*本文为「三联生活周刊」原创内容
当AI开始读片、写病历、筛查风险，甚至参与治疗方案设计，一个焦虑正在蔓延：未来，医生会不会被替代？年轻人还值得花十年时间学医吗？
发生在浙江大学医学院附属邵逸夫医院（简称“浙大邵逸夫医院”）的实验提供了一个回答：2020年，AI系统与来自全国各地的421位眼科医生比赛诊断角膜病，AI的准确率超越了现场96%的医生；四年后，比赛再次举行，AI的对手换成了37名经过AI辅助课程训练的浙大本科生，这一次学生赢了。
AI没有把医生推出诊室，但改变了医生抵达诊室的路径。医学教育要做的是培养既善用AI工具又能做出独立判断，既懂疾病也能面对真实患者的未来医生。
记者｜吴淑斌
胸痛缓解后，病人提出“想回家”。
这是一位30多岁的销售人员，深夜突发胸痛，到浙江大学医学院附属第一医院（下称“浙大一院”）急诊就医。急诊医生先给他做了平扫CT——这是急诊里常用的检查，费用也相对低。但平扫CT上的主动脉边界不够清楚，血管和周围组织灰蒙蒙地混在一起。急诊医生拿不准主动脉有没有问题，请来其他专业的医生一起会诊。
血管外科医生接到会诊后赶到急诊，他看了片子，也只能隐约察觉到一点异常。
更麻烦的是，此时病人的胸痛缓解了不少，他想出院回家。
《疼痛难免》剧照
要不要让病人继续留院，进一步做价格更高的增强CT？但问题是，增强CT并不是任何时候都能做，医院的硬件条件、病人的肾功能、急诊能不能排上检查，都要考虑。
几位会诊专家讨论了很久，还是建议这位销售员留下来检查。动脉造影CT的结果令他们后怕：病人已经出现主动脉壁间血肿，如果当时离开医院，主动脉内壁可能破裂，甚至有死亡风险。
这样的会诊在急诊并不少见。急性主动脉综合征进展快、风险高，但症状并不总是典型。急诊室里，医生要在复杂混乱的线索中找到最大的可能性。
不过，最近两年，AI开始帮助医生处理这种棘手的情况。浙大一院与阿里达摩院团队研发了AI医疗模型iAorta，面向的是胸痛急诊里的平扫CT。病人的影像上传到系统后，AI会自动检查主动脉相关区域，如果发现可疑信号，它会在医生工作界面发出提示，并把可疑区域标出来。医生再回到片子上复核，判断这个提示有没有道理，是否需要进一步做增强CT。
浙大一院与阿里达摩院团队研发了AI 医疗模型 iAorta，面向的是胸痛急诊里的平扫CT，这能帮助医生更早发现风险
“医学是一门经验科学，医生看得多、经历得多，心里才会有数。但急诊一线常常是年轻医生值班，不能让他们经历一次次事故才成长，代价太惨重。”浙大一院血管外科主任张鸿坤说，AI的价值就在于提前给一个提醒，让医生更早识别风险，提高诊断率，也让病人从中获益。
不仅是急诊，类似的变化也出现在更多临床环节里。医学影像是最常见的领域，AI可以在大量片子中筛出可疑区域，标注出来供医生重点查看。在门诊里，AI也可以辅助撰写病历，自动生成病历草稿，医生只需要做核对、删改、确认。
一位肿瘤科医生告诉本刊，AI甚至可以参与放疗中的一部分工作。以往，肿瘤患者在接受放射治疗前，医生和物理师要先在影像上勾画肿瘤范围，把周围正常器官标出来，确保肿瘤被照到，其他重要器官被尽量避开。这个过程很依赖人工经验，既费时间，也会受到不同医生习惯的影响。现在，一些AI工具可以自动完成初步勾画，生成治疗计划的基础版本，再由医生和物理师检查、修改、确认，如此一来，治疗流程更快、更稳定。
《精神科弱井医生》剧照
这也给医学生和患者带来了一个疑问：如果AI能写病历、读片，甚至参与放疗计划，未来我们还需要医生吗？还需要花十年时间学医吗？
采访中，几乎所有的医生和医学教育者都给出了相同的答案：AI会改变医生的工作方式，但它不能取代医生。
