前几天在咖啡馆刷到一条新闻，说是某个 AI 模型能提前预测儿童脓毒症的肾损伤。我第一反应不是”哇好厉害”，而是——又来一个？这两年 AI 医疗的论文我见得太多了，标题都差不多：“准确率 95%”、“超越人类医生”、“革命性突破”。但真正能用起来的有几个？
后来仔细看了看今天的几篇论文，发现不太一样。这次不是单纯在发新模型刷分，而是在补一个更底层的问题：怎么证明你的 AI 真的靠谱，而不只是在一个数据集上运气好。
Table of contents
Open Table of contents
可解释性：不是锦上添花，是生死线
那篇预测儿童脓毒症肾损伤的研究，最吸引我的不是预测准确率，而是它专门强调了”可解释性”。
什么意思？就是 AI 不能只给你一个结果说”这孩子有 80% 概率会肾损伤”，还得告诉你”我是根据尿液里这几种代谢物的变化做出判断的”。
这听起来像是额外要求，但对临床医生来说，这是能不能用的前提。你想，ICU 的医生每天要做无数个决策，如果 AI 给他一个黑箱结果，他敢信吗？万一出了医疗事故，责任算谁的？
我之前做 AI 课程的时候也遇到过类似的问题。用户买了课程，用了里面的提示词模板，生成的结果不理想，第一反应就是——“这个模板是不是有问题？“我如果只是说”这个模板很好用，你再试试”，用户根本不会信。但如果我能解释”这个模板的逻辑是先做什么、再做什么，你的输入可能在哪一步出了问题”，用户的信任感会强很多。
AI 医疗也是一样。可解释性不是技术上的炫技，是建立信任的基础设施。
“换个医院就崩”，这个 bug 太致命了
今天还有一篇论文让我印象深刻，是关于阿尔茨海默症诊断的。它没有发新模型,而是提出了一套专门的验证方法——SAR 验证方法——用来检测神经影像和临床模型的鲁棒性。
为什么需要这个？因为 AI 医疗有个老大难问题：在 A 医院训练的模型，拿到 B 医院就不行了。
数据集不一样、设备不一样、患者人群不一样，模型的表现就会大幅下降。学术圈把这叫”泛化能力差”。听起来很学术，但翻译成人话就是——你这个 AI 不靠谱。
我卖 AI 账号这一年多，深刻理解这个问题。Cursor 的换号器为什么要不断调整？因为官方会改接口、会改限制策略，你的脚本在这个版本好用，下个版本可能就失效了。如果我只在自己电脑上测试通过就卖出去,用户那边跑不起来,那我就是在砸自己招牌。
AI 医疗的问题更严重。因为医疗数据的差异性比软件接口复杂得多——不同医院的 CT 扫描仪型号不同、拍摄参数不同、患者人群的基础疾病分布不同。你在顶级三甲医院的数据上训练出来的模型,拿到县级医院可能完全不work。
所以这篇论文做的事情很务实：不是发一个新模型说”我们又提升了 2% 的准确率”,而是说”我们做了一套方法,专门用来检验你的模型在不同场景下是不是真的靠谱”。
这种研究不sexy,不会上热搜,但它是让 AI 医疗真正落地的基础设施。
学术圈在做”不性感”但重要的事
今天看完这几篇论文,我有个感觉：学术圈正在从”发新模型刷榜”转向”补基础设施”。
比如那篇关于 CKM 综合征（心脏-肾脏-代谢综合征）的研究,引入了 SPISE 指数 + 集成机器学习,对患者的心血管风险做精细分层。这不是什么颠覆性创新,但它解决了一个很实际的临床需求：怎么更准确地判断这个慢病患者未来几年心脏出问题的概率。
还有那篇关于 MMP9 基因的研究,发现阿尔茨海默症和亨廷顿病这两种看起来毫不相干的病,居然有一个共同的免疫相关基因。这意味着什么？可能一种药物可以同时干预两种病。这种”找共同靶点”的工作,也不是那种能上新闻头条的突破,但它是新药研发的前置工作。
这让我想起我自己的业务。我刚开始卖 AI 账号的时候,总想着搞点”大新闻”——什么独家渠道、什么内部优惠。后来发现,用户真正在意的不是这些,而是：发货快不快、账号稳不稳、出问题能不能解决。
所以我现在花很多时间在做的,不是找新产品,而是优化交付流程、做售后文档、搭建自动化系统。这些事情不性感,但它们决定了我的生意能不能长久做下去。
AI 医疗也是一样。那些”准确率 99%“的论文看起来很炫,但如果模型不可解释、换个医院就崩、无法通过监管审批,那就是空中楼阁。
从论文到临床,还有多远?
说实话,我不知道。
这几篇论文都是在做基础工作——提出方法、验证可行性、找到新靶点。但从论文到真正能用的临床工具,中间还隔着产品化、临床试验、监管审批这几座大山。
拿那个预测儿童脓毒症肾损伤的模型来说,它现在还只是在两个医学中心做了前瞻性研究。要真正推广到全国的儿童 ICU,至少还要：
- 在更多医院做多中心验证
- 做产品化开发（不能让医生自己跑 Python 脚本吧）
- 走医疗器械审批流程
- 培训医生怎么用这个工具
这一套流程走下来,快的话 2-3 年,慢的话 5 年都有可能。
但这不意味着这些研究没价值。恰恰相反,这些”不性感”的基础工作,才是让 AI 医疗从 PPT 走向现实的必经之路。
对普通人意味着什么?
作为一个想借 AI 长生不老的外行（对,我还在坚持这个疯狂的目标）,我现在能做什么？
老实说,直接受益还轮不到我。这些研究针对的都是特定疾病——儿童脓毒症、阿尔茨海默症、前列腺癌。作为一个 30 多岁在大理卖 AI 账号的人,我既不在 ICU,也没有老年痴呆（目前）。
但我关心的是进度条。
5 年前,AI 医疗还停留在”概念验证”阶段——证明 AI 能做到这件事。 3 年前,进入”刷榜”阶段——各种模型比赛谁的准确率高。 现在,开始进入”补短板”阶段——解决可解释性、鲁棒性、可复现性这些真正要落地的问题。
这个进度条在往前走。虽然慢,但方向是对的。
至于我自己,我现在能做的就是：
- 持续关注这个领域（所以我在做 BioAI 日报）
- 保持健康（废话,但很重要）
- 继续赚钱（长生不老需要钱,不管是未来的治疗费用,还是现在投资相关项目）
听起来很平凡对吧？但可能这就是现实。普通人对抗生老病死,靠的不是某个突破性技术的降临,而是在漫长的等待期里,保持关注、保持健康、保持希望。
今天的日报让我想起一句话：真正改变世界的,往往不是那些上头条的突破,而是无数个”不性感”但扎实的进步。
AI 医疗正在补短板。这是个好信号。
📰 完整版日报请看 BioAI 生命科学日报