Rajpurkar Lab
打造能真正看病的AI医生

Pranav Rajpurkar 2021 年在斯坦福获得计算机科学博士学位（导师 Andrew Ng），早期以 CheXNet 闻名——这个 2017 年发布的 X 光肺炎诊断模型，首次在关键指标上超越了放射科医生。同年他加入哈佛医学院生物医学信息学系，创立 Rajpurkar Lab，同时联合创办了 a2z Radiology AI 公司。

传统医疗 AI 是"专科模型"路线：一个模型诊断肺炎，另一个识别糖尿病视网膜病变，第三个预测心脏病。Rajpurkar Lab 的核心主张是，真正有用的医疗 AI 必须是通科的——原因有三：真实病人往往同时有多个问题；专科模型无法处理超出训练分布的罕见病或边缘案例；而基层医疗（农村、发展中国家）资源匮乏，最需要的恰恰是全科诊断能力。

Generalist Medical AI 的三个要素：多模态整合（临床文字、医学图像、生理信号、实验室检查结果）、跨任务迁移（用放射科训练出的图像理解能力迁移到皮肤科、眼科等任务）、以及可靠的不确定性表达——AI 必须知道什么时候该说"我不确定"，而不是对低概率诊断显示出虚假自信。

Rajpurkar Lab 系统综述了 2024 年大规模医疗基础模型的进展（发表于 Artificial Intelligence in Healthcare: 2024 Year in Review），覆盖 Med-Gemini（Google 的通用多模态医疗模型）、EchoCLIP（专注心脏超声的视觉-语言模型）、ChexAgent（放射科报告生成 Agent）——这些模型的共同特征，是从"判断是/否"的分类任务，走向"生成结构化医疗推理"的生成任务。

Lab 参与建立的 ClinicalBench 评估框架（发表于 Nature Medicine, 2025）提出：标准 NLP 基准（如 USMLE 考试）不能反映临床实际能力，真正的临床评估需要在多轮对话中测量问诊能力、鉴别诊断质量和治疗建议合理性，并引入了 Physician Preference Evaluation（PPE）——由执业医师评估 AI 输出质量。另一篇合作发表于 Nature 的论文探索了多 Agent 医疗系统：放射科 Agent、病理科 Agent、内科 Agent 协同会诊，由"协调 Agent"综合多科意见给出整合诊断，在复杂病例上显著优于单 Agent 系统。

a2z Radiology AI 是 Lab 的直接商业化产物：Multi-finding Abdomen-Pelvis CT Triage AI 能在 CT 图像中同时识别 20 余种异常发现，通过 FDA De Novo 授权成为美国市场首个覆盖如此广范围的 CT AI 产品，用于协助放射科医生对报告进行优先级排序。Lab 每年联合斯坦福大学举办 Medical AI Bootcamp，要求每位参与者——无论 CS 还是医学背景——在与 Rajpurkar 教授一对一指导下完成一篇可发表的研究项目。

Lab 最新工作（arXiv:2509.03906）探索了通过强化学习训练与人类认知兼容的推理链，让 AI 的诊断推理过程能用医学术语表达，而不是黑盒神经网络的激活值——这直接对应 FDA 审批和临床采用对"算法透明度"的要求。

医疗场景对 AI 可解释性的要求远高于一般商业场景：监管要求方面，FDA 的 AI 医疗设备审批越来越强调算法透明度；临床采用壁垒方面，医生只有理解 AI 的推理过程才愿意相信并采用其建议；责任归属方面，当 AI 参与诊断出错时谁负责，清晰的推理链是前提。可解释性研究经常被 AI 研究者本身高估其完成度，却被监管者认为远远不够——Rajpurkar Lab 的 RL 推理研究直接对准的是 FDA 审批逻辑和医院采购决策，而不是论文指标。

a2z 的 FDA De Novo 授权，价值不只是一个产品里程碑：作为品类的第一个获批者，a2z 实际上参与了监管框架的确立，这是后发者难以复制的先发优势。而通科 vs 专科的路线选择，既是技术判断，也是市场判断——全球超过 40 亿人缺乏基本医疗服务，其中很大程度是因为缺乏医生，尤其是专科医生，专科模型服务不到这个人群。