生成式人工智能已大幅降低伪造医疗记录的技术门槛，但证明其真实性的难度却未减少。
北美放射学会（RSNA）同行评审期刊《放射学》发表的一项新研究揭示了这一问题。12家医疗机构的17名放射科医生被要求查看一组胸部X光片，其中一半为真实影像，另一半由人工智能生成。当医生不知情时，仅41%能识别出合成影像；被告知存在假片后，平均准确率升至75%，最佳识别率达92%，最差为58%。医生资历对识别效果无显著影响。该研究虽聚焦胸部X光片，但其影响将波及整个医疗记录体系。
医疗理赔涉及的每种文件类型都可能被伪造
胸部X光片仅是医疗文件的一种类型。医疗理赔系统还包含放射影像报告、出院摘要、费用明细以及伤者通过平台上传的伤情照片。如今，人工智能模型可生成或篡改任何此类文件，使其通过视觉审查。
在生成式AI出现前，规模化实施此类欺诈需依赖专业医疗编码人员或伪造高手，这些门槛限制了市场规模。如今，生成式人工智能正在消除这些障碍。普通消费者只需一台笔记本电脑和公开AI工具，就能生成足以骗过人工审查的文件。
生成式AI使医疗理赔流程的每个环节都可能成为欺诈载体，从放射影像到计费单据。相关成本正悄然而广泛地渗透整个医疗体系。
概率性检测结果不等于确凿证据
检测工具（包括专门识别AI特征的模型）可判断文件极可能是合成的，但仅提供概率评分。这类信息适用于初步筛选大量文件，将其分流至待审队列，却无法确定特定文件是否造假。
证明单个医疗记录造假需进行设备级法证分析。专业数字取证专家需检查文件嵌入式元数据，比对声称来源的扫描仪及医疗机构信息，检测生成模型留下的图像痕迹，并核查医院系统记录以确认该检查是否真实存在。在诉讼或重大理赔案件中，通常需通过法律程序调取医院记录和系统数据。
数字取证专家的工作基于可获取的证据链，这才是确凿证明的唯一来源。任何替代方案都只是概率推测。
单文件法证分析无法应对海量需求
行业无法对每份理赔申请执行设备级法证分析。原因有三：理赔数量过于庞大、合格专家资源稀缺、单次检查成本过高。若仅将法证证据视为有效证明，且欺诈规模即将激增，纯法证防御体系将无法匹配理赔流程。解决方案必须是分层防御。
三层防御体系
第一层：在流程前端部署自动化AI检测模型，对传入文件进行合成概率评分。虽不完美（会漏检高仿真假文件，也可能误判真实文件），但因海量数据使纯人工审查不可行，此层不可或缺。布法罗大学开发的检测器在受控测试中，对合成放射学报告的识别达到92至100的马修斯相关系数。此类工具仅提供评分，不构成法律证据。
第二层：人工复核环节。理赔审核员、反欺诈部门人员及临床医生根据模型标记进行专业判断。速度慢于自动化但快于法证分析，成本更低。此层决定标记文件是否值得深入审查。
第三层：针对可能进入诉讼且理赔金额重大的少量文件，由数字取证专家进行设备级分析并提供可采信的法庭证词。这是唯一能提供法律有效证据的层级。
缺失任一层都会导致体系崩溃：移除AI检测层，海量数据将压垮人工审查；取消人工复核，误报将阻塞真实理赔；缺乏法证分析，争议文件将在法庭质证中败露。
真正风险在于混淆"证据"定义
行业将部署AI检测工具，供应商会推广，合规团队会批准，这些工具将迅速用于流程前端。值得警惕的风险是：检测评分开始被当作确凿证据。例如因模型概率值拒绝理赔，因模型未识别特定组合而延误真实理赔，或因自动化工具对真实患者病历的误报而和解案件。
AI检测仅指示审查方向，无法判定真伪。证明医疗记录真实性的唯一途径是设备级数字法证分析，别无他法。
《放射学》研究中的深度伪造X光片只是预演，相同技术可蔓延至医疗理赔流程的所有文件类型。系统必须保持人工复核环节，并在文件需法庭辩护时具备真实法证能力。单纯概率判断无法通过交叉质证，忽视此原则的一方终将在法庭上付出代价。
【全文结束】
