顶尖医学院会教学生如何“反抗”AI吗？

把时间拨到一个真实的门诊现场：病人坐下第一句话就是“我问了ChatGPT，它给了三个方案。”年轻医生心里一紧——他需要的不是对AI的盲从，也不是冲动的否定，而是一整套能“看穿、拿稳、该用就用、该拒就拒”的能力。顶尖医学院在教的，正是这种看似“反抗”，本质是“批判性协作”的本领。 “反抗”AI并不等于关闭电脑，而是先独立做出临床判断，再用经过验证的工具做证据加法，并且敢于在风险不清、证据不足或存在偏见时果断按下暂停键。以美国为例，一些领先院校已把AI素养嵌入临床训练：学生在“AI查房”上汇报用的是哪种模型、问了什么问题、得到什么答案、为什么接受或否定，并把这一切写进病历，接受主治审阅。这种可追溯的透明记录，训练的是可被审计的决策链，而不是“AI说了算”的黑箱。课程也在快速重塑。除了系统性的工具认知和隐私伦理，训练重点正在转向“对抗式思维”：如何识别训练数据的排斥偏见与环境偏见；如何估计模型在特定临床问题上的已知误差；如何在影像、分诊、决策支持等场景设计“人类接管”阈值。麻省理工的研究提示，人机混合在胸片心影增大等任务上表现最佳，但前提是知道何时需要人类专家。哈佛、达特茅斯等项目把这一点做成考核：先给学生无AI条件下的推理时间，再允许调AI，看他们是否真正改进了决策而非被说服。也有OSCE站点专门考“拒绝不合理算法”，甚至让学生扮演“红队”，专挑提示工程和边缘病例去“刁难”模型，逼出其失误边界。为什么要学会“反抗”？医疗AI的历史给了警钟。某些早期系统在跨机构落地时因为数据异质、知识迁移失败而给出有害建议，说明“垃圾进、垃圾出”在医学里代价极高。再加上大模型的黑箱属性与不可解释性、责任难以归属，任何不经验证的“自动驾驶”都会让临床风险成倍放大。更微妙的风险来自人的大脑：研究显示，把思考外包给AI，会让与认知相关的神经网络活动下降，长期或导致“认知萎缩”。顶尖医学院因此把“保持批判肌肉”的训练写进SOP，让学生在每次使用AI后都要留下“我为何同意/不同意”的理据。 “反抗”也是为了更好地拥抱。影像学中AI对微弱模式的捕捉、卒中通路的时间收益、皮肤肿瘤的高敏感识别、临床研究与药物发现的加速，这些都在把医生从机械劳动中解放出来。真正的难点是把模型的概率输出翻译成对一个具体人的合适选择：合并症、偏好、生活与经济压力、伦理边界，都不是算法擅长衡量的。于是，教学里多了新的“知情同意对话”：告诉患者“我咨询了一个已在此类病例上经过验证的决策支持工具，它建议A或B，我结合你的情况选择C，原因是……”，把技术透明化为信任。这种风潮并不只在少数名校。国内也出现了把大模型深度融入课程与科研的AI医学院，发布了从“知识—技能—态度”三个维度构建的医学生AI素养清单，强调责任追溯、偏见识别、数据治理与人文关怀的并重。工程科学日益成为医学进步的强力引擎，但课堂同时强调：医生是流程的设计者与安全监督者，是价值取舍的最终承担者。AI擅长标准化与规模化，人类擅长理解与担当，二者缺一不可。更宏观的制度也在跟进。研究生医学教育认证机构被呼吁尽快把AI能力写入培训标准，执照考试加入模型验证与误差认知；住培要求像记录专科会诊一样记录AI咨询；医院开展“AI病案回顾”，把技术失误和人机协作的得失放在阳光下。这些安排的指向很明确：未来的高质量医疗，是可解释、可审计、可问责的人机协作。回到最初的问题：顶尖医学院会教学生如何“反抗”AI吗？会，但那是一种更高维度的反抗——反抗不经验证的权威、反抗对技术的迷信、反抗把人性让位于效率的诱惑。学会质疑，是为了更好地使用；敢于拒绝，是为了更负责地拥抱。在医学这门关于生命的艺术里，AI应成为新的听诊器，而不是指挥棒。真正的医生，永远是那个在数据与人性之间，做出有温度的选择的人。