病人不只是一张X光片或一份心电图，甚至影像上的一个可疑区域。上海交通大学医学院教务处处长邵莉说，疾病必须放回病人的症状、体征、病史和检查条件里理解。在临床现场，AI给出的只是提示，这个提示是否可信，后续如何推进治疗，仍然要由医生判断。
政策也划出了一条明确的界限。2022年国家卫生健康委员会发布的《互联网诊疗监管细则（试行）》明确提出，AI可以进入医疗流程，但不能取代医生提供诊疗服务。
但这并不意味着医生不需要做出改变。过去，医学教育主要训练学生从症状、体征和检查结果中形成判断；现在，AI可能帮助医生更早发现风险，也可能带来误报、漏报和新的依赖，未来医生不能只会看AI给出的提示，还要学会保持独立判断力，辨别AI信息的真伪，也理解病人的处境，并综合做出对病人最好的决策。
《良医》剧照
于是，问题被抛给了医学院：AI深度进入临床之后，我们的学校如何培养出一个更好的医生？
“学医很辛苦”。把一份临床医学五年制培养方案摊开，医学生的学习压力首先会变成一串数字。在上海交通大学医学院官网公开的一份临床医学五年制培养方案中，必修课77门，总计218.5学分，选修课还要修满24学分。五年里，学生先学习医学前期课程，再进入基础医学和临床医学课程，最后一年完成各科轮转实习。
过去，这个过程很大程度上靠听课、看书、背诵、刷题完成。有了AI之后，获得答案变得很快，问题也随之出现：医学生还需要像过去那样，辛苦地记忆基础知识吗？
上海交通大学医学院教授陈广洁给我举了一个例子：一位老医生看到一张检查片子后，很快能判断出病变的性质和位置，但他不会在脑子里重新推演一遍：这个病灶在解剖上对应哪个结构，病理上属于哪种类型，影像上为什么呈现这种特征。“在临床现场，基础知识不会以背诵的形式出现，它已经内化在医生的脑海中，成为医生判断的一部分。”陈广洁说，学生只有“自己懂了，才能去判断”。
《问心》剧照
所以，问题不是“基础知识还要不要学”，而是怎么学。AI带来的难题也在这里。它太容易把知识整理得清清楚楚，并给出解释。陈广洁担心，如果学生太快拿到答案，却没有真正消化基础知识，就很难判断AI给出的信息是否可靠。
于是，她对拓展性作业做了一个很具体的要求：学生如果使用AI，要说明用了哪种工具；如果先让AI生成答案，不能只交最终稿，还要交一份带修订痕迹的版本，标注修改的内容、分析AI出现的错误，并补充文献依据，再附带一份修改后的“清洁版本”。这不只是作业格式的变化，更是把学生处理AI答案的过程可视化，从而锻炼他们的逻辑推理和批判性科学思维。这样一来，老师看到的就不只是一个结果，而是学生是否有足够扎实的基础知识和理解能力，去真正消化、辨别AI的答案。
但学生的学习并不是从一份现成答案开始的。更多时候，他还停在题目前面，不知道如何破解一个病例。医学教育要解决的另一层问题，是在答案形成之前，能不能把学生一步步带回思考过程。
2024年起，浙江大学医学院建设的启真智医AI助学平台（简称“启真智医”）也在试图回应这个问题。浙江大学医学院教授沈静参与了启真智医的平台建设过程。她解释：“启真智医不是简单的通用问答工具，而是医学教育AI平台，能够围绕医学知识理解、临床思维训练和学习路径反馈，为学生提供循序渐进的智能学习支持。”这个平台可以作为学生的自学工具。
教授沈静（中）正在和学生讨论AI提供的信息。人机协同时代，医生的一项关键能力是质疑、辨别和矫正AI的答案
