健康AI的“患者”去哪了？——当医疗大模型测评脱离真实人群
在医疗人工智能迅猛发展的今天，大语言模型（LLMs）已悄然渗透进问诊辅助、病历生成、临床决策支持等多个核心场景。然而，一个被广泛忽视的结构性问题正在悄然侵蚀这些技术的可信根基：我们用来评估健康AI性能的基准测试，往往缺乏对“谁在提问”和“为谁服务”的基本描述。
测评基准的“匿名患者”困境
临床试验的黄金标准之一是明确且透明的入组标准——年龄、性别、病史、种族、地域分布等变量被严格记录，以确保研究结果可推广至目标人群。但反观当前主流的健康LLM测评基准，如MedQA、PubMedQA或MMLU医学子集，极少披露其数据来源中“患者”或“查询者”的人口统计学特征。这些数据集多由医学文献、教科书习题或公开问答构成，其背后隐含的“理想患者”往往是年轻、无并发症、症状典型的个体，与现实世界中复杂、多元、共病率高的临床人群存在显著偏差。
更值得警惕的是，许多基准测试的构建过程缺乏临床医生的深度参与。问题设计偏向知识检索与逻辑推理，却忽略了真实诊疗中常见的模糊主诉、信息不全、文化差异和语言障碍。例如，一个关于“胸痛”的查询，在基准中可能被设定为指向急性心肌梗死的标准案例，但在实际门诊中，患者可能描述的是“胸口闷胀感三天，饭后加重”，并夹杂方言表达或情绪焦虑。若模型仅在高结构化、低噪声的数据上训练与评估，其面对真实世界时的鲁棒性将大打折扣。
从“知识正确”到“临床适用”的断层
当前健康AI的评估指标仍以准确率、F1分数、BLEU等通用NLP指标为主，这些指标能衡量模型“答得对不对”，却无法回答“是否适合用在临床”。一个模型可能在PubMed摘要问答中表现优异，但在处理基层医院常见的非标准表述时频频出错；另一个模型或许在罕见病诊断上准确率高，却因缺乏对老年患者多重用药背景的考量而给出危险建议。
这种评估维度的单一化，导致研发者过度优化“刷榜性能”，而忽视临床实用性。更严重的是，当基准本身存在人群偏差——例如过度代表欧美中青年男性病例——模型在部署后可能对女性、老年人、少数族裔或低收入群体产生系统性误判。这种“算法偏见”并非源于恶意设计，而是测评体系未能强制要求数据透明与人群代表性所致。
重构健康AI评估的临床逻辑
要弥合这一有效性鸿沟，必须推动健康AI测评范式的根本转变。首要任务是建立“临床对齐”的基准构建原则：每一个测评数据集都应附带详细的数据来源说明，包括患者年龄分布、性别比例、疾病严重程度、数据来源机构类型（如三甲医院 vs. 社区诊所）、语言变体等元信息。同时，应引入“临床合理性”作为核心评估维度，由执业医师对模型输出的安全性、可解释性和临床适用性进行人工评分。
此外，基准设计需从“封闭式问答”向“开放式临床任务”演进。例如，模拟真实电子病历环境下的多轮问诊、鉴别诊断生成、治疗建议排序等任务，更能检验模型在复杂场景下的综合能力。更重要的是，应鼓励开发“动态基准”——能够根据地域、人群、医疗资源水平进行自适应调整的测评体系，而非一套标准打天下。
行业亦需建立跨学科协作机制。AI研究者、临床医生、伦理学家和患者代表应共同参与基准设计，确保技术评估不仅追求算法精度，更关注其对真实医疗生态的影响。唯有如此，健康AI才能从“实验室高分选手”蜕变为“临床可靠伙伴”。
走向负责任的医疗AI未来
医疗AI的终极目标不是替代医生，而是增强人类医疗系统的能力。但若评估体系继续忽视“患者是谁”这一根本问题，我们可能在错误的方向上加速狂奔。未来的健康AI测评，必须像临床试验一样，对数据来源保持透明，对人群代表性负责，对临床后果保持敬畏。唯有如此，才能确保技术进步真正服务于每一个需要医疗帮助的人，而非仅仅优化一组冰冷的指标。