从 2026 年 10 月 28 日到 11 月 12 日,十六天里("十六天"为本文按八项研究在线发表日期含首尾的计数),耳鼻喉头颈外科与听力学的国际期刊上密集出现了至少八项 AI 研究,其中六项是一手研究、两份是综述:韩国团队的人机组合耳内镜读片研究、土耳其团队对两代 ChatGPT 解读标准听力图的对比、三个最新大模型与三位耳科医师同卷盲评突发性聋预后、南非团队让聊天机器人与听力师接受同一套盲评、一份把 83 项耳镜图像研究盘点成"无法定量合成"的范围综述、一篇呼吁把"模糊病例"纳回评估的叙述综述、一项发现 AI 患者教育回答普遍超纲 3–8 个年级的可读性研究,以及一项按前瞻设计对比 515 张鼓膜图像的研究。
这簇研究不只对耳鼻喉科医生值得读。把它们排在一起,等于免费获得一套医疗 AI 证据阶梯的缩微模型:底层是拼不起来的研究存量,中层是一份人机组合成绩单,上层是几乎清一色回顾或模拟的大模型跑分,最外圈还有患者端两处容易被漏看的证据。一层一层看。
## 83 项研究,拼不出一份 meta
底层来自《Journal of International Advanced Otology》2026 年 11 月 12 日发表的范围综述。作者检索了 Scopus、PubMed、Google Scholar、Embase、IEEE Xplore 与 SPIE 六个数据库截至 2024 年 6 月 30 日的文献,最终纳入 83 项鼓膜图像 AI 研究、90 组实验结果。
它盘点出的问题是具体的:多数研究依赖小规模私有数据集,数据增强不一致、类别不平衡、缺乏外部验证,跨学科团队与标准化方案稀少。作者明确拒绝做 meta 分析,理由写进了摘要——数据与标注的实质异质性、方法的广泛多样,加上外部验证的普遍缺失,使"定量合成会产生误导"(quantitative synthesis would be misleading)。
研究数量与证据可合成性是两回事:这个领域攒下了 83 项研究,却还攒不出一份能合并的证据。
## AI 抬的是新手:经验差距 24.3 缩到 3.1 个百分点
中层是这波十六天证据里最接近临床工作流形态的研究(这句是我对八项研究设计形态的比较性判断)。韩国 Asan Medical Center 团队 2026 年 10 月 30 日发表在《JMIR Medical Informatics》的读者研究,用 7,335 张耳内镜图像训练 EfficientNet-B4,五折交叉验证下主分类(慢性中耳炎、分泌性中耳炎或无)准确率 94.8%;在独立的 100 张临床评估集上,AI 单独诊断准确率 94.0%–99.0%。
真正的信息量在人与 AI 的组合。3 名耳科教授、5 名高年资住院医、5 名低年资住院医,在每图 1 分钟的限时压力下,分别在有无 AI 辅助两种条件下读同一套评估集。结果呈清晰的经验梯度:教授从 78.7% 升到 89.7%(+11.0 个百分点),高年资从 65.0% 到 93.8%(+28.8),低年资从 54.4% 到 86.6%(+32.2,P<0.001)——原文以百分比记载改善幅度,本文按百分点转述。经验最丰富与最薄弱两组之间 24.3 个百分点的准确率差距,收缩到 3.1。差距缩小主要不是"专家被超越",而是"新手被抬了上来":低年资组的增幅约为教授组的三倍(32.2 除以 11.0,本文换算)。
两条边界要说清楚。其一,获益最大的恰是经验最少、也最容易全盘信任 AI 的群体,而这项研究的摘要未报告对"AI 出错时人会不会跟着错"的测量——这种照着 AI 一起错的倾向,文献里叫自动化偏倚;这一风险是本文的领域判断,八项研究都没有直接测量它。其二,每图 1 分钟的限时是模拟临床压力,不是真实工作流;研究本身也是回顾式设计。
## 第一张成绩单:版本错觉
《Otolaryngology–Head and Neck Surgery》2026 年 10 月 28 日在线先发的研究里,土耳其团队用 AudSim Flex 软件生成 100 张标准听力图,其中 20 张故意植入掩蔽错误,再以基于 ASHA 标准的 7 步诊断提示词分别提交给 ChatGPT-4.0 与 ChatGPT-5.1,再由两名有听力学专长的委员会认证耳科医师按 5 级 Likert 量表独立评分,每个模型 1,400 条评估。
