AI看病的下一关，不是更准，而是把一家诊所重新连起来
一个患者走进眼科诊室，往往不只面对一位医生。
一个患者走进眼科诊室，往往不只面对一位医生。
他先在窗口登记，在候诊区回答问题，再做眼底照相、视野或OCT检查。病史散落在不同表格里，影像进入不同设备，检查结果由不同系统保存。轮到医生时，真正耗费时间的，常常不只是判断疾病，而是把这些碎片重新拼成一个人。
医疗AI已经能识别许多眼底病变。可如果每个模型只负责一张图、一个风险分数，医生仍要在多个界面之间搬运信息，患者仍要重复讲述病史，那么算法更准，并不自动等于医疗更好。
9月22日，清华大学介绍了一个值得注意的尝试。清华与北京清华长庚医院的跨学科团队，把一套多智能体系统放进眼科诊所，试图连接诊前、诊中与诊后。团队把它命名为AI-TEC，也就是“AI增强的清华眼科诊所”。相关经验已于9月10日发表在《自然·医学》。
这项工作的真正价值，不是宣布AI又赢了一场准确率比赛。
它把问题换了：
医疗AI的下一关，可能不再是一个模型能不能看准，而是一家医院能不能把AI组织起来。
医疗AI很多，连续的医疗仍然很少
过去十年，医疗AI最常见的形态，是一个任务对应一个模型。
看眼底照片，识别糖尿病视网膜病变；分析OCT，寻找黄斑异常；读取病历，给出风险提示。每个工具都可以在自己的测试集上拥有一组漂亮指标：准确率、敏感度、特异度。
这条路线并没有错。美国FDA截至2026年9月已经授权超过1600款AI医疗器械，其中就包括分析眼底图像、辅助识别可转诊视网膜病变的系统。单点工具已经从论文进入监管与市场。
但医院不是一张测试集。
一名患者的诊疗过程包含提问、分诊、检查分配、影像采集、诊断、治疗建议、转诊、健康教育和长期随访。任何一个环节断开，都会让前面的“高准确率”失去一部分意义。
AI-TEC想做的，是在这些环节之间放入不同角色的智能体。
预问诊智能体整理症状和病史；分诊智能体做风险分层和检查分配；诊断智能体整合多模态眼科数据；决策支持智能体提供循证信息；患者支持智能体继续承担教育、随访和长期管理。
单看这些功能，许多医院都能找到类似工具。AI-TEC更重要的主张是：这些智能体不应各自为政。前一个环节整理的信息，要能够进入后一个环节，患者、医生、设备和数据之间，需要有一条连续的信息链。
换句话说，AI不再只是医生桌面上的一个按钮，而被设想成诊所内部的一层“连接组织”。
从“AI辅助”到“AI原生”，差别不在模型数量
“AI原生医疗”很容易被误解成让AI接管医院。
这不是团队公开材料表达的意思。
所谓从AI辅助走向AI原生，关键并不是把更多模型塞进现有流程，而是重新设计流程本身。过去的做法是医院先有一套固定工作方式，再把AI工具嵌进去；新的设想则是从患者旅程出发，重新决定信息在哪里产生、由谁审核、怎样传递、何时提醒，以及出错后如何追溯。
这和修建一条道路不同，更像改造一座长期营业的火车站。
你不能让所有列车停运，也不能只换一个更聪明的售票机。轨道、信号、调度、站台和乘客指引必须一起改变。任何一个接口出问题，局部效率都可能变成全局拥堵。
据清华大学介绍，AI-TEC原型在2025年11月进入北京清华长庚医院，将预问诊、眼底影像分析等能力接入日常诊疗。团队得到的第一批经验并不神秘：专家审核的高质量数据很重要；操作流程会影响医生是否愿意使用；医生持续反馈决定系统能否迭代。
这些话听起来甚至不如“模型超过专家”刺激，却更接近医疗的真实困难。
因为临床系统从来不是纯技术系统。它同时包含专业判断、组织习惯、责任制度和人与人的信任。
准确率不是终点，甚至可能不是最难的指标
一款模型在测试集上达到很高准确率，回答的是：面对已经整理好的输入，它能否给出正确输出。
一家医院真正要回答的问题更多。
患者是否被分到正确的检查？医生有没有在需要的时候看到关键信息？警报会不会太多，以至于真正危险的信号被淹没？AI给出的建议如果被拒绝，原因是否被记录？患者离开医院以后，异常结果有没有进入随访？
更难的问题是：谁负责？
当一个智能体整理病史，另一个智能体分诊，第三个智能体解释影像，最终医生签署决定，错误可能来自任何一段。多智能体协作提高了系统能力，也拉长了责任链。
因此，AI原生医疗不能只增加模型，还必须增加可追溯性。每一次信息修改、建议生成、人工确认和最终决定，都应该能够被看见。
