核心观点 - AI在医疗领域存在系统性偏见，导致不同人群获得差异化诊疗服务，高收入人群更易获得CT和核磁检查，中低收入人群则被安排基本检查或不检查[2][3] - 医疗数据质量问题和人类医疗活动中的无意识偏见是AI偏见的根源，包括数据代表性不足、标注质量不高以及医生对女性患者的疼痛评分低于男性患者等[8][9] - 人机对齐技术如RAG、RLHF被用于减少AI偏见，但成本高昂且效果有限，OpenAI超级对齐团队因消耗20%算力而解散[15][16] - 医疗行业需要从以疾病为中心转向以病人整体为中心，功能医学等整体医学分支和新技术如可穿戴设备有助于减少过度诊疗[20][21] AI在医疗领域的偏见表现 - 美国西奈山伊坎医学院研究发现，高收入人群获得CT和核磁检查的机会更高，无住房患者更频繁被指向紧急护理和侵入性干预[2][3] - AI仅凭X射线就能预测患者种族和性别信息，导致比人类医生更精于"看人下菜碟"[3] - 女性患者疼痛评分比男性低10%，心梗误诊率高出50%，候诊时间比男性长30分钟[9] 数据质量问题 - 医疗数据代表性不足，经济收入较低人群和特殊人群如儿童、孕妇数据较少[8] - 数据标注质量不高，存在个人偏见和主观判断，标注标准不统一[8] - 中国女性肺癌患者过度诊疗率从2011-2015年的22%增长至2016-2020年的50%，女性肺腺癌患者中近90%是过度诊断[11] 人机对齐技术 - 人机对齐技术包括训练阶段增加数据过滤、指令微调、奖励函数等[15] - RAG（检索增强生成）、RLHF（基于人工反馈的强化学习）是人机对齐工具[15] - OpenAI超级对齐团队计划消耗20%算力，但因成本过高而解散[16] 医疗行业转型 - 精准医疗和过度医疗之间存在灰色地带，需要足够多的数据来明确边界[19] - 功能医学需要检测200多项指标来绘制健康地图，关注整体健康而非单一疾病[20] - 打破信息不对称可减少过度诊疗达40%，新技术如可穿戴设备有助于压缩过度诊疗空间[21]