AI 医生的准确度如何？诚实的数字
诚实的回答是：对于常见问题，AI 医生的准确度大致相当于一位非专科医师，但明显不及专家。一项发表于《npj Digital Medicine》的2025 年大型荟萃分析将独立生成式 AI 的诊断准确率定为约 52%。最好把在线 AI 医生当作一份博学的第二意见，而不是最终判决。
AI 医生不能替代持证医师，也不提供诊断。遇到医疗急症请拨打 911。下面这些准确度数字说明了它擅长什么——以及在哪些方面你仍然需要一位真正的医生。
简短回答：AI 医生的真实准确度
抛开营销话术，实情很简单：一款生成式 AI 诊断工具单独使用时，答对的比例略高于一半——而这一个数字掩盖了因任务、输入质量以及对比对象不同而产生的巨大差异。
一个可作参照的数字：约 52%
一项 2025 年针对 83 项研究的系统评价和荟萃分析（发表于《npj Digital Medicine》）发现，生成式 AI 模型独立工作时的总体诊断准确率为 52.1%（95% CI 47.0–57.1%）。这听起来很低，但它是把简单病例和极难病例汇总在一起的平均值——数字背后的语境比数字本身更重要。
与真正的医生相比
同一项荟萃分析发现，AI 与医师之间在总体上没有统计学上的显著差异（p=0.10），与非专家或住院医师相比也没有显著差异（p=0.93）。但 AI 的表现显著逊于专家医师——大约相差 15.8 个百分点（p=0.007）。用大白话说：一款 AI 症状自查工具相当于一位刚完成培训的全科医生，而明显落后于一位拥有多年模式识别经验的专科医生——把AI 医生与真正医生进行对比并排来看，就会发现随着病例越难，这一差距越拉越大。
为什么准确度数字波动这么大
任何对比新闻标题的人都会注意到差异极大的数字——某项研究里是 97%，另一项里却是 40%。这种落差主要归结于少数几个在标题本身很少被提及的变量：
- 输入是如何采集的——结构化的临床病历，还是患者自己的描述
- “正确”指的是唯一的首位答案，还是前 3–5 个建议中的任意一个
- 相关疾病有多常见或多罕见
- 测试的是哪个模型和版本，以及测试时间
- 研究衡量的是诊断、分诊，还是两者兼有
垃圾进，垃圾出：输入质量至关重要
在一项针对 100 名急诊科患者的 JMIR 研究中，运行于 GPT-4 的 ChatGPT 达到了 97% 的”正确或部分正确”诊断率——但这仅仅是因为它拿到的是主治医生所使用的、由医师整理的同一份病历，其中包含生命体征、化验结果和临床记录。若只给它患者自己陈述的原始症状，同类模型的准确率在前 3 项匹配上会降到约 50%。这款 AI 诊断工具的表现只取决于你告诉它什么，而理解AI 医生的工作原理背后的机制，就能解释为什么同一个模型仅凭输入质量就会有如此大的波动。
前 1 名对比前 3 名：他们引用的是哪个数字？
“准确率 70–80%”这样的说法通常意味着正确答案出现在这款 AI 分诊工具的前三个建议中的某个位置，而不是它首先说出了正确的病症。让同一个系统只给一个答案，准确率可能降到 34–40%。当你看到任何 AI 健康助手的准确度声明时，请核查它指的是前 1 名还是前 3 名——它们是截然不同的承诺，而厂商往往会优先摆出更好看的那个。
| 衡量方式 | 典型准确率 | 含义 |
|---|---|---|
| 前 1 名（唯一最佳答案） | 34–40% | 首先说出正确诊断，不提供其他备选 |
| 前 3 名（正确答案在候选清单中） | 70–80% | 正确病症出现在 3 个建议之中 |
| 医师整理的输入（完整病历） | 高达 97% | 提供医生所用的同一份结构化数据 |
| 仅患者自述 | 约 50%（前 3 名） | 提供原始、非结构化的症状描述 |
AI 医生在哪些方面准确——又在哪些方面失灵
诊断准确度并不是单一的一项技能；它由若干项组成，而 AI 医生在其中一些上远比另一些出色。弄清孰强孰弱，会改变你实际使用这一工具的方式。
擅长分诊。 当问题是”这有多紧急”而非”这究竟是什么”时，AI 医生最为可靠。把症状归类为急诊、紧急或常规，是一项比作出最终诊断更狭窄、定义更明确的任务，模型往往做得更为一致。
擅长常见且有充分记录的主诉。 直截了当、常见的问题——那种拥有大量训练数据和清晰症状模式的问题——正好发挥了生成式 AI 诊断工具的长处。
擅长狭窄的、以图像为主的专科。 在皮肤科这类模式识别任务中，一项对前瞻性黑色素瘤检测研究的汇总分析发现，AI 单独工作时可达到约 80.9% 的敏感度和 75.6% 的特异度——与没有辅助的皮肤科医生相当——而当 AI 辅助皮肤科医生而非取代医生时，则升至约 91.9% 的敏感度和 83.7% 的特异度。定义明确的视觉模式问题接近这一工具的主场。