沈静和开发团队看重学生的思考和推理过程。启真智医里有一个很受学生欢迎的功能，叫“自适应习题训练”，学生如果答错了，系统不会直接显示正确答案，而是继续追问学生：这个病人有哪些关键信息？你刚才主要考虑了哪个方面？是不是漏掉了某个症状或检查结果？要不要换一个角度重新判断？“以前学生喜欢刷题，因为刷题和考试成绩直接相关，但现在单纯刷题、知道A、B、C、D是没有用的。”
这种“苏格拉底式提问”，是为了让学生回到病例里，重新看线索、整理思路，把基础知识点都串联在一起。沈静觉得，得到答案的过程变快之后，最重要的反而是这段慢下来的思考过程。“要把一个什么都不知道的大学生，培养成为一名专业的医学生，知识是跨不过的，但知识会有一个更加高效的学习方式。”
在启真智医平台里，学生还可以做临床思维和急救场景的训练。屏幕另一端，AI会先扮演一位病人，学生要和“病人”对话，询问症状、病史、体格检查和检验检查信息，在有限线索中判断问题所在。
AI患者的“身体状况”会随着学生的处理方式而实时变化。典型的疾病场景是脑梗：学生观察AI患者的表现，通过问询，要尽快判断脑梗可能发生在哪里、是否需要溶栓、后续治疗该怎么走。如果学生一开始提问的方向偏了，得到的有用信息就很少；如果没有识别出生命危险，甚至没有判断出脑梗，AI患者不会等他重来一遍——它的病情可能继续恶化，甚至死亡。
这套训练的核心目的之一是对学生思维过程进行评价：关键病史有没有问到，危险信号有没有识别，哪一步把判断带偏了，有没有及时调整方向。一轮问询结束后，AI又会切换成“专家”角色，对学生的表现做出反馈。沈静说，智能体的背后有一棵“决策树”，是一套由几十位临床专家共同制定的“评分规则集”，学生与AI患者互动时，系统会持续记录他的急救能力；互动结束后，AI再像上级医生一样回看这次处理过程并打分。
对于还不能真正承担抢救责任的低年级医学生来说，关键不是“能不能治好病”，系统会更关注临床思维形成的早期阶段：学生能不能获取核心信息，能不能建立合理的诊断思路。“比如面对一位胸闷的患者，学生会不会过早将症状归因于心血管疾病，而忽略了呼吸系统等其他可能？必要的病史和体格检查信息有没有获取到？”
浙江大学医学院的学生，在课堂上通过启真智医平台进行AI互动学习
医学教育中的“评价”环节很重要，因为它要判断这个学生距离“可以被病人信任的医生”还有多远？
沈静提到，临床医学培养里一直强调“胜任力”，也就是一个医学生是否具备独立面对临床工作的综合能力。但真正的临床工作不是考试，没有标准答案，医生面对的是情况复杂的病人，需要从零散的症状、病史和检查结果里做出判断。一个合格医生不仅需要医学知识，还需要和病人沟通、识别风险、承担责任的能力。
过去，这是评价最难的地方。考试只能看到结果，看不到过程，过程评价散落在课堂讨论、实验、见习等每一个环节。但在日常教学中，一位老师很难兼顾每一位学生的过程表现。沈静举了几个常见的例子：讨论课上，几个小组同时讨论时，老师的观察范围有限，很难时刻关注每位学生的发言、协作和推理过程，也难以及时识别讨论中的知识盲点和思维偏差。实验课更是如此，“一个小班30个人，3个人一组，10个小组同时做实验，老师只有一个，只能哪里喊他就去哪儿，很多过程中的评价其实是缺失的”。
《重启人生》剧照
现在，AI补上了传统课堂里漏掉的环节。启真智医把评价需要围绕病例展开小组讨论。沈静说，以前传统的评价办法是同学互评：“问题是，一个团队的讨论看起来热闹，如果有一位同学几乎没有发言，我们认为其他同学会给他比较低的评分。后来我们发现，学生互评时总是会倾向于给平均分。”这样一来，分数就很难真实反映每个人的能力。
