芝加哥大学研究团队在前列腺癌磁共振成像（MRI）诊断领域开展了一项突破性的人机协作实验，揭示了AI辅助临床诊断的潜力与深层瓶颈。研究使用包含1411个病例的PI-CAI公开数据集，训练基于nnU-Net架构的AI模型，在测试集上达到0.730至0.790的AUROC，显著优于8名经验丰富的放射科医生（平均准确率63.2%）的独立诊断表现。实验分为两个阶段：第一阶段中，医生先独立诊断75例，再参考AI建议调整判断，结果显示AI辅助后准确率仅提升至66.2%，仍低于AI自身69.3%的水平；第二阶段通过提供个人性能反馈并前置展示AI建议，医生采纳率从75.5%升至78.4%，但诊断表现未显著改善。关键问题在于，当医生与AI判断冲突时，仅20.4%的案例中医生愿意修正自身判断，且此时其准确率仅为44.4%，反映出在最需要AI帮助时反而更固守主观判断。研究进一步探索群体协作模式，采用“多数票决”整合8位医生在AI辅助下的诊断结果，最终实现73.3%的平均准确率，首次超越AI独立表现和人类专家平均水平，证明了人机互补的可行性。这一成果表明，单个医生难以有效驾驭AI，但通过群体智慧可实现协同增效。研究强调，未来AI临床应用不应仅聚焦于打造“超级工具”，而应构建深度协作的智能诊疗团队。提升医生对AI能力边界的认知、提供透明的性能反馈与可解释性支持，是实现有效人机信任的关键路径。该研究发表于ACM Conference on Fairness, Accountability, and Transparency，由陈诧姹博士主导，谭宸浩教授通讯，为AI医疗落地提供了重要实证依据与方法论启示。 业内专家指出，该研究填补了AI辅助诊断中“人机信任机制”研究的空白，尤其揭示了临床实践中“信任偏差”与“决策惰性”的深层挑战。尽管AI在特定任务中表现超越人类，但其成功依赖于系统性协作设计而非简单叠加。未来AI医疗系统需融合可解释性、动态反馈与群体决策机制，才能真正释放人机协同潜力。芝加哥大学在AI+医疗交叉领域持续领先，其团队在医学影像分析与人机交互方面已积累多项成果，推动AI从“辅助工具”向“智能协作者”演进。