这也是为什么《自然·医学》这篇文章最重要的句子不是某个性能数字，而是要求医疗AI走向“可衡量的临床价值”。
这里的“价值”至少包括四层：诊疗效率有没有提高，医疗服务是否更可及，医生负担是否真正下降，患者健康结局是否改善。
前两层可以较快观察，后两层需要更长时间、更严格的研究。
现在最需要克制地说：它还没有证明什么
Nature Medicine页面把这篇文章标为Comment。它总结的是早期实施经验，不是一项随机对照临床试验。
目前公开材料没有证明AI-TEC已经降低误诊率、改善视力结局、缩短患者总就诊时间或减少医疗成本。它也没有证明这套框架可以直接复制到其他医院、其他设备和其他人群。
这些限制不是给项目泼冷水，而是判断它价值的起点。
医疗AI最容易出现的一种夸大，是把“系统已经部署”写成“临床效果已经成立”。部署说明技术走进了真实环境；效果则需要对照、样本、终点和时间。
另一种风险，是把“减少重复劳动”想当然地写成“减轻医生负担”。如果系统需要医生不断审核、纠错和处理无效提醒，新技术也可能制造新的劳动。真正的工作量变化，需要通过时间记录、使用日志、错误报告和医生调查来测量。
还有患者知情问题。患者是否知道哪些环节由AI参与？当建议来自多个智能体，医生如何向患者解释？患者能否要求人工复核？这些都不是模型参数能够独自回答的。
眼科为什么适合先做这场实验
全球至少有22亿人存在近视力或远视力损害。世界卫生组织估计，其中至少10亿例本可预防，或尚未得到处理。视力损害带来的年度全球生产力损失约为4110亿美元。
眼科同时具备几个适合AI的条件：大量诊断依赖图像；许多疾病需要长期随访；检查设备产生结构化数据；专科资源在地区之间分布不均。
但也正因为如此，眼科提醒我们：识别病变只是医疗的一部分。
一个偏远地区的患者，即使被算法准确识别出风险，如果没有转诊通道、治疗资源和持续随访，准确识别仍可能停在屏幕上。AI可以把“看见”变便宜，却不能自动把“得到治疗”变成现实。
AI-TEC值得关注，正因为它开始把识别之后的事情也放进系统设计里。
患者需要的，不是更多模型
医院里的信息断裂，最后常常由患者自己承担。
他要记住上一次检查发生在哪里，把一张片子从一个科室带到另一个科室，重复解释既往病史，在一次次转诊中确认自己没有被遗漏。
如果AI只能生成更多报告，它可能让信息更多，却不一定让医疗更连续。
真正有价值的AI原生诊所，应该让患者少重复一次病史，让医生少漏掉一段关键记录，让异常结果能够找到下一位负责的人，也让每一个机器建议都有明确的人类责任出口。
这条路不会像模型榜单那样迅速。它需要技术人员进入医院，医生参与设计，管理者修改流程，监管者重新定义评价方式，患者拥有知情与申诉的位置。
清华AI眼科诊所现在给出的，还是一份早期答卷。
但它提出的问题已经足够重要：
当AI开始进入医疗，我们究竟是在给医生增加更聪明的工具，还是在建设一段不再断裂的医疗过程？
前者让机器更强。
后者，才可能让患者真正得到更好的照护。
备选标题
- 清华把多个AI放进眼科诊所，真正困难的是让它们一起工作
- 当AI从一个工具变成一家诊所的信息层
摘要
清华与北京清华长庚医院把多智能体系统接入眼科诊前、诊中和诊后流程。它还没有证明患者结局已经改善，却把医疗AI最关键的问题摆到台前：模型再准，如果信息仍碎、责任仍断、医生仍要手工拼接，AI就没有真正进入医疗。
配图节点
- 开头：患者在挂号、检查、诊室和随访之间移动的信息路径。
- 机制段：AI-TEC五类智能体工作流示意图。
- 边界段：模型指标、流程指标、患者结局三层评价框架。
来源
- 清华大学：https://www.tsinghua.edu.cn/info/1175/128317.htm
- Nature Medicine：https://www.nature.com/articles/s41591-026-04631-z
- WHO：https://www.who.int/news-room/fact-sheets/detail/blindness-and-visual-impairment
- FDA：https://www.fda.gov/medical-devices/artificial-intelligence-enabled-medical-devices