当AI诊疗出错，谁来承担责任？

当“智能医生”说错话，责任究竟落在谁身上？是屏幕前的你我，白袍加身的临床医生，还是那条看不见摸不着的算法链条？在医疗这个容错率极低的世界里，AI的一次偏差，可能意味着一次错过、一次伤害——因此，追责路径必须比技术更清晰。在临床现场，医生仍是最后的把关人。多国与多地实践已形成共识：谁开处方谁负责；AI不得自动生成处方并替代医师独立诊疗。也就是说，医生若采纳了AI的建议，最终的诊疗选择、处方签字和风险承担仍落在医生与所在医疗机构身上。若发生误诊漏诊，通常按医疗损害责任处理：考量医师是否尽到了核验与复核义务、是否超越了AI的适用范围、是否充分告知患者AI参与并取得同意。医院则要承担选用、培训、权限管理与持续评估的管理责任，一旦管理失当同样难辞其咎。当AI是经过注册审批的医疗器械或临床决策支持系统，厂商的产品责任就会进入视野。若算法设计缺陷、数据集偏差、已知风险未告知或更新不及时导致错误结论，制造商可能需承担产品责任与持续监测的义务。现实中常见的是“混同责任”：算法有缺陷，医院未严格准入与培训，医生又未二次核查，三方按过错与因果比例分担。手术机器人相关纠纷的裁判轨迹也印证了这一点——赔偿多在多方之间分配，而非单一主体“背锅”。如果患者在院外自行使用通用型聊天机器人“看病”，情形则不同。多数平台明确标注“仅供参考，不构成医疗建议”，法律上往往难以将其等同为医疗行为，责任更多回到使用者本人。但这并非“免责护身符”：若平台存在虚假宣传、明知错误仍放任输出、或将未经验证的处方功能包装为医疗用途，亦可能触发相应的产品与消费领域责任。关键仍然是：是否构成医疗行为、是否造成可证明的因果损害、以及平台的可归责过错。要厘清“因果链”，证据与可审计性至关重要。专业鉴定通常会追问三件事：模型版本与适用指征是什么；当时输入、输出、置信度与警示如何；医生与医院的复核、告知与记录是否到位。也因此，越来越多的机构倡导把“AI回合”纳入病历：记录咨询了哪一个模型、得到何种建议、临床为何采纳或否决、最终决策与病情结局。这不仅是风控，更是把“黑箱”拉回可责任化的人类系统。制度层面，红线已经划定：AI不得替代医师独自诊疗与开方，高风险AI先行在受控场景试点，临床使用前需完成技术验证与伦理审查；使用中建立不良事件内部上报与学习机制；使用后接受主动与被动的双轨审查。围绕数据，还需要贯穿全生命周期的合规：明示范围与用途、必要性与最小化、变更用途需再同意、可选择不进入或随时退出AI路径；并以“数据贡献度”与安全义务对应的方式明确数据权益与责任。这些规则不是为了“卡住”创新，而是为了让创新在可预期的边界中成长。事实已证明，AI能在影像识别、分诊预警、药物研发等领域显著提效、降错，但它仍受限于偏见、幻觉与不可解释性。最稳妥的做法，是把AI当作顾问而非替身：医生进行价值权衡与情境化判断，医院提供治理与审计框架，厂商承担可验证的安全与更新义务，患者基于知情做选择。当AI诊疗出错，责任并不会沉入“算法深海”。它会顺着可追踪的链条回到具体的人与机构：医生与医院的专业与管理责任，厂商的产品与合规责任，用户在院外自用时的自担风险与平台边界。真正的进步，不是让技术替我们承担伦理，而是让技术在伦理中被负责任地使用。或许，这正是医疗与AI最需要共同回答的问题：在追求更聪明的同时，我们如何变得更可被信赖？