AI加入之后，评价方式变得具体了。启真智医平台可以把每个学生的讨论内容实时转成文字，再对个人和小组表现进行分析：一个学生是否围绕病例提出观点、发言中是否包含有效信息、能否回应同伴并推动讨论深入，这些过去容易“飘”在课堂里的表现，都能被记录下来。评价也不只是统计谁发言更多，而是从内容质量、合作过程和问题推进等多个维度来观察。这样一来，老师课后看到的就不只是小组最终汇报的结果，还能回溯到讨论过程本身。
《白色巨塔》剧照
实验课里，AI发挥作用的方式又不一样。以呼吸系统动物实验为例，学生完成插管后，动物的呼吸频率、每分通气量等数据会进入一体机，再传给平台。老师事先设置了实验数据的变化趋势，系统会根据实时数据判断，学生操作的结果是否偏离预期，并及时提示老师哪个小组可能出现异常。
在这个评价过程中，系统记录的并不只是操作是否完成，更看重学生在数据异常时如何发现问题、一到大五，我们把学生与临床胜任力相关的表现都输入系统，就能形成一条成长曲线，他的成长速度快慢、当前所处的发展阶段，以及后续需要加强的方向，都能够更清晰地呈现出来。”沈静说。评价不再只是一次性的打分，而成为伴随整个培养周期的记录和反馈。
2020年，浙大邵逸夫医院眼科办了一场特殊的比赛。一边是来自全国各地的421位眼科医生，另一边是眼科领域的AI诊断系统。比赛的结果是，AI诊断角膜病的准确率超过80%，超越了现场96%的医生。“这里面有不少人是工作了一二十年的资深专家，但AI超越了他们的诊断准确率。”谢文加说。他是浙大邵逸夫医院的眼科医生，也长期给浙江大学医学院本科生授课，他所在的学科交叉团队开发了这款AI工具，也是这次比赛的发起者。
2022年7月，武汉一场胃早癌识别人机大赛上，30多位消化内镜医生与AI“内镜精灵”同台竞技。相较AI，人类医生的独特优势在于其强大的泛化学习能力
四年后，另一场比赛又发生了。这一次，参赛对象换成了37名浙江大学医学院本科生，对手还是AI，结果反过来了：学生赢了。
这四年里发生了什么？谢文加说，关键就在他们把AI变成了“共学伙伴”，用它来训练医学生，提前获取临床经验。
这种转变源于眼科教学一个由来已久的困境。谢文加介绍，在临床医学教学上，眼科只有1.5个学分，理论课16个学时，真正分到角膜病这样的具体疾病可能只有一个小时。角膜炎的判别很困难，“病人的眼睛出现白色的斑点，可能是细菌感染角膜炎，也可能是真菌感染或者是病毒感染。这三种感染的治疗方法完全不一样，用错药，轻则延误病情，重则可能导致失明”。课堂上，谢文加也会展示几张典型病例图片，但学生见到真正的病人时，依然“云里雾里”，很难和教材上的症状对上。
临床见习很难补上这个缺口。按照培养方案，学生完成眼科理论课程后会被安排为期一周的医院见习，这在同类院校中已是比较长的。在见习中，几位学生通常共同跟随带教老师出门诊，若遇到典型病例，老师会尽量用裂隙灯显微镜让学生轮流观察，或拍下影像资料供大家学习。“但一周时间毕竟有限，能不能碰到典型病例要看运气。”谢文加收到过学生的反馈，一周见习结束了，学生也没有遇到教科书上的典型疾病。结果是，见习期学生理论考试平均能考80分，但面对真实病例图片，准确率只有42%。“理论和实战之间还有距离，所以和病人交流起来普遍还有畏惧情绪。”谢文加说。
谢文加（左一）是浙大医学院较早开始用AI辅助教学的老师，也经常开展AI教学讲座和师资培训
有没有办法解决这个难点？2017年，浙大邵逸夫医院眼科团队和浙江大学计算机学院团队合作，团队积累了超过11万张真实患者的角膜照片，训练出可以识别不同角膜病的AI模型。这套模型后来被带进课堂，帮助学生学习怎样看病。
