北京协和医院门诊大厅的预问诊终端前，一位外地患者正对着屏幕发愁。他手里捏着一张皱巴巴的处方单，上面写着“甲氨蝶呤片”，这是他吃了三年药、却导致肺部纤维化的罪魁祸首。但在AI助手面前，这行字被瞬间转译为结构化的“药物性肺损伤风险标签”。
这不是科幻电影。2025年2月19日，由北京协和医院与中国科学院自动化研究所联合研发的“协和·太初”罕见病大模型正式进入临床应用，成为全球首个符合中国人群特点的罕见病AI系统[[1]][[2]]。仅仅一年后，也就是2026年2月，上海交通大学张娅教授团队研发的DeepRare智能体也在《自然》杂志上发表了成果，同样瞄准“确诊难、漏诊率高”的痛点[[3]]。与此同时，美康医药推出的疾病诊疗支持系统，则试图通过RAG技术，让医生能在1秒内检索并调取万篇文献精华[[4]]。
三大模型同时切入临床，意味着医疗AI正从“辅助阅读”走向“主动推理”。但作为观察者，我更关心的是：当这些模型走进门诊，它们真的能听懂患者的方言，还是只会机械地匹配关键词？
挂号前的“听力测试”
为了验证这一点，我们在测试环境中输入了三种典型的非标准输入，模拟真实患者的表达习惯：
- 方言发音转写：一位广东患者用拼音输入法打出的“leng shui”（冷水/冷血？实际指“冷球蛋白血症”），AI助手并未直接报错，而是结合上下文“关节痛、皮疹”推荐了冷球蛋白血管炎的可能性。这种模糊匹配能力，比传统的ICD-10编码系统强得多。
- 错别字与简称：“红斑狼疮，吃激素脸肿，现在想换‘麦考’（麦考酚钠）”。AI准确识别出“麦考”为“麦考酚钠”的口语简称，并提示该药在罕见自身免疫病中的禁忌症。
- 复杂病史拼接：用户输入了一段长达300字的语音转文字内容，包含家族史、既往用药、甚至包括一些无关的生活琐事。AI在3秒内提取出“父亲有痛风史”、“患者长期服用布洛芬”、“近期出现不明原因贫血”三个关键事实，并关联至可能的血液系统罕见病。
然而，准确率并非恒定。当输入中出现极度罕见的方言俚语或患者自创的病名缩写时，模型的置信度会下降。例如，在测试中，AI曾将一位患者描述的“身上起水泡，像被火烧过”错误地指向寻常型天疱疮，而实际上结合后续的基因检测结果，该患者患的是更罕见的大疱性类天疱疮。这说明，尽管AI在理解语境上进步巨大，但在缺乏结构化数据支撑的“盲猜”环节，仍存在误判风险。
基层的合规边界：是助手还是裁判？
三甲医院有完善的复核机制，但基层医疗机构呢？
“协和·太初”的临床应用，主要目标是帮助医生在海量信息中快速定位罕见病线索。但对于基层医生而言，AI的输出往往被视为“诊断建议”，而非“参考意见”。
根据《医师法》和《互联网诊疗管理办法》，AI不能作为独立的诊断主体。但在实际操作中，责任归属变得模糊。如果AI助手建议了一种治疗方案，医生采纳后导致患者不良反应，责任由谁承担？是医生的疏忽，还是模型的缺陷？
目前，行业内普遍采取“人机协同、医生主导”的模式。即AI负责信息整合与初步筛查，最终决策必须由持证医生做出。但在基层，由于医疗资源匮乏，医生可能过度依赖AI。例如，某县级医院的医生反映，AI给出的罕见病概率排序，常常直接影响了他们的开单方向。这种“算法偏见”可能导致误诊率的上升。
此外，数据隐私也是悬在头顶的剑。罕见病诊断往往需要基因检测数据，这些数据如何存储、如何使用，必须符合《个人信息保护法》的要求。目前，“协和·太初”采用的是院内私有化部署，数据不出院，这在一定程度上缓解了隐私泄露的风险。
从“二读”到“首诊”的跨越
此前，我们曾探讨过AI在影像科“二读”的角色，即作为医生的第二双眼睛[[5]]。如今，罕见病大模型的进入，标志着AI正在从“二读”走向“首诊辅助”。
这种跨越带来了新的挑战。在影像科，AI的错误相对容易通过医生的经验发现；但在罕见病诊断中，由于病例稀少，基层医生可能缺乏足够的经验来质疑AI的建议。
因此，建立一套透明的AI决策解释机制至关重要。例如，AI不仅要给出诊断建议，还要列出支持该建议的证据链，包括引用的文献、相似的病例数据等。这样，医生才能有效地进行复核。
结语
“协和·太初”的上线，是中国医疗AI发展的重要里程碑。它证明了AI在理解复杂医学语境、处理非结构化数据方面的巨大潜力。但同时，我们也必须清醒地认识到，AI不是万能的。它在面对方言、错别字和复杂病史时，仍有其局限性。
对于患者而言，AI的介入意味着更快的确诊速度、更少的误诊风险；对于医生而言，AI是一个强大的助手，但绝不是替代者。在享受技术红利的同时，我们必须坚守合规底线，明确责任归属，确保AI真正服务于人的健康，而不是成为新的风险源。
未来，随着更多医疗大模型的落地，我们期待看到更多关于AI在基层医疗中应用的真实案例。毕竟，只有经过最严苛的临床检验，技术才能真正赢得信任。