AI医生会带有“种族偏见”吗？

把同一台X光机拍出的两张胸片放在AI面前，它可能一眼猜出患者的“种族”，却漏掉其中一张里的病灶。听上去离奇，却并非科幻。多项研究显示，某些医学影像模型能以接近九成的准确率从影像中推断种族或性别，但在真正的疾病诊断上却更容易在少数群体中失手。这就是“AI医生”的悖论：它看见了我们不希望它看见的，却忽略了我们最需要它看见的。答案是肯定的：AI医生会带有“种族偏见”。原因并不神秘。算法没有道德立场，它只是贪婪地学习数据里最容易抓到的“捷径”。如果训练数据里白人占多数，或标签本身承袭了历史偏见，模型就会在黑人、拉丁裔或女性患者身上更常犯错。研究者发现，影像AI对不同族裔的误判率相差可达十几个百分点；还有妇科感染的算法在以白人数据为主的训练后，对其他族裔的准确率明显下降。更棘手的是，我们甚至还不完全知道模型究竟从哪些“隐藏线索”中识别了种族，这让“去偏见”的工程像是在黑箱里找开关。偏见不是只存在于影像。用以支持临床决策的模型，可能把邮编、设备品牌、医院人群构成等环境因素当作疾病的“代理特征”，在资源审批、分诊优先级、药物处方等环节层层放大不公平。回想早年的某些“AI医生”项目，之所以在顶级中心也难以落地，就在于它们没能在真实、多样的人群中经受检验，甚至出现了有害建议的案例。垃圾进去，偏见出来；这在医疗里代价更高。但偏见并非无药可解。科学界的方法论已经走在路上。数据要更好地“代表现实世界”，主动纳入被低估的群体，标注要严谨，标签含义要统一。评估时不能只看“总体准确率”，而要盯住“最差群体错误率”，用群体分层校准来检验模型是否公平。一些新技术会追踪训练集中最“带偏”的样本，识别并移除它们，再重训模型，既保住整体表现，也显著提升对边缘化人群的预测力。部署后也别急着庆功：要持续监测，用真实世界数据做滚动审计，发现漂移就修正。治理同样重要。让AI走进病房，必须留下足迹。把“咨询了哪个模型、问了什么、返回了什么、最后为什么同意或否决”写进病历，像记录会诊一样可审计；开设“AI病例讨论”，训练临床团队在验证、覆盖人群、已知误差与适应症之间做出清醒的取舍；把AI素养纳入医学生与住培的硬性能力，与药理学同等对待；在与患者沟通中给出透明交代——“我参考了一个分析大规模病例的工具，它建议A和B，我更倾向A，因为你的并发症和价值取向更匹配。”当模型参与决策，患者知情不是噱头，而是伙伴关系的基本礼节。别忘了边界。在新发疾病、跨域迁移、数据分布明显不同或模型置信度不稳时，人要站在前面。AI擅长标准化、重复、海量模式识别；医生擅长整合证据、理解语境、承载责任与共情。理想的未来不是二者取代，而是并肩：AI让医生更“博识”，医生让AI不“失心”。你或许会问，作为患者，我能做什么？很简单而有力：问三个问题——这个AI是否在像我这样的人群里经过验证？它的已知错误有何特点？今天的决策里，它起了多大作用？当患者开始这样发问，医疗系统就会被温和而坚定地推向更透明、更公平。归根到底，AI是一面镜子。社会有什么，它就反映什么；如果不加以矫正，它还会把裂纹放大。技术不会自动带来公平，设计、数据、制度与价值观才会。让AI成为医生的“顾问”，而不是偏见的扩音器；让模型学会谦卑，让人类坚持仁心。也许真正重要的不是“AI医生会不会有偏见”，而是“在发现偏见之后，我们选择做什么”。当我们用诚实和自省打磨这面镜子，映出来的，将不仅是更聪明的医疗，还有更公正的人类未来。

