大量数据表明，全球医疗AI市场正处于指数级增长的快车道。据Grand View Research预测，仅远程患者监测（RPM）中的AI市场规模就预计将从2024年的19.9亿美元增长至2030年的85.1亿美元，复合年增长率（CAGR）高达27.98% 。这一增长的背后，是计算能力的飞跃、算法模型的迭代（特别是生成式AI的崛起）以及医疗系统对效率提升的迫切需求。
医疗影像分析中的AI 应用
医疗影像（如 X 光、CT、MRI 等）是人工智能在医疗中最成熟的应用领域之一。深度学习等技术已经能自动识别医学影像中的异常，例如检测X 光片中的肺结节或定位MRI 图像中的肿瘤。AI 模型通过训练海量标注影像数据，能够执行病灶检测、分割及辅助诊断，并生成结构化报告。例如，算法可以从海量影像中快速发现微小病灶，实现肺癌、肝癌、颅内动脉瘤等疾病的精准早筛，提高早期诊断的准确性和效率。近年来，AI还用于影像重建（如AI 加速 MRI 成像）和图像增强等，使检查更快速清晰。
代表性案例：
肺结节检测与中风筛查：多款经监管批准的 AI 工具可辅助放射科医生阅读片子。截至 2025 年中，仅美国 FDA 即已批准 800 余种医学影像 AI 算法，是应用最多的医疗 AI 方向。例如 Aidoc、科大讯飞等公司的产品可自动标记肺部 CT 片中的微小结节，并对脑出血、中风等急症进行预警，加速诊断。Viz.ai 的脑卒中检测平台可自动发现 CT 片上的大血管闭塞并即时通知专家，大幅缩短中风患者从影像到治疗的时间（据报道平均提速66分钟）。
乳腺癌筛查：MIT J-Clinic 开发的Mirai深度学习模型可根据女性的乳腺X光片预测其5年内患乳腺癌的风险，实现个性化筛查频率。该模型在多国验证中表现出较高的区分度（C-index约0.7），能提示那些X光尚未显现异常但长远风险高的人接受更密集的MRI检查。马萨诸塞州的医院已部署 Mirai 模型，根据每位女性的AI风险评分调整随访间隔，而不再是一刀切地每年筛查。
多模态报告生成：最新的大模型（LLM）与视觉模型结合，开始尝试影像诊断报告自动生成。例如，GPT-4V 等多模态模型能够输入医学影像和临床文本，实现影像-文本匹配的“基础模型”雏形，自动描述影像所见。虽然此类生成式AI尚未临床批准，但显示了 AI 将来可同时“看图”且“写报告”的潜力。
挑战：尽管成效显著，医疗影像AI仍面临多重挑战：
泛化与偏差：影像AI在训练数据以外的医院可能性能下降。例如，不同人种、扫描仪的差异会导致模型偏差，甚至出现利用影像意外推断种族等现象。需要大量多中心数据和偏差纠正方法来提升模型鲁棒性。
监管与临床整合：医疗AI需通过严格验证和法规审批。随着 EU 《AI 法案》等推出，监管机构正要求对 AI 模型更新进行持续监管。临床使用中，还需将 AI 嵌入现有工作流，例如把辅助检测结果集成到放射科 PACS 系统，以免增加医生负担。
解释性与责任：深度学习影像诊断往往属于“黑箱”，医生难以知道其依据。如果 AI 错漏诊断引发医疗事故，法律责任归属尚不明确。这要求开发“可解释AI”，例如用热图高亮模型关注的区域，并明确人机协作责任范围。
未来展望：展望未来，医疗影像AI将更加全面融入影像科工作流，实现“AI 智能助手”式功能。一方面，更大更强的基础模型可能出现——预训练于海量多模态医疗数据，能跨疾病、跨模态作诊断辅助。另一方面，AI 将拓展到实时介入（如手术中影像导航）、个性化预测（结合患者遗传/临床信息提高判读准确度）等领域。可以预见，人机协作将成为常态：AI 承担琐碎重复的识读任务，放射科医生负责最终决策，把握复杂病例并与患者沟通，从而提高诊断效率与质量。
临床决策支持系统（CDSS）
临床决策支持系统（Clinical Decision Support, CDS）指通过软件向临床医护人员提供智能化的信息过滤、决策建议或警示，帮助其更好地做出医疗决策。传统的CDSS 多为基于人工规则的简单系统（如药物相互作用提醒、基于指南的用药提示），但容易出现警报疲劳（过多低精度提醒导致医生忽略）等问题。随着人工智能的发展，现代CDSS 正从静态的if-then 规则转向数据驱动模式：利用机器学习自动从海量临床数据中学习规律，为诊断、治疗提供动态支持。这包括基于深度学习的预测模型、自然语言处理（NLP）对电子病历文本的理解、以及大语言模型（LLM）在医疗问答中的应用等。AI 驱动的 CDSS 能够综合多模态数据（病史、检查、影像、基因等）提供更个性化的决策建议，实现从“提示工具”向“智能顾问”的飞跃。
代表性案例：
诊断与风险预测：目前很多医院的 EHR 系统内置 AI 模型，用于风险评估和诊断辅助。例如美国约翰·霍普金斯医院部署的一个败血症预测 AI，可综合病人生命体征和检验结果，提前数小时预警败血症，抓住了82%的病例（相比之前方案几乎翻倍），并使患者病死率降低约20%。又如常用的 “早期预警评分” 系统，已由 AI 模型加强，以更准确地预测病人临床恶化风险。