学生先看由AI生成的典型角膜病图像。在真实病例里，不同类型角膜炎的典型特征可能被水肿、坏死或其他混杂因素遮住，学生不容易看出来。而AI生成的图像会把某些特征强化显示，比如病毒性角膜炎里的新生血管会很明显，学生更容易把抽象描述和图像对应起来。接着，AI会模拟角膜炎发病的动态轨迹，“在医院见习时，学生只能看到病人就诊时的某个疾病状态，下一次病人再来时，他的见习可能早就结束了”。谢文加说，AI可以模拟一个病变从早期到严重、从严重到好转的完整变化过程。
最后，学生进入人机协同诊断训练，它更接近临床上的真实场景。在这个阶段，面对一张病例图片，AI不只给出结论，还会标出可疑区域、特征权重和诊断提示。接着，谢文加会带着学生讨论病例，辨别AI的结论是否正确，如果认为AI的判断不对，可以手动调整可疑区域和特征权重，看结论会不会变化。这样一来，AI提供的就不只是一堆图片，而是一个接近真实的临床决策现场，能让学生提前操练。
《精神病房也会迎来清晨》剧照
2024年的第二次比赛，正是在借助AI训练学生之后发生的。题目换了，病例图像也换了。学生最终的诊断准确率达到71%，而AI是70%。
谢文加更看重的不是学生高出的这1个百分点，而是他们在新病例里表现出的“泛化学习能力”，这正是人和机器的学习能力差异。谢文加说，AI擅长的是模式匹配，遇到和训练数据相似的图像，能做出比较准确的判断；但换一批图片，准确率就可能波动。而学生在训练中学到的不是某一张图的标准答案，而是比较病灶边缘、浸润方式和病程变化的能力，可以把这些判断用到和训练图片差异很大的新病例上。
这也意味着，学生不可以对AI的提示“照单全收”。真实疾病不会总按照教科书上的“典型方式”发生，医生看病不是把一张图片送进模型，再等一个分类结果，还要把所有情况，甚至相互矛盾的表现放在一起判断。谢文加遇到过一个真实的案例：一位病人的诊断结果和使用的药品都没有问题，但病情却一直加重，后来他才发现，病人不会正确用眼药水，总是把药水点到脸上。这是AI难以发现的细节，却会留在医生的临床经验里。
《难哄》剧照
谢文加对AI教学的边界很清醒，这些病例图片虽然能展示典型特征，但AI也会产生“幻觉”，生成不存在的病灶或错误特征，谢文加每次都会对AI资料做审核。而且，病例图片也只是临床的一部分，老师给医学生讲某个疾病时，不是割裂地对待疾病的各个方面，而是会把病人的主诉、临床表现、检查结果、用药诊断全都串联在一起，融在每一门课程里，这是AI无法完全模拟出来的。
在谢文加的一堂课上，有一个学生提了一个问题，“既然AI的结论会出错，我们什么时候需要判断，要手动调整它的分析过程？”谢文加觉得，这个提问本身就说明，学生已经意识到了AI提供的不是标准答案，只是一个需要被审视的参照，“医学往往没有标准答案，未来AI一定会参与医生的工作，质疑、辨别和矫正AI的答案，正是人机协同时代的核心能力”。
一对夫妇已经生过一个患遗传病的孩子。第二次怀孕时，他们坐到医生面前，反复问的是几个很简单也很难回答的问题：这个孩子健康吗？得病风险到底有多大？我们还能做些什么？医生当然要解释遗传规律、检测结果和下一步方案。这个过程很艰难，因为患者的问题背后是一个家庭的焦虑、一个孩子的未来。
《产科医鸿鸟》剧照
张艺扉是天津大学医学院的老师，她教授的医学遗传学，就是这样一门需要医生直面患者、直面这些问题的课。这门学科所涉及的临床场景多集中在产前咨询、罕见病诊断和家族风险评估等方面，而现实是，许多遗传病至今缺乏有效治疗手段，医生能做的更多是发现、解释和预防。
遗传咨询对医生的人文素养要求很高，但本科生很少有亲身实践的机会。全国开设遗传咨询门诊的医院本来就不多，出于隐私考虑，学生不可能完整旁听一场对话。