AI能算出最佳疗法，但能算人心吗？

在诊室里，多了一位“无形的顾问”。它不戴听诊器，却能在几秒内读完成千上万篇文献；它不会握你的手，却能把影像里的细微阴影一眼识破。AI能算出最佳疗法吗？很多时候，能。而“能算人心吗？”这是医学这门关于生命与意义的学问，留给我们的关键追问。从“算疗法”看，AI已在多个场景证明实力：在CT、MRI、乳腺X线等影像中捕捉人眼难辨的模式，提高准确率；在急性卒中识别上加速病灶定位，缩短“门到治疗”时间；在肺部超声、皮肤癌筛查中给出与专家相当甚至更稳定的判断；在临床决策支持中对风险分层、用药相互作用、指南匹配进行快速比对。面对此起彼伏的新研究，任何个人都难以完全跟上，AI的确像一台外接“超级记忆”和“模式发现器”，帮医生看到更多可能。但“算人心”，远比算概率复杂。共情至少有两层：认知上的“我懂你的处境”，与情感上的“我感到你的感受”。大型语言模型在文本、声音、表情等信号上能模拟前者，甚至通过情感识别与语气调节，让不少用户感到被理解。一些小规模研究中，心理健康聊天助手可显著缓解焦虑或抑郁症状，尤其在全球心理资源严重短缺的现实下，AI能提供一种低门槛、随时在线的支持。然而，AI仍做不到真正的“情感共鸣”。它没有内在动机与责任感，不具备因果理解的通透把握，带有“黑箱”不透明性，也会出现一本正经的错误信息“幻觉”。IBM的Watson Health之所以折戟，很大程度上就是“垃圾进、垃圾出”的写照——异质、偏倚的数据与复杂的真实情境，使得“纸上最优”难以成为“床旁最合适”。更重要的是，人心不只是情绪，更是价值选择：如何在疗效、副作用、生活质量、经济压力与人生目标之间权衡？这一层，AI只能给概率，无法代替担当。这并不意味着我们要拒绝AI。相反，最好的医疗，是“AI+医生”的协同。真实世界里，患者早已在看诊前问过ChatGPT，带着三种新方案走进诊室；医生与患者一起逐条推演，既用数据，也用经验和关怀。AI提示了可能性，医生承担解释、取舍与安慰的责任。有人在治疗路上手发抖，AI给出的是选项，医生给出的是定心丸。要让协同更安全可衡量，医学教育与监管也在变化：将AI素养像药理学一样纳入考核；把“AI会诊”写入病历，记录模型版本、提问、返回与最终判断；在病人同意框架下，坦诚说明“我咨询了一个经验证的决策支持工具，这是它的建议，也是我赞同或不同意的理由”。一些医学院已把AI训练前置到入学伊始，正因为如果学校不教，市场就会“代教”。在资源稀缺的基层与偏远地区，这样的规范化人机协作，尤能弥补专科短缺、提升可及性。也别忘了AI的边界与底线：数据隐私与安全、偏见识别与缓解、责任归属与可解释性，都是医疗场景的刚性要求。混合模型与“人机分工”被证明更稳健——把复杂、价值密集的判断交给人，把重复、标准化的环节交给AI。简单说，让机器擅长“算”，让医生擅长“懂”。所以，AI能算出最佳疗法，但算不尽人心。因为医学的等式从不是孤零零的概率，而是“证据×语境×价值”的乘积。当AI把知识半径无限拉大，医生的独特价值也被放大：在不确定中给出解释，在恐惧面前提供陪伴，在拐点时刻与患者共担选择的重量。或许，未来最好的医生，是被AI武装得更有人味的医生；而最好的AI，是被医生引导得更懂人心的AI。当你下次掏出手机说“我问过AI”，也可以问一句：“你会如何把它的建议，转化为我的选择？”这道题没有唯一答案，却有恒久准则：让技术成全人，让概率服务于意义。医学之“术”，为“仁心”所用；人心之不可算，恰是医学之所以为人的理由。