在复杂、罕见或多系统病例上较弱。 当症状横跨多个身体系统，或指向一种不常见的疾病时，准确率会急剧下降——而这恰恰是专家医师的判断最为关键之处。
还有一种容易被忽视的弱点：自信地出错。 AI 医生可能用流畅、令人安心的措辞给出一个错误诊断，却没有任何可见的迟疑来提示存疑。一个听起来合理的结果并不等于一个正确的结果，这正是为什么人工核查依然重要。
你能相信这些研究吗？请阅读附加细则
即便是上面那些令人鼓舞的数字，在你权衡它们之前，也有一些值得了解的附加说明。
在那项 83 项研究的荟萃分析中，83 项里有 63 项——即 76%——被评为高偏倚风险，作者还指出存在统计学上显著的发表偏倚（p=0.045），这意味着好看的结果很可能在已发表文献中被过度代表。那个抢占头条的 97% 急诊科结果，仅来自一项只有 100 名患者的研究，并且没有预先规划的样本量计算来确认这一发现能在更大规模上成立。
| 局限 | 数据显示了什么 | 为什么重要 |
|---|---|---|
| 偏倚风险 | 83 项研究中有 63 项（76%）被评为高风险 | 许多结果可能比真实使用所产生的更为乐观 |
| 发表偏倚 | 具统计学显著性（p=0.045） | 结果令人失望的研究更不容易被发表 |
| 小样本 | 急诊科研究基于 100 名患者 | 没有预先规划的样本量来确认 97% 这一数字可以推广 |
| 整理过的输入对比原始输入 | 97%（整理过的病历）对比约 50%（自述） | 同一模型的准确率会因输入质量而波动约 47 个百分点 |
在这一整批研究中，反复出现几处共同的缺口：
- 大多数研究以基于文本的病例小故事来测试 AI，而非杂乱的真实世界对话
- 很少有试验衡量 AI 给出错误答案之后会发生什么，即下游危害
- 样本量往往太小，不足以支撑标题数字所暗示的那份自信
- 由原研究团队之外的独立复现仍然很少见
那项荟萃分析的作者对自己数字的含义直言不讳：
生成式 AI 模型尚不能可靠地替代专家医师，但可以在非专家情境中充当有价值的辅助工具，并作为医学培训人员的教育工具。
请把标题上的准确度数字当作乐观的天花板，而非保证。一个取自小样本、高偏倚风险研究的数字，与一个会在你自己具体症状上站得住脚的数字，并不是一回事。
鉴于其准确度，如何安全地使用 AI 医生
鉴于上面这些数字，明智之举是把这一工具用在它真正擅长的地方，而不是它听起来能胜任的地方。
- 详细描述症状，而非只用简写。准确度在很大程度上取决于输入质量，所以要包括持续时间、严重程度以及随时间的任何变化。
- 先阅读分诊建议。判断紧急程度是 AI 症状自查工具表现最可靠的地方——如果它把某件事标记为紧急，请予以重视。
- 索取前 3 名，而不只是前 1 名。一份可能性的候选清单，比一个听起来自信的单一答案更诚实。
- 用它来为一次真正的就诊准备问题。把模糊的担忧转化为一份具体的问题清单，是这一工具最可靠的用途之一。
- 凡是重要的事情，都要向一位持证临床医生核实，尤其是对于新出现的、严重的或持续的症状。
- 如果症状加重，立即升级处理——不要等着 AI 跟上进度。
- 永远不要把单一的 AI 答案当作最终结论。将它与你实际的感受以及专业建议相互印证。
一款 AI 诊断工具往往在某一类特定任务上最有用，在另一些上最没用。在依赖它之前，弄清你的情况落在这条界线的哪一侧会很有帮助：
- 理解化验单或转诊信中不熟悉的医学术语
- 估量一个新出现的症状可能有多紧急
- 在看医生之前准备一份清晰的问题清单
- 就你已患有的某种疾病获得一般性的健康科普
- 在当天就诊、预约就诊或观察等待之间做出抉择
经同行评审的共识很直白：生成式 AI 是非专家情境中一个有价值的辅助工具，而不是专家医师的可靠替代品。美国食品药品监督管理局对已获批上市的 AI 赋能医疗器械进行追踪，正是因为未经核实的 AI 输出带有真实的临床风险——这提醒我们，不只是研究人员，就连监管机构也把这一准确度差距视为实质性问题。
什么时候该跳过 AI 去看真正的医生
AI 医生不能替代持证医师，也不提供诊断。遇到医疗急症请拨打 911。
没有任何准确度百分比——无论是 52%，还是理想条件下的 97%——能让一款 AI 诊断工具在面对严重、突发或不断加重的症状时可以放心依赖。遇到以下症状，请跳过 AI，直接去看真正的医生或急诊：
- 胸痛或胸闷，或呼吸困难
- 突发的、剧烈的、前所未有的头痛
- 无法控制的出血或迅速加重的外伤
- 中风的迹象——面部下垂、手臂无力、言语含糊
- 任何让你感觉像是急症的症状
用 AI 健康助手来了解情况、理清思路，然后让一位持证临床医生做出实际的判断。
