2026年4月1日，AI辅助诊断正式被纳入国家医保乙类目录，首批覆盖肺结节CT筛查、眼底病变识别等12个高频场景，全国超800家三甲医院完成系统部署（来源：国家医保局及多家媒体报道）。这个被行业视为打通商业化“最后一公里”的政策，落地三个月后，却暴露出更复杂的现实。
政策被误读的“利好”
“AI辅助诊断纳入医保”在行业内流传时，被不少解读为“医院可以开新收费项目了”。实际上，一项更细致的分析指出这是集体误读。以上海市2025年发布的《放射检查类医疗服务价格项目》为例，X线摄影成像（乳腺）三级医院定价85元，属于医保甲类支付项目；其扩展项“人工智能辅助诊断”同样定价85元，也执行甲类支付（据医药魔方报道）。换句话说，所谓的“纳入医保”既没有为医院新增收费条目，也没有为AI企业直接打开付费接口。它更像一个名分——承认了AI在诊断中的辅助价值，但经济效益并不直接，这直接影响着医院的采购意愿。
医生为什么不听AI的
在南方一家已接入肺结节AI辅助诊断的试点医院，放射科医生对AI标注的完全采纳率仅在40%至60%之间（一线走访数据）。对于典型实性结节，AI检出率很高，但对磨玻璃结节、复杂位置常有漏报或误报。医生需要花大量时间核实AI的建议，有的甚至比手动阅片更慢。在广东某医疗大模型的试点中，医院反馈AI系统的“有效辅助率”约为65%，但完全信赖AI的医生不足三成（来源：行业调研）。
不采纳的理由集中在“假阳性过多”和“不可解释”。AI圈出可疑区域，但无法告诉医生为什么觉得它像肿瘤。一位放射科主任坦言：“我们最多用它做标记，最后还是要自己看一遍。”这种核实成本在现行医保支付体系下并未得到补偿——AI辅助诊断服务定价与原检查项目打包，医生的工作量反而增加了。
算法偏差：越罕见，越危险
算法偏差在真实临床中暴露了更多短板。以肺结节筛查为例，AI模型训练多来自CT设备较新、参数统一的样本，在基层医院的低剂量或模糊图像上，误判率明显上升。一位医生分享了一个案例：AI将一例早期曲霉球误标为良性结节，因为训练集中类似病例不足千分之一。
更系统的偏差来源有三。数据偏差：训练样本缺乏代表性，某些模型在女性、非吸烟人群中的假阳性率显著高于男性吸烟人群；场景偏差：急诊科的模糊影像、患者体位不正的片子，AI的判断可能完全失效；标注偏差：AI学习的“金标准”本身带有标注医生的主观偏见，AI会忠实地学会这种偏差。这些偏差导致一个典型的误诊场景：AI将良性表现错误识别为高风险，或漏掉真正的病灶。医生的很大一部分工作变成了识别和修正AI的“系统性错误”。
责任归属：谁为错误买单
最棘手的仍是责任归属。如果医生采纳了AI的假阴性建议导致患者延误治疗，责任在谁？目前，我国法律框架下AI既不是执业医师，也不是医疗机构，无法作为责任主体。医生若完全依赖AI而未尽到合理注意义务，可能构成医疗过失；若否定AI建议，患者事后发现AI是对的，医生同样面临风险。
2026年5月，一起因AI漏诊早期肺癌的医疗纠纷将医院和AI供应商一同告上法庭，但判决逻辑尚不明确（业内流传案例）。这种法律真空并非医疗领域独有——[AI志愿助手，别把概率包装成答案]一文中提到，2026年监管新规的重点已从“推荐准不准”转向“平台该说清什么、错了谁负责”。但医疗AI涉及生命健康，定责标准必须更硬。目前多数医院与AI供应商的合同只约定技术参数，未对临床结果承担连带责任，医院面临索赔时极为被动。
数据困局：不能、不敢、不愿
除了技术和法律，数据共享的僵局仍在延续。据《人民日报》相关报道，公立医院普遍存在“不能、不敢、不愿”共享数据的问题。“不能”是因为医疗数据多模态、高复杂、强专业，缺乏统一标准；“不敢”源于隐私保护与合规风险；“不愿”则涉及商业利益和数据资产归属。这种封闭性限制了AI模型的持续迭代——一个优秀的诊断模型需要海量真实世界数据进行微调，但在数据不出域的限制下，模型性能往往在上线一年后就开始衰减。这也是许多AI产品试点期间亮眼、推广至全国便效果打折的原因。
辅助的定位不能变
医保支付的真意是为医疗AI创造了制度入口，但它不是灵药。业界共识逐渐清晰：AI必须恪守“辅助”角色，专注于高频、重复、可标准化的任务。对于医院，引入AI前应先进行“人机并行”，统计采纳率和误报率，再逐步调整信任阈值。对于AI企业，与其追求“精准率99.9%”的宣传，不如公开更多边缘案例下的失败概率并输出置信区间。正如[医保开口之后，医疗AI还要补三课]文章所强调的，数据孤岛与伦理红线是前两课，第三课是监管层面对“黑盒”算法的动态追踪。
容错设计同样关键——当AI信心分低于阈值时，系统应主动提示人工复核，而非默然输出一个无把握的结论。[多Agent上生产，先补这几处容错]一文中提到的超时、冲突、异常样本处理经验，完全值得医疗AI借鉴。
从政策利好到临床信任，医疗AI还有很长的路要走。它永远不会成为医生，但可以成为一名称职的助手——前提是，我们从一开始就承认它会犯错，并为之建立验证流程、数据反馈机制和明确的责任划分。在每一次AI标注和医生复核之间，最后的“人”必须守住防线。