ChatGPT-5.1 在 7 题中的 6 题显著优于 4.0(P<0.001,效应量 0.53–0.94),提升最大的是听力损失程度分类(中位差 +1.0 分),唯独骨导阈值识别没有显著的版本差异(P=0.121)。两个细节更值得记住:评分者间信度总体尚可(κ=0.74–0.78),唯独对 5.1 的"程度分类"只有 κ=0.44——新版模型的输出,让人类专家自己都难以稳定评判;而两代模型在含掩蔽错误的听力图上都表现糟糕——输入数据在临床上就有缺陷时,模型不会替你发现。
## 第二张成绩单:总分错觉
《Diagnostics》2026 年 11 月 4 日发表的研究里,土耳其团队从 100 例连续特发性突发性感音神经性聋的回顾队列中抽出 30 例(9 例恢复良好、21 例恢复不良),制作含基线听力图图像的去标识多模态病例材料,让三位委员会认证耳科医师与三个 zero-shot、角色提示的大模型——GPT-5.6 Sol、Gemini 3.1 Pro、Claude Opus 4.7(2026 年 7 月经公开网页界面访问)——同卷盲评 1 个月的恢复可能性,实际结局按 Siegel 标准判定。
三个大模型的准确率整齐地都是 70.0%,与单个专家相比无统计学显著差异。但两个限定很重要:研究并未按等效性检验设计把握度,"无显著差异"不能读成"等效";且三个模型全部低于最佳专家的 86.7%(敏感度 95.2%、特异度 66.7%)。
结构比总分重要。Gemini 的特异度(77.8%)与阳性预测值(87.5%)为全部评审者中最高,它判"低恢复可能"的 10 例最终全部属于恢复不良组(10/10)——用它来"认定高风险"(rule-in)可靠,反过来"排除风险"(rule-out)不行。作者把边界钉在结论里:这种模式需要前瞻评估,尚不支持用于治疗决策。
同一个 100 例主队列里还有一份常被略过的对照:经典多因素 logistic 回归只用基线纯音听阈(aOR=0.957)与就诊延迟(aOR=0.797)两个变量,C 统计量已有 0.834。这个任务上统计模型本来就有一席之地,大模型的对手不只是医生。
## 第三张成绩单:无差异错觉
《American Journal of Audiology》2026 年 10 月 30 日在线先发的盲评研究,让 10 名两年以上经验的听力师与两个免费聊天机器人(ChatGPT 3.5、Gemini 2.0 Flash)对 15 个匿名成人听力学病例产出 60 份解读、120 份回答,再由 30 名听力师用 CLEAR 工具(完整性、无虚假信息、证据、适当性、相关性)对每份回答盲评,每份 5 名评分者、共 600 次评分。
结果没有任何统计学显著差异:混合效应模型全部 p>0.22,绝对差不超过 1.2 分(5–25 分制),95% CI 跨零。作者自己点破:这不确立正式等效性。更基础的问题藏在信度数据里:单个评分者的 ICC 只有 0.17–0.18——原文对这个信度的定性就是 poor(聚合后 ICC 0.50–0.53,内部一致性 Cronbach's α 0.94–0.95)。人类评委这把尺子本身就不稳,"AI 与专家无差异"这类结论的地基,比看上去松软得多。
还要补一句模型代际注记:这项研究用的是较早的 ChatGPT 3.5 与 Gemini 2.0 Flash,与前文预后研究里的 GPT-5.6、Gemini 3.1 不同代。跨研究读结果,得先对齐版本号。
## 唯一的前瞻设计
八项研究里按前瞻诊断准确性研究设计的只有一项:《European Archives of Oto-Rhino-Laryngology》2026 年 11 月 8 日在线先发的对比研究。515 张来自 6 个月至 80 岁患者的高分辨率鼓膜图像,GPT-5.2 与 Gemini 3.0 Flash 以相同的 zero-shot 标准化提示和 9 项结构化图像评估框架作答;参考标准是两名对 AI 输出盲态的高年资耳科医师一致的独立判定(正常、急性中耳炎或分泌性中耳炎)。
