临床医生如何思考以及人工智能可以从中学习什么

大多数临床人工智能系统作为预测引擎运行——生成标签或风险评分——然而真实的临床推理是一个在不确定性下的、有时间限制的序贯控制问题。临床医生将信息收集与不可逆行动交织在一起，并受到遗憾、约束和患者价值观的引导。我们认为，临床医生推理的主要计算基础不是基数优化，而是序数性的、非补偿性的决策：临床医生经常依赖快速节俭的、词典式的启发式方法（例如，快速节俭树），这些方法在检查一小段固定的线索序列后就会提前停止。我们为这些算法为何不仅是有限理性捷径，而且在医学上可能具有认知上的优先性提供了规范性理由。首先，许多临床权衡是通过人类判断构建的，在绝对尺度上仅能微弱测量；没有强有力的测量公理，只有排序是不变的，这激发了默认采用序数方法的立场。其次，偏好和信号提取在结构上是粗糙的：从真相→感知→推理→记录变量的映射引入了分层噪声，留下了持久的不确定性基底。当这种“粗糙性”压倒决策裕度时，插件式的期望效用优化变得脆弱（在微小扰动下具有高翻转概率），而稳健的支配/过滤规则（ε-支配、极大极小）则能稳定决策。最后，我们勾勒了一个与临床医生对齐的人工智能蓝图：使用丰富的模型来获取信念和轨迹，但通过稳健的序数规则来选择行动；将启发式方法视为低维特例；并将人工智能部署为“选择性复杂性”——主要在决策脆弱且信息具有正向预期影响时用于打破平局。