2026年9月下旬，一篇刊於《Nature Medicine》的評論文章被再度討論。內容是北京清華長庚醫院與清華大學團隊的 AI-TEC 眼科門診經驗：2025年11月起，他們把一套 AI 系統放進真實門診，結果發現三件事，資料的標註品質、操作的順手程度、以及臨牀任務接不接得上，每一件都會決定這套工具的命運。
這三件事，你家廚房其實天天都在排練。
第一關：食材多，不等於食材能用
團隊整理了將近2.7萬張眼底影像，數量聽起來很嚇人，就像冰箱塞滿了一整個菜市場的菜。但他們發現，真正讓模型表現變好的，是其中1,426張由眼科專家一張一張仔細標註過的影像。用這批高品質資料，特定辨識任務的 AUROC 超過0.93。
AUROC 是衡量模型能不能把「有問題」和「沒問題」排出高低的分數。分數高，代表它在這批測試資料裡眼光不錯，但它不等於診斷全部正確，更不代表病患結果變好。
這道理廚房裡最明白。你買了一整箱高麗菜，真正能下鍋的，是剝掉外葉、洗淨瀝乾、切好備妥的那幾顆。備料永遠比採買枯燥，但一道菜的水準，常常在開火之前就決定了。來源也提醒，有些影像連專家都不容易判讀，比如嚴重糖尿病視網膜病變和視網膜靜脈阻塞可能長得很像，少了病史就像少了一味關鍵調味，單看影像會走味。
第二關：多一步，就少一半人用
第二個數字更現實。上線初期的五個月裡，1,113次檢查只有41次動用了AI流程，大約3.8%。團隊簡化介面、減少手動輸入之後，隔月1,126次檢查中有259次使用，升到約23%。
前後兩段的分母和觀察時段不同，也不能斷定是介面改版單獨造出了全部增幅，人員熟悉度、流程變動都可能插了一腳。但方向很清楚：操作摩擦會喫掉使用意願。
廚房裡這叫動線。若你的鹽放在最上層櫃子、鍋鏟掛在陽臺、砧板收在儲藏室，再好的手藝也會讓你懶得開火。這跟微波爐一開、網路就卡是同一種日常物理：工具不是存在就好，它站的位置決定了它被用的頻率。醫師若得在病歷系統、影像工作站和AI頁面之間反覆切換、重打患者資料，那AI就成了一道得多洗一次的鍋，能閃就閃。
第三關：端上桌，還要有人夾
來源特別點出，這篇文章的類型是 Comment，是團隊的部署經驗整理，沒有經過隨機對照試驗。它能幫醫院預先看見系統整合的坑，卻不能證明這套架構走到哪裡都行，更不能當作病患治療成效已改善的證據。
看醫療AI新聞時不妨分三層問：模型在測試資料裡分得出影像嗎？門診真的有人在用嗎？用了之後診療和患者結果變好了嗎？三層互相關聯，但要用不同的證據才能回答。
這就像一桌菜的三個問題：備料備得乾淨嗎？菜順利炒出來了嗎？上桌之後有人夾、有人添飯嗎？備料漂亮只回答了第一題。真正的一頓飯，要等到碗底見空才算數。這也和食譜卡把回答變成固定格式的邏輯相通：格式再工整，最後仍要回到桌邊那張嘴。
所以下一次，不管你聽到的是醫療AI還是一臺新料理機，先別急著問它多準。問問它的料是誰備的、順不順手、端上桌後有沒有人動筷子。這三問過了，才算真正開了一頓飯。