研究说了什么
一个诊断 AI 的可信度，取决于它经过了几层验证。第一层是内部验证，把同一批数据随机拆分，训练集与测试集来自同一家医院、同一台设备，AUC 常被推到零点九五以上。第二层是时间外验证，用同一家医院后续时间段的数据，性能通常下降一到三个百分点。第三层是外部验证，换医院、换设备、换人群，一项系统综述统计了数十个影像 AI 模型，内部验证的平均 AUC 约零点九三，外部验证降到零点八七，部分模型跌幅超过零点一。第四层是前瞻性部署，在真实工作流中运行，此时还要面对图像质量不合格、罕见病变、设备漂移与医生是否采纳的问题。一项前瞻研究把模型嵌入阅片流程，发现单独使用时灵敏度九成、特异度九成二，但医生在模型提示下工作时，整体灵敏度只提高了三个百分点，特异度反而下降两个百分点，原因是医生对假阳性的容忍度改变。校准也是关键：一个区分度不错的模型若把风险整体高估两成，临床决策仍会被带偏，校准斜率应接近一。这一落差在跨厂商设备上更常见，因为图像重建的细节差异会被模型放大，而训练时很少覆盖这些变异。
为什么重要
AI 诊断产品进入医院时，宣传材料常引用最高的一档数字，而使用者关心的是自己科室的表现。落差来源可以拆解：人群不同，患病率与疾病谱变了；设备不同，图像纹理与噪声分布变了；标注不同，金标准由不同年资医生制定，边界病例的标签本身就带噪声。对这些因素，单靠更大的训练集无法解决，必须做本地化验证与持续监测。对医院，采购前应要求提供外部验证数据、校准曲线与失败案例分析，而不是只看 AUC。对医生，理解模型的输出是概率而非判决，尤其要警惕分布外样本：模型没见过的情况，置信度可能仍然很高。对个人，看到人工智能诊断准确率超过专家的标题时，值得问三个问题：比的是哪一档任务、外部验证做了没有、错误类型是什么。需要强调，目前多数 AI 诊断工具定位为辅助，最终诊断责任仍在医生，任何筛查结论都应由医生复核。还有一个现实障碍是工作流，模型若需要额外上传、等待或切换界面，医生在忙碌时就会绕过，实际覆盖率远低于部署时的预期，这一点在采购评估中常被低估。
证据与边界
AI 诊断的验证框架已逐步成型，TRIPOD 与 CONSORT-AI 等规范要求报告人群、设备、参考标准与失败模式，但执行并不统一。多数发表研究仍停留在内部或单中心外部验证，前瞻性、多中心、随机对照的证据很少。已发表的随机试验多聚焦于效率指标，如阅片时间缩短、检出率提高，而对患者结局的改善证据有限。边界还包括：数据偏倚，训练集若以某一人群为主，少数群体性能会下降；标签噪声，参考标准本身不完美会压低可达上限；以及更新问题，模型部署后数据分布会漂移，需要定期再校准。另一个易被忽略的点是人与 AI 的交互，研究显示模型提示可能让医生对明显病灶放松警惕，也可能引发过度召回。对读者，理性态度是把 AI 看作第二读者，而不是替代者；具体到自己的检查结果，仍应由医生结合影像、病史与随访判断，不宜依据 AI 评分自行决定是否进一步检查。因此在评估此类工具时，报告完整性与性能数字同样重要，缺一不可，也不应只看单中心的结果。