作者：Pesach Benson • 2026年10月25日
耶路撒冷，2026年10月25日（TPS-IL）——以色列的一项研究发现，即使患者不太可能从中获益，人工智能模型也可能会推荐不必要的医疗检查，且推荐的可能性因所使用的模型不同而存在显著差异。在医生自身对合适处理方案存在分歧的案例中，这种差异最为明显。
这项由克拉利特健康服务机构（Clalit Health Services）和内盖夫本-古里安大学（Ben-Gurion University of the Negev）联合开展的研究，对6种人工智能模型进行了评估，以确定它们能否识别出医疗干预何时属于不必要。研究人员发现，在无需干预的案例中，这些模型在5.4%的情况下推荐了不必要的检查或治疗；而在确实需要干预的案例中，它们在0.6%的情况下错误地建议不进行必要治疗。
随着医疗服务提供者探索利用人工智能协助指导医疗决策，这些发现凸显了一个潜在的弱点：模型整体表现可能良好，但在医疗证据或专业指南尚无定论时，其给出的建议差异极大。
不必要的检查可能会发现无害的异常情况，从而引发进一步的检查、转诊，有时甚至是侵入性操作或手术。此类后续治疗可能会引起焦虑，消耗医疗资源，并使患者面临本可避免的风险。与此同时，如果在检查上过度谨慎，导致本应进行的必要治疗被搁置，同样可能带来危害。
“患者觉得多做一项检查能带来安全感，但一次不必要的背部核磁共振检查有时会发现椎间盘突出或骨质磨损，而这些在没有任何疼痛的健康人身上也同样存在，由此往往很快就会引发焦虑、额外的检查乃至不必要的治疗，”领导这项研究的克拉利特健康服务机构家庭医生兼医疗人工智能研究员迪恩·阿里尔（Dean Ariel）博士表示。
“这些语言模型是从我们的文本中学习医学知识的，其中也包括我们不太好的习惯，我们想测试它们是否也吸收了在必要时保持克制的能力，”阿里尔补充道。“在大多数情况下，它们知道适可而止，而出现失误主要是在我们医生自己也犹豫不决的地方。”
研究人员根据“明智选择”（Choosing Wisely）倡议的建议设计了多种医疗情境。该倡议是一项于2012年发起的国际行动，旨在反对开展收效甚微或毫无益处的医疗检查与治疗。他们测试了由谷歌（Google）、Anthropic和OpenAI开发的6个语言模型，并分析了数千条回复。
这些情境对同一种检查在不同背景下可能属于不必要或必不可少的情况进行了对比。例如，一名年轻男子在搬运家具后出现背痛，通常不需要立即进行影像学检查。相比之下，一名有乳腺癌病史且出现夜间加重的背部新发疼痛的女性，则可能需要进行影像学检查以排查潜在的严重问题。
当医生存在分歧时
这些模型在两类建议上面临的挑战最大。在涉及小结节的情况下，它们在42.8%的回复中建议进行不必要的甲状腺超声检查；在涉及低风险患者的情况下，它们在28.3%的回复中建议进行常规心电图检查（记录心脏的电活动）。
这些发现凸显了判断某项检查是否合理的难度。医疗机构在评估某些小型甲状腺结节方面的建议并不一致。同样，即使总体风险较低，是否需要做心电图也取决于患者的症状和临床状况。
在医疗专业人员对合适处理方案存在分歧的情境中，不同模型之间的差异尤为显著。面对同样的情境，某一个模型在不到10%的回复中推荐了不必要的检查，而另一个模型的这一比例则高达80%。研究结果表明，在医学上存在不确定性的情况下，人工智能模型的选择可能会显著影响患者所获得的建议。
“我们把语言模型的回答当成单一权威的声音来听，仿佛存在某种‘人工智能立场’，”本-古里安大学工业工程与管理系高级学术研究员盖伊·拉万（Guy Lavan）博士表示。
拉万还表达了担忧，即当用户坚持要求进行检查时，语言模型可能会改变其建议，这可能会削弱其提供连贯一致医疗指导的能力。
研究人员指出，在评估人工智能系统时，不仅应考察其识别必要治疗的能力，还应考察其识别何种检查或治疗属于不必要的能力。不过，由于该研究考察的是针对构建的医疗情境作出的回复，它并未确定这些模型在向真实患者提供建议时的实际表现。
该研究发表在同行评审期刊《内科学年鉴》（Annals of Internal Medicine）上。