当 AI 系统在医学诊断上的表现超过人类专家时，人机协作一定会带来更好的结果吗？来自美国芝加哥大学的一项研究给出了意外的答案。 这项研究专门针对前列腺癌磁共振成像（MRI，Magnetic Resonance Imaging）诊断进行了深入的人机协作实验。之所以选择这个难题，该论文第一作者、芝加哥大学陈诧姹博士对 DeepTech 解释道：“前列腺癌 MRI 诊断是一个真实存在且难度较高的问题。许多以往的 AI 医疗研究所选择的领域，医生诊断的准确率可能已高达 90% 以上，但前列腺 MRI 诊断即使对经验丰富的放射科医生也极具挑战性。” 研究团队训练了一个基于 nnU-Net 架构的 AI 模型，使用包含 1411 个病例的 PI-CAI 公开数据集。这个模型在测试集上的 AUROC（Area Under the Receiver Operating Characteristic curve，接受者操作特征曲线下面积）分别达到 0.730 和 0.790，明显超过了参与研究的 8 名放射科医生的平均水平（这些医生来自美国和欧洲，年龄在 29 到 52 岁之间，大多具有丰富的前列腺 MRI 诊断经验）。 实验模拟了两种可能的临床 AI 部署场景。第一种是在医生独立诊断后，再提供 AI 的建议作为参考；第二种则是直接将 AI 的建议前置提供给医生。 第一阶段实验中，8 名放射科医生需要对 75 个病例进行三步诊断：先独立诊断，然后查看 AI 预测，最后做出最终判断。30 天后的第二阶段实验里，医生们首先会看到详细的个人表现反馈，包括第一阶段的各项诊断指标，然后在 AI 预测直接展示的情况下诊断 100 个新病例。 研究结果首先证实了 AI 辅助的直接价值，但也揭示了一个更深层次的协作瓶颈。在第一组实验中，放射科医生独立诊断的平均准确率为 63.2%，获得 AI 辅助后，他们的平均准确率提升至 66.2%。然而，这一“人+AI”的协作表现，仍未能超越 AI 模型本身 69.3% 的独立诊断准确率。 原因何在？陈诧姹观察到：虽然医生会更加依赖 AI 的决策，但他们不知道在哪种情况下该相信 AI 的建议。医生并不能分辨出哪些情况下 AI 是对的，哪些情况下 AI 是错的，所以即使他们总体上更信任 AI，最终的准确率提升还是有限。 研究显示，在第一阶段研究中，当医生的初步诊断与 AI 出现分歧时（平均 22.6 个病例），医生只在 4.6 个案例中选择改变自己的判断，改变率仅为 20.4%。且在这些存在分歧的病例中，医生自己的准确率只有 44.4%，远低于总体水平。这说明医生往往在最需要 AI 帮助的时候，反而更坚持自己的判断。 第二阶段实验中，性能反馈和直接展示 AI 建议确实提高了医生对 AI 的采纳率，从第一阶段的 75.5% 上升到 78.4%，但这种提升并没有带来诊断表现的显著改善。看来，简单地告诉医生数据还不够，无法根本改变他们的决策习惯。 既然个体层面的协作存在局限，研究团队便将目光转向了群体决策，探索实现“互补性能”（Complementary Performance）的可能性，即人机团队的表现超越任何一方单独表现的理想状态。他们将 8 位医生在 AI 辅助下做出的诊断结果进行整合，通过“多数票决”（majority vote）的方式形成一个集体的最终决策。 这一策略的效果十分显著。数据显示，这个“人+AI”群体的平均诊断准确率达到了 73.3%，不仅显著优于人类专家的独立表现（63.2%），也首次超越了 AI 模型的独立表现（69.3%）。 “这个结果的意义在于，”陈诧姹强调，“它说明在这个问题上，人类和 AI 确实是可以互补的。只有他们能互补，你最后才能看到一个比任何一方单独表现都更好的结果。” 这一发现表明，虽然让单个医生完美地驾驭 AI 存在困难，但通过群体智慧的机制，人类的经验、直觉与 AI 强大的数据分析能力确实可以实现互补，从而达到最佳诊断效果。这为未来 AI 在临床中的应用模式提供了新的思路：或许重点不应仅仅是为单个医生提供一个“超级工具”，而是构建一个人与 AI 深度融合的“协作团队”。 对于如何更好地实现这种互补，陈诧姹认为，未来的方向包括持续优化 AI 模型本身，使其更加精准。同时，更重要的是要增进医生对 AI 的 理解。“你要告诉他们 AI 模型能做到什么样，有哪些病历是 AI 模型特别擅长的，然后哪些病历 AI 模型可能没有那么好。”通过给予医生对于 AI 模型能力边界的清晰认知和数据反馈，能帮助他们建立更合理、更有效的信任。 相关论文相关以《领域专家能否恰当地依赖 AI？一项对于 AI 辅助前列腺癌 MRI 诊断的案例研究》（Can Domain Experts Rely on AI Appropriately? A Case Study on AI-Assisted Prostate Cancer MRI Diagnosis）为题发表于会议 ACM Conference on Fairness, Accountability, and Transparency [1]。芝加哥大学陈诧姹博士是第一作者，芝加哥大学谭宸浩教授担任通讯作者。
