过去10年间，人工智能（AI）技术在医疗健康领域迅速发展。尤其是在医学影像分析和医疗文本处理等方面，从早期的影像组学到深度学习算法，再到最近涌现的大语言模型，AI技术为医疗实践带来了全新的思路和工具。各研究机构纷纷探索将AI应用于疾病筛查、诊断、治疗辅助和健康管理，以期提高医疗效率和改善诊疗效果。同时，我国也在政策和产业层面大力支持AI医疗发展，吸引了大量资本和创新企业的投入。

AI医疗应用前景广阔

当前，AI医疗核心技术涵盖影像组学、深度学习和大语言模型等，它们在不同的医疗场景中各展所长。

近段时间，大语言模型等技术正为医疗信息管理赋能，并在全社会引发关注。借助大语言模型，AI能够将自由格式的病历转化为标准化数据，自动提取诊断、用药等关键信息，从而减轻人工整理负担；同时，AI还能总结患者的既往就诊病史，为临床决策提供支持。

在患者服务方面，大语言模型已被探索用于健康咨询、随访管理和疾病科普。通过学习海量医学文献和指南，AI还能为临床医生提供快速参考，辅助年轻医生确定诊疗方案。毋庸置疑，AI在提高医疗文本处理效率、辅助决策和改善医患沟通方面具有巨大的应用潜力。

三大因素限制规模化应用

尽管AI在医疗领域展现了诸多前景，但距其大规模落地仍有较长的路程要走。

截至2024年初，国内已有超过120项AI医疗器械获得了三类注册证。然而，在临床一线真正实现有效应用并带来实际价值的产品仍为少数。许多AI产品虽然通过审批进入市场，但在医院日常诊疗中尚未被广泛应用，未能显著提升医疗质量和效率。这也表明，获得资质仅是第一步，更大的挑战在于如何让AI工具真正融入医疗流程，从而切实造福患者。

目前，AI医疗产品在临床落地过程中仍面临多重挑战。

首先是模型“黑箱”问题，即决策过程缺乏透明性。许多深度学习模型缺乏可解释性，其分析和推理机制往往难以被直观理解，从而降低了医生和患者对AI输出结果的信任。医生很难完全信任一个无法解释其依据的算法，尤其当AI结论与临床经验不符时，更容易引发质疑；患者对于AI介入诊疗过程也可能心存疑虑。此时，如果医生无法清晰解释判断依据，医患信任关系将受到影响。

其次，AI模型在不同医院和应用环境中的稳定性也是一大挑战。各医疗机构在设备类型、扫描协议和数据格式等方面存在差异，同一算法在甲医院表现优异，而在乙医院可能出现性能下滑。以医学影像为例，不同医院的CT成像参数（如层厚、对比剂使用等）各有不同，导致图像特征分布存在差异。若模型仅基于单一来源数据进行训练，在面对分布差异较大的新数据时，其准确率往往难以保障。这种跨医院的“域偏移”现象使AI模型缺乏泛化能力，导致在多中心推广时，模型常常表现不稳定。

最后，由于各医院的工作流程存在差异，AI系统需要与医院现有的信息系统和工作流程无缝衔接。若缺乏统一的标准接口和灵活适配机制，AI将在实际应用中遭遇诸多阻力。这些因素导致AI产品难以被顺利部署到不同的医疗场景中，限制了规模化应用。

五大举措加速全面落地

要使AI医疗产品真正产生临床价值，必须针对上述问题调整策略、重点发力。

第一，AI产品研发应紧扣临床实际需求，聚焦直接关系诊疗决策和患者获益的关键问题，而非一味追求吸引眼球的技术概念。只有解决真正的临床痛点，AI才能创造实质价值并赢得医患的认可。

第二，必须提升模型的可解释性和透明度。开发者应积极探索引入医学知识图谱、结果可视化、思维链、检索增强等手段，使AI的决策依据更加直观清晰。提高解释能力有助于增加医护人员和患者对AI的信任。目前，监管部门提出对黑盒算法进行性能影响因素分析并结合医学知识提升其可解释性的相关建议。

第三，构建可推广的多中心数据体系。通过医院间的合作，汇聚多样化的高质量数据，并在跨中心数据集上训练和验证模型，可显著增强算法的鲁棒性（系统韧性），并减少偏倚。

第四，加强AI开发者与临床医生的紧密协同。这也是未来的发展方向之一。从需求调研、数据标注到模型设计和验证，都应有临床专家深度参与。医学与工程的紧密结合可以确保AI工具贴近临床实际，同时，能在开发过程中及时发现和纠正问题。

第五，完善相关监管规范和行业标准，在数据隐私保护、算法伦理和有效性评估等方面制定统一准则，为AI医疗产品的应用创造良好的外部环境。

相信通过以上多方面的努力，AI有望更加稳健地融入医疗实践，实现从“概念验证”向大规模临床应用的转变，为患者和医疗体系带来切实的利益。

文： 北京航空航天大学医学科学与工程学院教授、中国科学院自动化研究所研究员田捷，北京航空航天大学医学科学与工程学院博士后方梦捷

编辑：夏海波 杨真宇

校对：马杨

审核：秦明睿 徐秉楠