体检季拿到报告，一堆箭头看不懂，拍照丢给AI，正在成为默认操作。

这个用法本身没错，问题在于多数人只做对了一半。人民网9月29日刊发《AI问诊荐药有偏差，谁来护安全》，两个细节值得展开。

一位受访者何女士，体检查出乳腺“钙化迹象”，向AI求证，本意只是理解术语。AI持续追问病史、逐项罗列潜在风险，她开始在回答里对号入座，从“是不是癌前病变”焦虑到“要不要马上手术”，最终就医复查，一切正常。 AI给出的是“可能性清单”，被当成“诊断结论”来读，是最典型的误用。

模型能力的硬边界也有实锤。德国亚琛工业大学医院在《European Radiology》发表测试：206份真实影像，只提供图像、不给临床背景，GPT-4V首选诊断正确率8.3%，412次回答中凭空生成258处不存在的发现。更麻烦的是， 回答的流畅度和置信度，与实际准确性没有相关性 ，你无法从文本风格识别错误。

平心而论，AI在医疗信息环节的价值是真实的，前提是用在对的位置。

位置一是术语解释，中性粒细胞绝对值、低密度脂蛋白、钙化灶，大模型的解释质量普遍高于搜索引擎式自我诊疗，还能追问。位置二是就诊信息整理，把症状、病史、时间线结构化成问诊清单。上海新华医院血管外科主任欧敬民公开表态，医生欢迎这种“有备而来”的患者。

超出范围就有合规问题。现在不少平台的路径是“描述症状、AI生成方案、跳转购药”三步合并，角落标着“AI生成，仅供参考”。但国家卫健委《互联网诊疗监管细则（试行）》原文是： 处方应由接诊医师本人开具，严禁使用人工智能等自动生成处方 。AI荐药不是灰色地带，平台把咨询和售药打通，本身就在打擦边球。

实际操作建议固定三步。

第一步，限定AI角色为解释者：“我的体检报告有以下指标异常：XX、XX。请逐条解释该指标的生理意义和常见异常原因，不要给出诊断，不要评估严重程度。”

第二步，把输出转化为问诊准备：“我要就诊XX科，请列出应向医生确认的问题清单和需要准备的病史资料。”

第三步，交叉验证。同一问题换模型复问，结论一致的参考价值高，单模型独有的结论存疑处理。

最后是红线：胸痛气短、便血黑便、不明原因暴瘦、持续发热超三天、突发剧烈头痛。出现这些症状，任何AI环节都是延误，直接就医。

一句话定位：AI是就诊前的信息预处理工具，诊疗决策的法律责任主体始终是执业医师。