不用AI辅助诊断，会算医疗事故吗？

想象一下：凌晨两点，你被送进急诊做CT。屏幕另一端，AI已经把疑似大血管闭塞的信号高亮标出，值班医生据此把“门到治疗”缩短了20分钟。现在换一个问题——如果这个医院明明有此工具，医生却完全没用，最后造成延误，这算不算医疗事故？直说当下的结论：一般而言，“不用AI”本身不等于医疗事故。法律判断医疗过失，核心是有没有偏离“医疗标准”，而不是有没有使用某个新技术。在多数司法与监管框架下，AI仍被定位为“辅助工具”，医生对诊疗结论负最终责任。中国还明确禁止用AI自动开方，互联网诊疗也不允许AI替代医师做诊疗决策；不少AI工具尚未纳入强制性指南或监管目录——这意味着，不使用AI并不会自动构成过错。但标准会移动，边界也会变化。什么时候“不用AI”可能被视为过失？关键看三件事：工具是否经过充分验证、是否被纳入本机构SOP或专业指南、以及是否在当前资源条件下“可及且适用”。在可验证的、效果显著且被广泛采纳的场景里（例如AI加速中风影像判读、糖网筛查、部分影像的高敏筛查），如果医院已有制度要求、人力具备、患者受益明确，而医生无正当理由弃用并导致可避免的损害，法官可能认定其偏离了当时当地的“可被合理医生支持的做法”。英美法上的Bolam/Bolitho标准与新加坡关于“应告知合理患者会重视风险”的规则，都在暗示：技术一旦成为“常规合理做法”，忽视它就可能构成疏忽。现实又更复杂一些。AI并非万能：IBM Watson Health的挫败提醒我们，数据质量、场景泛化和“黑箱”解释性会把好设想带沟里。世卫组织也警示，法律与伦理保障滞后，全球仅有极少数国家明确了医疗AI责任划分。在中国，AI医用软件按功能被作为二/三类医疗器械管理，发生损害时通常仍是“人-物二分”：医生和医疗机构承担主责，产品若有缺陷，厂商可能承担产品责任，但要证明“算法缺陷”并不容易。换言之，今天的主流标准依旧把把关权交给医生，而不是把“不用AI”直接等同于过错。那为什么越来越多的专家呼吁把AI纳入“护理标准”的座位表？因为证据在某些环节已跑在前面。AI识别皮肤癌在受控实验中不输乃至优于人类专家；胸片心脏增大识别上，人机混合模式表现更佳；卒中急救中，AI可显著缩短决策时间。与此同时，也有明确边界：情感支持、价值权衡、责任承担仍是人类医生的不可替代区。AI能给出概率，医生要接住恐惧。所以，今天最稳妥的专业姿势不是“要不要用AI”，而是“如何合规、可解释、可追溯地用”。在一些前瞻机构里，已经把“AI查房”纳入培训与病历：记录用的是哪一版模型、问了什么、返回了什么、为什么采纳或否决，并在必要时告知患者“AI参与了建议，但决定由我作出”。数据治理上，依照本土标准对数据集的代表性、标注一致性、隐私与安全做尽职审查；临床上实行“人机协同”的双层复核，避免“AI一句话定江山”；在高风险应用里锁定算法版本、部署后持续验证算法漂移。这些做法，不仅让AI更安全，也让“不用AI或用错AI”在事后可被审视与解释。如果你是医生，真正的风险不在于“有没有用AI”，而在于“有没有用对场景、是否遵循了当下可被合理同行支持的做法、是否把病人的利益置于中心并留下清晰的决策轨迹”。如果你是患者，问一句“这项诊疗是否参考了临床决策支持工具？医生怎么看这些建议？”会比简单纠结“用没用AI”更有价值。回到最初的问题：不用AI，会不会是医疗事故？今天，多半不是；明天，视场景而定。医疗标准是一条流动的河，工具越成熟、证据越坚实、应用越普及，“合理医生”的画像就会悄然改变。技术不应成为盾牌，更不该做替罪羊。当AI成为医生的“顾问”而非“替身”，真正的专业，是在拥抱新工具的同时，守住那只最重要的手——稳住风险、托住信任、握住人心。

新知 - 大圆镜｜患者用AI问诊，医学院却禁用？医学教育面临割裂

对抗知识焦虑，从看懂这条开始

App 下载

诊室里的“新现实”

“医生，我用ChatGPT查了您推荐的治疗方案。”

在波士顿一家繁忙的诊所里，一位患者平静地拿出手机，屏幕上显示着与AI的对话记录。几年前，这样的场景可能会让医生感到被冒犯或挑战。但到了2025年的今天，这已成为一种无法回避的新常态。患者们正以前所未有的速度拥抱人工智能，将其视为获取健康信息的第二意见来源。

然而，一个巨大的鸿沟正在医疗领域内部撕裂。当患者在诊室外积极“自学”时，成千上万的医学生和住院医师却被他们所在的机构明令禁止在课程作业、临床记录甚至住院医师申请中使用AI。达特茅斯盖塞尔医学院的教授安吉洛·沃兰德斯（Angelo Volandes）一针见血地指出：“我们正在为一个不复存在的世界培养医生。”

知识爆炸与医生的“不可能任务”

这场割裂的背后，是现代医学面临的一场完美风暴：知识的爆炸性增长与人类认知能力的天然局限。

一个令人震惊的数据揭示了问题的严重性：医学知识的“倍增时间”已从1950年的50年，急剧缩短到2020年的仅仅73天。仅在肿瘤学领域，每天就有数百篇新的医学研究发表。对于任何一位医生而言，想要凭一己之力跟上知识更新的步伐，已经从一项挑战变成了一项“不可能的任务”。

知识鸿沟的另一端，是患者日益增长的信息需求和赋权意识。当一位波士顿的医生面对患者提出的、由AI生成的三个他未曾考虑过的治疗方案时，他花了20分钟与患者共同探讨。最终，AI提供了信息，但他给予了患者最需要的东西——** reassurance（ reassurance）**。AI列出了概率，而他为患者的恐惧留出了空间。这个案例生动地揭示了未来的医疗图景：AI是强大的顾问，但医生是无可替代的守护者。然而，如果我们培养的医生甚至无法理解和验证AI顾问的建议，又何谈守护？