两个模型与专家在最终诊断上的一致性良好(κ 分别为 0.662 与 0.697,均 p<0.001),且各有所长:Gemini 识别"病理性鼓膜"的一致性更高(κ=0.652 对 0.590),诊断准确率也显著更高(p=0.006);在正常/病理性鼓膜与分泌性中耳炎有无的判定上,GPT-5.2 敏感度更好、Gemini 特异度更好;区分急性中耳炎与分泌性中耳炎,两个模型准确率相近。作者的定位与其他研究一致:补充临床评估的决策支持,而非独立诊断方案。而即便如此,这仍是图像层面的评估,不是部署研究——"前瞻"这个词在这十六天里,只走到了这一步。
## 患者端:模糊病例与超纲的回答
患者端还有两处证据。
《Journal of Clinical Medicine》2026 年 10 月 28 日发表的多模态叙述综述指出一个结构性偏差:影像 AI 研究常把"参考诊断不确定"的疑难就诊排除在外,模型因此在精选图像上表现好看,却在临床最需要帮助的模糊病例上最没用。作者的呼吁是:未来系统在开发阶段就纳入诊断困难病例并让它们进入临床评估,在诊断标签旁描述"当前耳部状态",而大模型生成的解释必须独立于分类准确率来评估。
《Noise Health》2026 年 9–10 月刊的可读性研究,把 20 个标准化患者问题(听力损失、痴呆及两者关联)提交给 ChatGPT(默认 GPT-5.3 Instant)、Claude(默认 Sonnet 4.6)与 Perplexity,用 FKGL 与 SMOG 两项验证指标测评 60 份回答:听力主题的 FKGL 中位数为 12.3–15.3,痴呆主题为 15.2–16.3,比 AMA/NIH 推荐的八年级阅读水平高出 3–8 个年级,三个平台之间无显著差异。而这两个主题的主要受众恰恰是老年人。这里测评的是可读性本身;回答内容对不对,它没有给出答案。
## 我的三个判断
以下三个判断是我把这八项研究放在一起读出来的综合,不是任何一篇原文的结论。
判断一:证据阶梯完整,但顶端断裂。图像层的 83 项研究无法定量合成;人机组合层只有读者研究这一种形态,且仍是回顾式;大模型层要么是回顾、模拟、小样本盲评,要么虽属前瞻仍停在图像层面;前瞻部署与患者结局研究为零。这簇证据的形态本身也值得记录:八项研究来自土耳其(4 项)、韩国(2 项)、南非与美国(各 1 项)的团队(国别为本文按八项研究署名机构统计),一手研究几乎全部是小样本、单中心或受控环境。阶梯每层都有、顶端全空时,"AI 读耳朵"的讨论再热闹,也停在图像与跑分层面上——真正部署到诊室里会发生什么,还没有证据。
判断二:目前唯一被反复定量的价值是"抬低端"。+11.0、+28.8、+32.2 个百分点的经验梯度意味着,AI 的现实位置更靠近基层与非专科场景——而在那里,人们识别 AI 错误的能力最弱,对自动化偏倚的防护也最薄弱(这一步是我的推断)。抬低端的价值是真实的,但也正因为如此,"人会不会跟着 AI 一起错"应该进入下一批研究的终点。
判断三:大模型给证据阅读带来三个新坑,而且没有一个是耳朵特有的。版本漂移——同一任务两代表现不同,连人类评分一致性都随模型换代而变化(κ=0.44);方向不对称——"rule-in 强、rule-out 弱"会被 70.0% 的总分掩盖;无差异不等于等效——何况那项研究里评委自己的单评分者 ICC 只有 0.17–0.18。这三个坑,放到任何科室去读大模型文献都会遇到。
最后补一句利益冲突:八项研究中,读者研究、突发性聋预后盲评、耳镜范围综述、多模态叙述综述与鼓膜图像对比这五项明确声明无利益冲突。
## 能带走的东西
对耳鼻喉科医生与听力师:把 AI 当第二读者之前先管住输入——含掩蔽错误的听力图对两代模型都没用;大模型的预后判断可以辅助"认定高风险",不能反过来用于"排除风险"。
对医院与采购:评估要锁定模型版本并定期复测;问清系统在"模糊病例"这一层的分层表现;对"与专家无差异"的宣传,要求出示等效性检验的设计。
对研究者:清单是清楚的——把疑难病例纳入入组标准、补外部验证与前瞻设计、在读者研究里测量"跟随错误 AI"的行为。这份清单是我基于八项研究的空白给出的建议。
对患者与公众:AI 对听力问题的回答普遍超出推荐阅读水平 3–8 个年级,老年人获取信息的门槛更高;聊天机器人的回答不是诊断依据。如果你家里有人在去看耳科之前先问了 AI,不妨看看那份回答写在了几个年级——欢迎在评论区聊聊。
来源:JMIR Medical Informatics,2026 年 10 月 30 日(PMID 42963056,https://doi.org/10.2196/96134)。