于是，张艺扉用AI搭建了一个“虚拟遗传咨询”平台。在平台上，系统模拟了两位来访者，一位是父亲患有亨廷顿舞蹈症的中年女教师，最近她自己出现不自主抽动的现象，带着恐惧前来；另一位是有唐氏综合征患儿生育史的孕妇，对新生命的健康状况忐忑不安。学生必须靠提问和解释一步步推动对话，系统不会主动交代关键信息。
《紧急救命》剧照
一开始，学生问诊都很有耐心，说完“请问有什么可以帮您”，有人还会温柔地加一句“拍拍你的背”。但聊着聊着，气氛就开始变了，哪怕学生解释了一遍又一遍，AI还是会不断追问，就像一个真实的、焦虑的、充满不确定性的患者。张艺扉在后台看到，绝大多数学生能始终保持耐心、仔细地讲解，但也有部分人语气渐显急躁，他们的回复从一大段文字，直接变成“你去做羊水穿刺检查，不然我怎么知道？”“我是医生，还是你是医生？”“我说过就是不确定”。甚至极个别学生偏离了中立咨询原则，出现代替患者做决定的倾向性表达：“孩子有问题，打了吧。”——这是医生的职业禁区。
咨询的结局也各不相同。有的人“满怀希望地手牵手离开诊室”，甚至和医生约好了“孩子出生之后再带来看您”，有的人则是“步履沉重，哭泣着渐渐远去”。
在课堂复盘时，张艺扉给学生梳理了来访者的心理变化。一开始来咨询时，他们会带着心理防御，不愿意透露家里的真实情况；医生共情建立信任后，患者卸下了防御，但开始对医生产生依赖，这时候，医生不得不告知“这个病有可能发病，也有可能一辈子不发病”的不确定性，患者会瞬间崩溃，反复追问。“这时候医生应该做的是走到病人身边，接住他的情绪。学生没有临床经验，不知道这个规律，就会跟着一起崩溃，这是一个必经的过程。”
《第19份病历簿》剧照
这种面对面的沟通能力，在医学教育里一直被认为是最难教的东西。它们不完全属于医学知识，也不只是沟通技巧，是在真实医疗场景里逐渐形成的判断力和同理心。近年来，医学教育越来越强调这类“非技术能力”，它们更难训练，却直接影响患者对医疗的感受。北京大学医学部人文学院教授王一方告诉本刊，“人文是最难教的，没有阅历，几乎免谈”。
张艺扉的虚拟遗传咨询课，某种程度上就是在补这个缺口，把学生提前扔进一个“模拟的临床现场”，让他们在零试错成本的情况下体验“崩溃的感觉”。
但虚拟病人终究不能替代真实的病人。张艺扉说，AI病人比真实的病人更有耐心，只要学生不断地询问，AI就会持续回答。真实的患者会沉默、会爆发、会拍桌子走人，AI只能描述这些行为，却不会真的失控。这种“面对面交流”的存在感，AI无法复刻。“AI既无法代替真实的患者，也无法成为真实的医生，在充满不确定性的遗传咨询诊室里，AI给不了来访者‘有人陪着我一起面对’的踏实感。”也正因如此，除了虚拟训练，真实门诊观摩和实践亦不可或缺。
《问心》剧照
而且，现实的场景更复杂，诊室里可能挤满了病人的伴侣、父母、孩子，医生想给患者一个建议时，需要考虑的不仅仅是他本人。
王一方讲过一个真实的场景：一个家庭坐在一起开家庭会议，讨论父亲的治疗方案，老大的方案是花50万元，但老二只能拿出5万元。“老大在’画大饼’，不出钱；老二沉默，把钱拍在桌上。”王一方说，一个好医生要有“劝进”，也要有“劝退”：既要把治疗可能带来的收益讲清，也要把风险、负担和现实条件一并摆出来。真正困难的是让每个人听懂，也让每个人不觉得自己因为钱少、意见不同，或者说得不够响亮，就被轻慢了。这种场面，AI模拟不出来，它算得出数字，但算不出那张桌子旁边的沉默、争吵和眼泪，能坐在那里把话说明白的人，才是病人和家属真正需要的医生。
狗仔卡
发表于 2026-7-21 12:16 PM
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