我用 Claude Code 为我的 MRI 寻求第二意见

大语言模型在医学影像方面的局限

• 许多评论者强烈认为，当前通用大语言模型在基于图像的诊断方面并不可靠，尤其是 MRI 这类复杂的 3D 模态。
• 放射科和 MRI 研究人员指出，前沿模型并未针对细微的医学影像解读进行训练或验证，且往往会“幻觉”出听起来合理的发现。
• 多次提到一些研究展示的“幻影推理”：模型会自信地描述并推理那些实际上从未提供给它的图像。
• 从业者报告称，他们在真实医学影像数据集上对前沿模型进行基准测试（例如耳镜检查、病理切片），发现其校准性很差且会高置信度出错。

放射学与影像学的细微差别

• MRI 细节：常见的带间隙“2D”切片协议与真正的 3D 各向同性扫描之间的区别；以及分辨率、速度和运动伪影之间的权衡。
• 骨科超声对软组织和肌腱很有用，但对骨骼和小钙化灶效果很差；普通 X 光片或 MRI 可以检测到超声会漏掉的钙化。
• 放射科医生强调，阴性发现总是受制于成像模态和技术；超声上“没有 X”并不绝对意味着“完全没有 X”。

AI 作为第二意见 / 患者工具

• 一些用户分享了正面的轶事：LLM 帮助发现误诊或建议被忽略的病情/治疗方案，尤其是在文本报告和化验数据方面。
• 另一些人报告称，他们自己的 MRI/X 光结果明显错误或内部矛盾，或者出现了诸如把棋盘和基础图像都看错之类的明显失败。
• 一个反复出现的“最佳用途”模式是：用 LLM 理解报告、生成要问医生的问题，或梳理指南和鉴别诊断，然后再与人类临床医生讨论。

信任、自我诊断与“AI 精神病”

• 临床医生担心患者把 AI 输出当作权威，削弱对医生的信任，并消耗本就稀缺的门诊时间去驳斥那些自信的胡言乱语。
• 多条评论将此类问题比作被放大的“Dr. Google”问题，而且更危险，因为这些答案听起来既专业又个性化。
• 有些人将其描述为对 AI 的一种 شبه宗教般的过度自信（“AI psychosis”），把相反的专家反馈视为缺乏远见。

医疗系统问题与激励机制

• 很多故事都讲到误诊、意见相互矛盾、过度治疗（例如不必要的影像检查、手术、顺势疗法注射）、治疗不足，以及仓促的 5–15 分钟门诊。
• 这推动患者因挫折感和缺乏获取渠道而转向 LLM，而不仅仅是出于技术乐观主义。
• 有几条评论认为，AI 作为医生的内部工具会很强大（指南查询、线索生成、检查清单），但不应作为独立诊断者，尤其是在影像学方面。