为什么 AI 诊断模型正在用“男性脑模板”继续误伤女性 ADHD

「AI 能消除医生的主观偏见」——这是 ADHD 诊断 AI 化最常见的卖点。一位数据科学家母亲对此的回应冷静得扎人:她翻了某诊断辅助模型的训练数据说明,然后指出一个循环:**这个模型学习的「ADHD 样本」,是过去几十年被临床系统诊断出来的人群——而那个系统恰恰以男孩的外化表现(多动、冲动、破坏课堂)为原型,系统性漏掉了安静走神、过度代偿、把一切内化为焦虑的女孩。用这批数据训练的 AI,不是消除了偏见,是把偏见做成了软件——而且比人类医生的偏见更难被投诉:算法不会心虚,还自带「客观」的包装。**她的女儿,正是那种会被模板漏掉的孩子。

收敛:女性 ADHD 被漏诊的临床机制(表型差异/代偿/共病遮蔽)站内已有专文;本文只回答 AI 特有的那一层——「诊断偏见的算法固化」的三条技术路径?为什么 AI 版的偏见比人类版更危险?家长/患者/从业者各自的防御动作?

穿透:偏见进入模型的三扇门,每扇都合规

**门一:标签偏见(最根本)。**监督学习的天花板是标签质量——ADHD 模型的「金标准」标签来自历史临床诊断,而历史诊断本身就是筛子:男女诊断率的巨大差距(儿童期尤甚)已被大量研究归因于转诊偏差和表型差异,而非真实患病率差异。模型学到的不是「什么是 ADHD」,是「什么样的人会被(这个有偏的系统)诊断为 ADHD」——女孩的内化表型在训练集里系统性稀缺,模型对她们的敏感度天然残缺;更糟的是,被漏诊的女孩在数据里被标记为「阴性」,**漏诊直接变成了训练信号:模型被明确教导「这种表现不是 ADHD」。**门二:特征偏见。**行为量表、教师报告、活动传感器数据——这些特征本身就为外化表现设计(多动可测,白日梦难测;课堂破坏有记录,安静挣扎没有);喂给模型的特征空间里,女性表型的信号维度先天缺失,再好的算法也无米下锅。**门三:评估偏见。**模型上线前的验证,用的还是同一套有偏标签——在有偏的考卷上考出的高分,恰恰证明了偏见被完好继承;「准确率 90%」的宣传语里,不会写「对内化表型的召回率」这一行,因为多半没人测过。

为什么 AI 版偏见更危险,三点:规模(一个有偏医生误伤一个诊室,一个有偏模型部署进筛查系统误伤一代人)、权威包装(「算法说不是」比「医生觉得不是」更难质疑——客观性的光环让二次求诊的动力更低)、反馈闭环(模型筛掉的女孩不进入诊断人群→未来训练数据里她们继续缺席→偏见自我强化——人类偏见至少还会被学术批评侵蚀,数据闭环里的偏见会复利)。

防御,分三方:家长/患者——把 AI 筛查结果(尤其是阴性结果)只当作一条输入而非结论;如果孩子/你自己有内化表型的典型画像(安静走神、成绩靠熬、情绪内耗、被评价「就是焦虑/敏感」),阴性筛查不应终结求诊——明确对医生说出「我了解女性表型容易被工具漏掉」这句话,它能改变问诊的方向;从业者(临床)——把 AI 输出当作「基于历史诊断模式的相似度评分」来读(它的真名),对不符合经典模板的病例保持独立判断;从业者(技术)——训练数据的性别构成与表型覆盖写进模型文档;分性别报告召回率;主动引入成年女性确诊者的回溯数据(她们童年的「阴性」是最宝贵的纠偏样本)。

验证

对任何诊断 AI 产品,三个可以公开追问的问题:训练标签来自哪个诊断体系、特征集覆盖内化表型吗、验证指标分性别报告了吗——答不出的产品,默认按「继承历史偏见」处理(EndeavorRx 篇的三查在这里的变体)。可证伪:若某模型公开了分性别召回且对内化表型表现良好(通过表型平衡的数据策略),本文的警告对它不适用——技术能固化偏见,也能纠正偏见,分水岭在数据纪律,不在「用不用 AI」。

决策

做什么:AI 筛查阴性≠终点,内化表型画像者坚持临床评估;向医生显式提出表型问题;技术从业者执行分性别验证与文档透明。

不做什么:不要因此全盘反对诊断 AI(它对经典表型的效率增益是真的,问题在覆盖不在存在);不要反向滑成「所有安静女孩都是漏诊 ADHD」(过度纠偏是另一种误伤——评估的归评估)。

先做什么:如果你或你的孩子正好是那个「安静的、成绩靠熬的、被说『只是焦虑』的」画像——今天把这篇文章的第三节存下来,下次问诊带着那句话去。

边界

女性 ADHD 漏诊、表型差异、转诊偏差有大量文献支持(GRADE 中高);「三扇门」是机器学习公平性领域的标准框架在 ADHD 诊断场景的应用,具体产品的偏见程度需逐一审计,本文不针对任何特定产品下结论(本文按机制分析处理)。诊断只能由专业人士做出;本文帮助你带着更好的问题进入评估,不构成自我诊断依据。

今天就能试的 3 件事

1. 若有相关筛查经历:重新审视那次「阴性」——它评估的是你,还是你与男孩模板的相似度?
2. 记下问诊用语:「我了解内化表型容易被工具漏掉,想请你按这个方向也评估一下。」
3. 技术从业者:检查你手头模型的文档,「训练数据性别构成」这一行存在吗?

本文服务于人生 Harness 金字塔的关系层的社会基础设施:算法没有恶意,但它有历史——而历史对安静的女孩从来不公平;把偏见做成软件的时代,纠偏的第一行代码,是有人在诊室里说出「请也看看模板外面」。