□北京航空航天大學(xué)醫(yī)學(xué)科學(xué)與工程學(xué)院教授、中國科學(xué)院自動化研究所研究員 田捷

北京航空航天大學(xué)醫(yī)學(xué)科學(xué)與工程學(xué)院博士后 方夢捷

??過去10年間，人工智能（AI）技術(shù)在醫(yī)療健康領(lǐng)域迅速發(fā)展。尤其是在醫(yī)學(xué)影像分析和醫(yī)療文本處理等方面，從早期的影像組學(xué)到深度學(xué)習(xí)算法，再到最近涌現(xiàn)的大語言模型，AI技術(shù)為醫(yī)療實踐帶來了全新的思路和工具。各研究機構(gòu)紛紛探索將AI應(yīng)用于疾病篩查、診斷、治療輔助和健康管理，以期提高醫(yī)療效率和改善診療效果。同時，我國也在政策和產(chǎn)業(yè)層面大力支持AI醫(yī)療發(fā)展，吸引了大量資本和創(chuàng)新企業(yè)的投入。

AI醫(yī)療應(yīng)用前景廣闊

??當(dāng)前，AI醫(yī)療核心技術(shù)涵蓋影像組學(xué)、深度學(xué)習(xí)和大語言模型等，它們在不同的醫(yī)療場景中各展所長。

??在醫(yī)學(xué)影像領(lǐng)域，基于深度學(xué)習(xí)的算法已能高效識別和分析醫(yī)學(xué)圖像。例如，在肺結(jié)節(jié)篩查中，AI系統(tǒng)能輔助醫(yī)生從胸部CT中發(fā)現(xiàn)微小結(jié)節(jié)，從而提高篩查敏感度。多項研究顯示，AI在肺結(jié)節(jié)檢出方面的敏感度甚至超過了放射科醫(yī)生。又如，在糖尿病視網(wǎng)膜病變篩查中，AI通過分析眼底照片自動識別病變跡象，其靈敏度和特異度均可達到90%以上。

??近段時間，大語言模型等技術(shù)正為醫(yī)療信息管理賦能，并在全社會引發(fā)關(guān)注。借助大語言模型，AI能夠?qū)⒆杂筛袷降牟v轉(zhuǎn)化為標(biāo)準(zhǔn)化數(shù)據(jù)，自動提取診斷、用藥等關(guān)鍵信息，從而減輕人工整理負擔(dān)；同時，AI還能總結(jié)患者的既往就診病史，為臨床決策提供支持。

??在患者服務(wù)方面，大語言模型已被探索用于健康咨詢、隨訪管理和疾病科普。通過學(xué)習(xí)海量醫(yī)學(xué)文獻和指南，AI還能為臨床醫(yī)生提供快速參考，輔助年輕醫(yī)生確定診療方案。毋庸置疑，AI在提高醫(yī)療文本處理效率、輔助決策和改善醫(yī)患溝通方面具有巨大的應(yīng)用潛力。

三大因素限制規(guī)?；瘧?yīng)用

??盡管AI在醫(yī)療領(lǐng)域展現(xiàn)了諸多前景，但距其大規(guī)模落地仍有較長的路程要走。

??截至2024年初，國內(nèi)已有超過120項AI醫(yī)療器械獲得了三類注冊證。然而，在臨床一線真正實現(xiàn)有效應(yīng)用并帶來實際價值的產(chǎn)品仍為少數(shù)。許多AI產(chǎn)品雖然通過審批進入市場，但在醫(yī)院日常診療中尚未被廣泛應(yīng)用，未能顯著提升醫(yī)療質(zhì)量和效率。這也表明，獲得資質(zhì)僅是第一步，更大的挑戰(zhàn)在于如何讓AI工具真正融入醫(yī)療流程，從而切實造?；颊?。

??目前，AI醫(yī)療產(chǎn)品在臨床落地過程中仍面臨多重挑戰(zhàn)。

??首先是模型“黑箱”問題，即決策過程缺乏透明性。許多深度學(xué)習(xí)模型缺乏可解釋性，其分析和推理機制往往難以被直觀理解，從而降低了醫(yī)生和患者對AI輸出結(jié)果的信任。醫(yī)生很難完全信任一個無法解釋其依據(jù)的算法，尤其當(dāng)AI結(jié)論與臨床經(jīng)驗不符時，更容易引發(fā)質(zhì)疑；患者對于AI介入診療過程也可能心存疑慮。此時，如果醫(yī)生無法清晰解釋判斷依據(jù)，醫(yī)患信任關(guān)系將受到影響。

