医学生过度依赖AI恐丧失诊疗推理能力

随着人工智能深度嵌入医疗领域，一场关于临床训练未来走向的讨论正在医学教育界蔓延。斯坦福大学医学院医学学生西马尔·巴贾杰与约翰斯·霍普金斯医学中心创伤外科医生约瑟夫·萨克兰在《卫报》发表文章指出，医学生使用AI带来的危险不仅是技能退化，更可能是从一开始就没有真正形成技能。

两人写道：“忘记如何推理的医生还有可能重新掌握这种能力，但从未学会如何推理的医生可能就做不到了。”这句话直指AI介入医学训练的核心风险——如果学习者在起步阶段就依赖AI生成现成答案，那么本该在反复试错和艰难思考中建立的临床推理能力，可能根本无从形成。

这一担忧并非空穴来风。据外媒报道，美国约三分之二的医生已经开始使用专门面向临床医生的AI聊天机器人OpenEvidence，表明AI技术已广泛进入医疗工作流程，并深度融入医务人员的日常工作。与此同时，一项发表在《Nature Medicine》上的新研究给出了令人意外的结论：研究人员评估了医疗专用大语言模型的可靠性，结果显示这些临床AI工具回答医疗问题的表现，反而不如ChatGPT和Claude等通用聊天机器人。研究作者称，其整体表现大致与谷歌“AI概览”相当，而后者此前已因表现不稳定和答案不准确而“臭名昭著”。

巴贾杰和萨克兰强调，即便AI工具能够帮助查找资料，且可靠性仍存在重大问题，也不能取代学习者亲自动脑思考。他们认为，学习过程中，艰难思考本身就是重点。过去，受训者在列出可能的诊断时，往往要费力思考，最后只能提出一份不完整的清单，然后从遗漏中学习，有时还会因此感到难堪。而现在，受训者只需询问OpenEvidence，就能直接得到一个近乎完美的答案，其中包括他们从未考虑过的可能性，同时也不必经历遗漏诊断带来的尴尬。

这正是AI与以往医学技术进步的根本不同之处。过去的技术突破更多是扩大医生能够看到的范围，比如影像设备提升了解剖结构的可视化水平，实验室检查提供了更精确的生化指标。而AI的介入却直接作用于医学训练本应建立的认知机制——它替学习者完成了推理过程中的关键跳跃，让大脑的“肌肉记忆”毫无用武之地。

针对这一困境，两位专家提出了几种解决办法。其中一种方案是要求受训者定期在完全没有AI帮助的情况下独立处理病例。这一思路与美国联邦航空管理局建议飞行员定期关闭自动驾驶系统、手动驾驶飞机的做法类似，目的都是确保操作者在自动化工具失效或受阻时，依然具备最核心的应对能力。另一种强有力的约束或许来自“羞耻感”——当未来医生明白自己的推理能力可能被空壳化，而专业身份正建立在这种能力之上时，这种职业自尊或许能成为抵御AI依赖的最强防线。

医学教育的终点不是让AI替医生思考，而是让医生有能力驾驭AI。如今，如何在拥抱技术效率与守护认知深度之间找到平衡，已经成为医学界必须正视的课题。