更像一张密度更大的渔网——网眼小了，漏网的鱼自然少。

乳腺筛查是少数已有随机对照证据支撑的场景：MASAI同时给出检出率上升、工作量下降、间期癌非劣三项结果。

推理端的停滞：76%对74%，只差两个百分点

换个任务，画面完全变了。在目前唯一一项针对开放式诊断推理的随机试验中，医生可以使用GPT-4，也可以不用。

GPT-4辅助下的医生得分76%，医生单独74%，而模型单独可达92%。

两个百分点，在统计上与临床上都很难称作提升。这组数字把「模型准确率」与「医生借助模型后的准确率」之间的等号彻底打断了。

模型单独92%：人机组合为何没有叠加

92、76、74三个数字放在一起，指向同一个机制：模型的能力不会自动叠加到人身上，中间要经过「依赖」这一层，而依赖是有损耗的。

综述梳理了四条可能的损害路径：自动化偏差，即医生倾向于默认AI的建议；无辅助状态下技能的流失；模型失效未被察觉；以及人群间的表现差异。证据来自规模较小或非随机的研究：当AI建议错误或AI漏掉癌灶时，读片者准确率明显下降；接受过AI素养培训的医生，仍会被错误的模型建议带偏；一项前后对照研究中，常规使用AI后医生在无辅助状态下的腺瘤检出率从28.4%掉到22.4%；一款已部署的脓毒症模型外部验证区分度很差，AUC仅0.63。

作者自己也强调，这类证据来自单项或设计受限的研究，不足以确定效应的大小与持续性。但它们共同说明：依赖确实会发生，而且不一定朝好的方向。

工作量下降44.2%的另一面

44.2%的工作量下降是这批文献里最容易被转述成好消息的数字，但含义需要放回语境。

MASAI是筛查场景，读片量大、阳性率低、阴性片占绝大多数，AI的价值是把大量不必深看的图像快速筛掉。这类收益可以量化，也确实成立。可工作量下降与推理能力提升不是同一件事：前者是效率，后者是正确性。省下的时间是否转化为更充分的鉴别诊断，目前没有证据支持。

反过来，节省时间也可能意味着更少的独立思考——那条「无辅助腺瘤检出率从28.4%掉到22.4%」的曲线，提示的正是这种可能性。效率收益与能力退化可能来自同一个动作，只考核效率的科室最容易踩进能力退化的盲区。

还有一个地域层面的空白：检索未识别出任何符合条件的拉丁美洲研究。作者所在的区域，恰恰是算法工具通常未经本地临床评估就被引入的市场。这个空白本身就是一个判断——现有证据适用范围有限，跨区域移植前必须本地验证。

冷静观察：把检出与推理拆开评估

先把口径收紧。这是叙述性综述而非系统综述，未做Meta分析、未重复筛选、未使用正式的偏倚评价工具，纳入由作者单人目的性选择；开放式推理的结论目前只来自一项基于病例情境的试验，9项原始研究样本量有限。这些限定决定了它给出的是方向性判断，不是效应量。

从数据链路看，最有价值的是它换掉了评估对象。过去评测的是模型在基准数据集上的分数，这里评测的是「医生+系统」这个组合在工作流里的表现。这一换，对数据的要求也变了：需要的不再只是一份标注好的题库，而是医生在辅助与无辅助两种条件下的配对表现记录，以及AI建议正确与错误两种情形下的分层结果。对医院信息化部门，这意味着上线前就要设计好对照采集方案，否则事后补不出来。

从合规与监管看，结论的落点很具体：不能从模型准确率推断收益，辅助与无辅助下的医生表现必须直接测量。这句话可以翻译成两份文件的要求——注册申报时提交人机组合作业数据，而不是只提交模型独立性能；采购验收时约定分层指标与持续复评，而不是一次性看总分。

趋势上，我们的判断是：临床AI的评估正在从「模型评测」转向「人因评测」，而后者目前几乎没有标准化度量。谁先把「医生+系统」的对照数据做成可复用资产，谁就在下一轮的准入与采购谈判里握有主动权。对产业侧，这同时意味着一个明确分野——感知类任务的红利基本兑现，推理类任务的价值主张尚未被证明，二者的估值逻辑不该继续混在一起。

原文链接：Frontiers in Digital Health

千方医数集编辑部 出品