“AI 将治愈癌症”误解了 AI 和医学
“AI 将治愈癌症”的说法引发了兴奋与怀疑并存的反应，许多人认为这句口号淡化了癌症生物学的复杂性以及医疗系统的现实。评论者将机器学习的真实但渐进式用途——例如更好的影像解读、蛋白质折叠预测或早期检测工具——与结构性问题进行对比，例如诊断可及性不足、医疗偏见以及 AI 无法单独解决的扭曲经济激励。讨论串还争论当前 AI 话语是否已变得 شبه宗教化或带有政治色彩，以及未来模型能否真正加速新疗法的发现，而不只是优化现有实践。
关于用 X 光预测疼痛的 AI 争论
- 一项使用膝关节 X 光预测疼痛的研究被引用为证据，说明 AI 加上患者数据可以优于现有标准。
- 线程中的临床医生提出反驳：
- 标准实践本来就会把症状与影像结合起来。
- 该模型只是从图像本身预测疼痛；它在推理时并没有整合患者报告的症状。
- 比较对象应该是完整的临床评估，而不只是它所击败的放射学分级。
- 也有人认为，这项工作仍然重要，因为它提供了更好的疼痛替代指标，也证明了 AI 能揭示未被充分认识的病理。
“AI 会治愈癌症”到底是什么意思
- 许多人认为这句话过于宽泛，像是在说“科学会治愈癌症”或“蝙蝠侠会解决犯罪”一样，是一种营销口号。
- 有些人将其理解为 AI 让高度个性化治疗成为可能：对肿瘤测序，设计定制疫苗、噬菌体或 T 细胞疗法。
- 医疗专业人士反驳说，这种说法回避了大量未知：癌症是异质性的，并不是一个突变；并非所有肿瘤都会表达稳定靶点；而且当不存在有效机制时，AI 也无法凭空发明治疗方法。
AI 在生物医学中的能力与局限
- 乐观者指出，蛋白质折叠模型、免疫治疗设计，以及跨大规模生物数据集的模式匹配等工具，都是现实中的加速器。
- 怀疑者强调，AI 不能生成新的实验数据；突破仍然需要更好的传感器、临床试验和实验室工作。
- 关于“幻觉”的争论：有人把任何分布外输出都定义为幻觉；也有人只把编造事实的内容视为幻觉，并将其与可能有用的外推区分开来。
筛查、诊断与早期检测
- 许多人预计 AI 将显著改善影像解读和实验室分析，减少漏诊并推动更主动的护理。
- 另一些人指出其局限：
- 过度筛查会带来提前时间偏倚和长度时间偏倚，以及后续检查带来的伤害。
- 一些检测（例如 PSA、结肠镜检查）本身就有准确性和并发症方面的限制，AI 无法消除这些限制。
- 早期检测并不总能改善生存率；更多诊断可能意味着更多过度治疗。
系统、平等与文章批评
- 有些人同意核心问题在于系统层面：AI 无法帮助那些从未接受扫描的患者，或那些被临床医生忽视的患者；健康结果取决于可及性、政策和激励机制。
- 另一些人认为这篇文章过于政治化，更关注监控、权力集中以及对边缘群体的伤害，而不是具体的医学应用场景。
- 大体共识是，AI 会帮助医学和癌症护理，但在规模、时间线，以及它是否能真正缓解结构性不平等方面，存在强烈分歧。