??其次，AI模型在不同醫(yī)院和應(yīng)用環(huán)境中的穩(wěn)定性也是一大挑戰(zhàn)。各醫(yī)療機構(gòu)在設(shè)備類型、掃描協(xié)議和數(shù)據(jù)格式等方面存在差異，同一算法在甲醫(yī)院表現(xiàn)優(yōu)異，而在乙醫(yī)院可能出現(xiàn)性能下滑。以醫(yī)學(xué)影像為例，不同醫(yī)院的CT成像參數(shù)（如層厚、對比劑使用等）各有不同，導(dǎo)致圖像特征分布存在差異。若模型僅基于單一來源數(shù)據(jù)進行訓(xùn)練，在面對分布差異較大的新數(shù)據(jù)時，其準(zhǔn)確率往往難以保障。這種跨醫(yī)院的“域偏移”現(xiàn)象使AI模型缺乏泛化能力，導(dǎo)致在多中心推廣時，模型常常表現(xiàn)不穩(wěn)定。

??最后，由于各醫(yī)院的工作流程存在差異，AI系統(tǒng)需要與醫(yī)院現(xiàn)有的信息系統(tǒng)和工作流程無縫銜接。若缺乏統(tǒng)一的標(biāo)準(zhǔn)接口和靈活適配機制，AI將在實際應(yīng)用中遭遇諸多阻力。這些因素導(dǎo)致AI產(chǎn)品難以被順利部署到不同的醫(yī)療場景中，限制了規(guī)?；瘧?yīng)用。

五大舉措加速全面落地

??要使AI醫(yī)療產(chǎn)品真正產(chǎn)生臨床價值，必須針對上述問題調(diào)整策略、重點發(fā)力。

??第一，AI產(chǎn)品研發(fā)應(yīng)緊扣臨床實際需求，聚焦直接關(guān)系診療決策和患者獲益的關(guān)鍵問題，而非一味追求吸引眼球的技術(shù)概念。只有解決真正的臨床痛點，AI才能創(chuàng)造實質(zhì)價值并贏得醫(yī)患的認可。

??第二，必須提升模型的可解釋性和透明度。開發(fā)者應(yīng)積極探索引入醫(yī)學(xué)知識圖譜、結(jié)果可視化、思維鏈、檢索增強等手段，使AI的決策依據(jù)更加直觀清晰。提高解釋能力有助于增加醫(yī)護人員和患者對AI的信任。目前，監(jiān)管部門提出對黑盒算法進行性能影響因素分析并結(jié)合醫(yī)學(xué)知識提升其可解釋性的相關(guān)建議。

??第三，構(gòu)建可推廣的多中心數(shù)據(jù)體系。通過醫(yī)院間的合作，匯聚多樣化的高質(zhì)量數(shù)據(jù)，并在跨中心數(shù)據(jù)集上訓(xùn)練和驗證模型，可顯著增強算法的魯棒性（系統(tǒng)韌性），并減少偏倚。

??第四，加強AI開發(fā)者與臨床醫(yī)生的緊密協(xié)同。這也是未來的發(fā)展方向之一。從需求調(diào)研、數(shù)據(jù)標(biāo)注到模型設(shè)計和驗證，都應(yīng)有臨床專家深度參與。醫(yī)學(xué)與工程的緊密結(jié)合可以確保AI工具貼近臨床實際，同時，能在開發(fā)過程中及時發(fā)現(xiàn)和糾正問題。

??第五，完善相關(guān)監(jiān)管規(guī)范和行業(yè)標(biāo)準(zhǔn)，在數(shù)據(jù)隱私保護、算法倫理和有效性評估等方面制定統(tǒng)一準(zhǔn)則，為AI醫(yī)療產(chǎn)品的應(yīng)用創(chuàng)造良好的外部環(huán)境。

??相信通過以上多方面的努力，AI有望更加穩(wěn)健地融入醫(yī)療實踐，實現(xiàn)從“概念驗證”向大規(guī)模臨床應(yīng)用的轉(zhuǎn)變，為患者和醫(yī)療體系帶來切實的利益。

相關(guān)知識

推動AI醫(yī)療實現(xiàn)“真正落地”－健康報網(wǎng)——健康門戶
AI+醫(yī)療，竟然是這樣落地的
AI降低醫(yī)療行業(yè)門檻 百度大模型商業(yè)落地加速
平安好醫(yī)生推出智能輔助診療系統(tǒng)，助力AI醫(yī)療落地
醫(yī)療AI落地超1300家，騰訊健康打造開箱即用智能方案
醫(yī)療AI落地超1300家機構(gòu)，騰訊健康打造開箱即用智能方案
記“醫(yī)”2023｜醫(yī)療健康A(chǔ)I大模型元年：從“通用”走向“垂直” 合規(guī)及安全落地仍是考驗
醫(yī)療AI落地超1300家機構(gòu) 騰訊健康打造開箱即用智能方案
AI叩開醫(yī)療大門，智能醫(yī)療器械如何落地？
“AI+醫(yī)療”落地 看病體驗升級

網(wǎng)址: 推動AI醫(yī)療實現(xiàn)“真正落地”－健康報網(wǎng)——健康門戶 http://m.u1s5d6.cn/newsview1254645.html