不搬走病历，医疗 AI 还能在同一把尺子上考试吗

医院的数据室里，病历不该像比赛样本一样随意搬走；模型开发者却又需要在不同机构的数据上证明自己。两种合理要求相撞，医疗 AI 的评测常被困在“不能共享，所以不能比较”。

WHO、ITU 与 WIPO 的全球健康 AI 倡议提出一项评测挑战：让临床数据留在持有机构控制之下，提交的模型以现有形式接受任务测试，不在现场训练。参与方案按正确性、非披露与成本等维度评价，并在数据条件允许时报告亚组结果。

这是一种“让模型去考试、让病历留在家里”的制度设计。它试图减少原始数据跨境、复制和集中带来的风险，同时让不同医院贡献真实任务。其价值不只在密码学或隔离环境，也在重新分配控制权。

但数据不移动不等于风险消失。模型输出、日志、性能差异和系统接口仍可能泄露信息；参与机构的安全能力不同；评测工具本身也需要审计。非披露是一项要被验证的属性，不是一句架构描述。

同一把尺子也不容易制作。医院人群、设备、标签和临床路径不同，统一指标可能掩盖差异；每家机构自行定义任务，又会降低可比较性。挑战提出亚组报告，是承认平均分不足，但小样本群体是否能稳定评价仍需看具体数据。

截至本轮扫描，挑战仍在进行，中期截止为 8 月 28 日，最终结果计划在 2027 年 1 月发布。WHO 页面明确说明，参与、入选或展示不构成对产品和方法的背书。把挑战报名写成国际认证，是最直接的证据越界。

对医院来说，参与还意味着劳动与成本。整理任务、核对标签、运行环境、解释异常都需要临床和数据团队投入。若只有资源充足的机构能加入，所谓全球评测仍可能偏向基础设施最好的地区。

从一个分数到一个责任链

医疗 AI 的性能从来不是一个孤立数字。它依赖任务定义、数据来源、比较对象、阈值、使用者和失败后的处置方式。同一个准确率，放在筛查、辅助判断和自动决策中，风险完全不同。读者真正需要的不是“更高”或“更低”，而是知道谁会依据这个分数行动，谁能叫停，谁负责纠错。

受控评测解决的是可比较性，真实临床解决的是组织后果。前者可以锁定输入、输出和评分规则，后者却会遇到忙碌的工作流、设备差异、语言差异、患者偏好和人员更替。把基准结果写成临床收益，相当于把一张地图当成已经走完的路。

研究者还必须寻找分布之外的失败。平均表现可能掩盖小群体，完整解释可能制造错误自信，隐私保护方案也可能以计算成本或参与门槛为代价。任何框架只有在公开反例、版本变化和适用边界时，才可能成为基础设施，而不只是漂亮术语。

谁能对系统说不

人在系统中不只是“最终把关者”这句口号。医生、患者、数据管理者和监管者需要不同的拒绝权：医生能否忽略建议而不受绩效惩罚，患者能否知道系统参与了判断，数据持有者能否限制用途，监管者能否要求更新后重新验证。没有这些权利，人类监督只是责任转移。

对开发者来说，最难的也不是写一份静态模型卡，而是维持变化记录。基础模型更新、外部工具改变、提示模板重写、医院数据漂移，都可能让原先的评测失效。版本号、变更理由、回滚条件和真实世界监测应成为产品的一部分，而不是事故后的补课。

对医院采购者来说，合同里的问题应比演示台上的问题更具体：系统在哪些人群上没验证，错一次会发生什么，供应商能看到哪些数据，停机时怎样接管，出现争议时日志归谁。价格和速度容易比较，责任结构却决定长期成本。

中国场景不能靠翻译完成

国外论文与监管讨论能提供问题清单，不能自动给出本地答案。中国医院在患者流量、科室分工、信息系统、语言和支付机制上差异巨大。同一模型换一家医院，输入习惯与结果用途都可能改变。本地化的核心不是把界面翻译成中文，而是重新验证任务和责任。

这种验证需要多中心，也需要允许失败被发表。若所有公开材料都来自成功部署，后来者只能重复踩坑。行业真正成熟的标志，不是每家公司都声称领先，而是失败分类、撤回机制和最低证据要求逐渐变成公共语言。

下一步看什么

下一阶段应观察三类证据：独立团队能否复现，真实工作流中能否改善与患者有关的结果，更新后的系统是否仍满足原先承诺。监管文件定稿、公开征求意见、挑战赛中期结果都只是节点，不能替代这些证据。

技术报道也应保留可修正性。今天的判断建立在当前一手材料上；未来若出现更大样本、不同人群或相反结果，标题与结论都应更新。可靠不是永远正确，而是错误能被看见、追溯和改正。