从“禁令”到“指南”：前瞻者的探索之路

面对AI浪潮，保守的“禁令”是一种本能反应，但它也正在变得过时。幸运的是，一些前瞻者已经开始破冰，探索如何将AI这头“猛兽”驯化为医学教育的得力助手。

在美国，达特茅斯盖塞尔医学院和哈佛医学院率先行动，前者将AI素养融入临床培训，后者则开设了医学人工智能博士项目。在中国，这场变革同样在发生。广东医科大学成立了全国首个人工智能医学院（AIMS-GDMU），通过一个“虚实融合”的数字平台，让学生与“AI医学同伴”共同成长。上海交通大学医学院则推出了详尽的《“人工智能+医学教育”行动方案》，系统性地建设“AI+微专业”，开发智能教学资源。

这些探索的核心思想是一致的：与其被动地禁止，不如主动地引导。如果医学院不定义学生应如何思考和使用这些工具，那么科技公司和算法将最终定义临床实践的未来。

未来医生的新素养：四大基石重构培养体系

要培养能驾驭AI的未来医生，就必须从根本上重塑教育和评估体系。仅仅开设几门选修课是远远不够的，需要的是一套贯穿医学教育全程的制度性变革。综合全球领先机构的实践，四大基石正在浮现：

AI验证协议：医学院应设立“AI病例讨论会”，如同传统M&M会议（发病率与死亡率讨论会）一样，要求学生汇报：他们咨询了哪个AI模型？模型推荐了什么？他们在何处、又为何推翻了AI的建议？这应成为临床训练的标准流程，并记录在案。

透明度标准：住院医师培训认证委员会（ACGME）等机构应要求，像记录任何专家会诊一样，记录AI咨询过程。这不仅能创建可审计的决策路径，更能培养贯穿其职业生涯的严谨习惯。
能力评估：医学执照考试委员会必须将AI素养纳入考核，就像考核药理学一样。未来的考题或许是：哪些模型在哪些临床问题上得到了验证？已知的错误率是多少？何时应信任算法，何时应质疑？这些不再是理论问题，而是每个治疗决策的基础。
患者知情同意框架：当AI为临床决策提供信息时，患者有权知情。医学生需要练习这样的对话：“我咨询了一个分析了数千个相似病例的临床决策支持工具。这是它的建议，以及我同意或不同意的理由。”这不仅是技术问题，更是建立医患信任伙伴关系的核心。

伦理与治理：AI医疗的“善智”之路

拥抱AI的同时，必须直面其固有的风险。算法的“黑箱”特性、训练数据中潜藏的偏见、以及患者隐私安全，都是悬在AI医疗头上的达摩克利斯之剑。一个在美国研究中被发现的案例揭示，某些AI系统因将医疗成本作为需求指标，错误地给予了白人患者比黑人患者更高的治疗优先权。这种“算法歧视”可能无声无息地加剧医疗不平等。

因此，构建强大的伦理与治理框架迫在眉睫。世界卫生组织（WHO）发布的《卫生健康领域人工智能伦理与治理指南》提出了六项核心原则，包括保护人类自主权、确保透明度、促进问责制等。未来的医学教育，不仅要教授技术，更要根植伦理。未来的医生必须成为AI的“伦理监督者”，懂得如何识别和挑战有偏见的算法，保护患者的根本利益。

2026倒计时：刻不容缓的制度变革与呼吁

变革的窗口期正在迅速关闭。沃兰德斯教授和全球众多有识之士发出了明确的呼吁：

致医学教育机构：用清晰的AI协议取代模糊的禁令。住院医师培训认证委员会（ACGME）应在2026年前强制推行AI能力标准。
致医疗执照考试委员会：在未来两年内，将AI素养加入执业医师资格考试。
致未来的医生：在申请医学院和培训项目时，主动询问AI培训计划。你们需要为即将面对的、手持AI报告的患者做好准备。
致我们每一个人（患者）：下一次就诊时，可以询问你的医生：“您是否为我的诊断咨询过AI工具？您接受过相关培训吗？”如果答案是否定的，追问原因。

选择已经非常清晰。这并非是人类医生与人工智能之间的对决，而是善用包括AI在内的所有工具服务患者的医生，与独自面对信息汪洋的医生之间的区别。我们的学生和患者，理应得到一个为未来而非为过去做准备的医疗体系。时钟正在滴答作响，追赶的时刻已经到来。