回到数据室，病历没有离开，并不意味着它已经得到尊重。尊重还包括用途可见、责任明确、错误可纠正，以及机构有权在条件变化时停止参与。真正共同的尺子，不是把所有医院压成同一种数据，而是让差异被记录、比较和解释。

评测本身也需要被评测

任何考试都会塑造被考试者。指标一旦公开，开发团队就会围绕指标优化；排行榜一旦出现，最容易量化的能力会得到最多资源。医疗场景尤其需要防止“为了过考而过考”：测试集上的稳定答案不能替代对工作流、患者结果和长期漂移的观察。

评测设计者应公开任务选择、样本构成、缺失情况、评分口径和不确定性。若数据无法公开，也要允许独立审计评测流程。只公布总分，会让外部读者无法判断优势来自真正能力、数据重叠，还是对某一机构习惯的适配。

亚组报告不是把人群切得越细越好。分组需要临床或制度理由，也需要足够样本支撑。小群体指标波动很大，既可能被平均值遮住，也可能被偶然结果误导。负责任的报告应同时给出样本量、置信范围和无法评价的群体。

解释同样要接受行为评测。研究者不能只问使用者是否喜欢、是否觉得清楚，还要问解释是否帮助识别错误、是否改善信心校准、是否改变不恰当行动。令人满意与令人安全不是同一个终点。

从发布日开始，而不是结束

传统论文和审批容易把发布视作终点，持续变化的 AI 系统却把发布变成长期观察的起点。数据分布会变，临床指南会变，供应商会换基础模型，医院也会重新配置流程。原本可靠的系统可能在没有明显报警的情况下慢慢失准。

监测必须预先定义触发条件：什么变化需要调查，什么性能下降需要暂停，什么更新必须重新做临床确认。若这些条件只掌握在供应商内部，医院和患者就无法知道系统是否仍是当初评价的那个系统。

事件报告也不能只收集造成严重伤害的极端案例。接近失误、人工及时纠正、特定人群持续低表现，都是早期信号。一个制度若只在事故发生后才看见风险，就会把一线人员的补救劳动误认为系统从未失败。

把普通人重新放回画面

对患者而言，技术常以很小的形式进入生活：报告里多出一段文字，挂号页面出现一个入口，医生看屏幕的时间变长几分钟。宏大监管词汇最终都要落到这些细节上。患者能否知道 AI 参与，能否要求人类复核，能否理解数据去了哪里，决定了信任是否真实。

知情不等于塞进更长的用户协议。信息必须在行动发生前、以可理解方式提供，而且拒绝不应自动导致服务降级。对紧急场景和资源不足地区，还要考虑选择是否真的存在；形式上的同意不能掩盖结构性无选择。

医生也不是无限责任的缓冲层。要求他们“最终判断”却不给训练、时间、日志和申诉渠道，会把组织风险推给个人。真正的人类监督需要工作量预算，也需要承认自动化可能增加核对劳动，而不总是节省时间。

产业价值来自可证伪的承诺

企业最有价值的资产，不应只是一个演示，而是一套可以被外部检验的承诺：目标人群是谁，失败边界在哪里，更新怎样记录，客户如何退出。承诺越具体，短期营销空间越小，长期合作的可信度却越高。

投资者也应区分监管窗口与商业确定性。讨论稿、挑战赛和开放论文会创造方向信号，但距离采购、支付、责任分配和规模维护仍有多层门槛。把政策兴趣直接换算成市场份额，和把论文结果换算成疗效一样，都是跨级推断。

最后，公共标准应避免被少数大公司独占。中小医院、患者组织、独立研究者和不同地区的开发团队需要进入规则形成过程。否则，所谓统一尺子可能只是把资源最强者的工作方式写成默认世界。

还有一种容易被忽略的成本：注意力。每增加一个 AI 提醒、解释或审计步骤，都在争夺医护和患者有限的注意力。界面不能只计算点击率，还要计算核对时间、警报疲劳和错误信任。节省几分钟若换来更长的确认链条，效率承诺就需要重新核算。

最终，好的制度不会要求公众相信系统永不犯错。它会告诉人们错误可能出现在哪里，出现后谁能看见，谁能修复，以及受影响者怎样获得补救。这样的可信度更慢，却比一次漂亮演示更耐用。

来源与边界

• WHO 全球健康 AI 会议与挑战（一手来源）
• FDA 生成式医疗器械讨论（一手来源）
• Nature：医疗大模型安全综述（一手来源）
• 证据边界：挑战赛尚无最终结果，不等于监管批准、隐私绝对安全、临床有效或全球可推广。