AI 助手与问诊：大型语言模型正开始融入临床决策支持。谷歌的 Med-PaLM模型在美国医学执照考试问答上已达到专家医生水准。微软与Epic 合作，将 GPT-4整合进电子病历，自动生成门诊记录草稿。这些LLM 驱动的助手能回答临床问题、汇总病历要点，甚至基于患者综合资料提出可能诊断，但目前仍处于试点阶段。
专科决策支持：在肿瘤学等领域，AI 已用于精准治疗推荐。例如 Tempus 等精准医疗公司构建了知识图谱，将患者基因突变与海量文献、临床试验数据关联，从而为肿瘤医生推荐个体化的靶向药物方案。又如皮肤科的“Brilliant Doctor”系统，利用计算机视觉识别皮肤图像病灶并结合问诊信息，协助诊断皮肤病变。
流程与效率优化：AI 正显著减轻医务人员的文书和流程负担。Nuance 推出的 DAX 智能听写系统可在诊室中自动聆听医患对话，实时生成结构化病历，大量节省了医生写记录的时间。许多美国医师已经使用此类“AI医疗抄写员”，2024 年时这类工具已相当普及。此外，AI 可进行智能排班和资源调度，例如虚拟护士助手自动发送随访提醒、安排检查等，优化工作流程。
挑战：虽然 AI 驱动的 CDSS 前景光明，但在技术和临床落地上仍有诸多挑战：
数据偏差与公平性：AI 可能继承训练数据中的偏见。如果训练集中某些人群代表性不足，模型建议可能对该人群不准确甚至有害。著名研究显示，某商业算法因为以医疗花费作为病情指标，导致低收入的黑人患者病情严重却未被识别。为避免加剧医疗不平等，开发者必须确保训练数据多样，并在不同亚群上测试公平性，必要时进行校正。
透明度与可解释性：深度学习模型往往是“黑箱”，难以向医生解释其给出建议的依据。临床上，医生只有理解了建议的理由才可能信任并采纳。因此需要提升 AI 建议的可解释性，比如提供影响模型判断的关键指标、可视化模型关注区域等。监管机构也日益强调这一点：FDA和欧盟均要求高风险AI 提供一定程度的可解释信息。
系统整合与流程融合：将 AI 工具无缝嵌入临床工作流仍有难度。许多医院信息系统彼此孤立，AI 很难调取多源数据并将结果推送回医生常用界面。尽管 FHIR 等标准提高了互操作性，小型机构仍缺乏 IT 能力对接新工具。如果 AI 警示出现在独立应用而非医生常用的电子病历界面，往往会被忽略。因此，实现无缝集成和即时工作流呈现是关键挑战。
用户信任与培训：医生对 AI 的态度从过度依赖到过度怀疑均可能有害。【自动化偏见】是指如果 AI 通常表现很好，用户可能会对其输出不加质疑地接受，反而在偶发错误时酿成决策失误。相反，也有不少医护最初对AI 抱有怀疑，担心黑箱决策或取代自身角色。因此需要针对用户进行培训和变革管理：让医生了解AI如何工作、参与AI工具的设计与反馈，明确人机决策责任边界等。只有建立足够信任，AI-CDSS 才能真正发挥作用。
法规与伦理：AI 决策支持往往被视作医疗器械软件，需要合规审评。研发者需厘清其产品是否属受监管的医疗器械，并进行严格的安全有效性验证。这可能延缓AI产品上市。此外，涉及患者隐私的数据利用也必须遵循法律（如HIPAA、GDPR），训练大模型时如何确保患者信息匿名、安全存储是重大课题。法律框架对于AI给出的建议出错时的责任归属也在逐步明确中。整体来看，遵循监管和伦理要求虽增加开发成本，却是保障AI可靠、安全应用的前提。
未来发展方向：下一阶段，AI 驱动的决策支持将更加强调人机协同和持续学习。可以预见医院会培养既懂临床又懂AI 的复合型人才，加强对医务人员的AI 培训，使之熟练使用并监督AI 工具工作。技术上，随着多模态大模型的发展，未来的CDSS 有望整合电子病历、医学影像、基因组等全量数据，实现“数字化全息病人”模型，提供更加精准的诊疗建议。此外，即将实施的法规（如 FDA 的软件预认证计划）将推动 AI 模型的动态更新：允许经过验证的模型持续学习新数据，从而不断提升性能。长期来看，AI将成为临床团队不可或缺的一员，通过与人的优势互补，提升临床决策的质量和效率。
电子健康记录（EHR）分析与医疗文本智能
电子健康记录积累了丰富的患者诊疗数据，包括结构化的检查检验结果和非结构化的医生笔记等。人工智能正在革新对EHR 数据的分析利用：通过机器学习从海量病历中发掘隐含模式，用于疾病预测、诊断支持和运营改进。一方面，NLP技术让计算机能“读懂”病历文本，将分散于医生描述中的关键信息结构化提取出来。例如，AI 可以扫描病程记录，自动抽取诊断、用药、副作用等要点，甚至发现漏掉的随访建议。另一方面，深度学习模型可整合EHR 中的时间序列数据（如连续生命体征、检验结果），实时预测患者病情变化。例如KPMG 报告指出，AI 模型可通过对接 EHR 和床旁监测设备持续分析生命体征，提早捕捉病情恶化的蛛丝马迹，促进临床干预、降低不良事件风险。此外，将EHR 与多源数据融合（如连接影像、基因数据），正成为医学AI 研究的新方向，以更全面地理解患者健康状况。
代表性案例：
临床记录总结与检索：斯坦福大学开发的ChatEHR系统，让医生可以像和ChatGPT 对话一样询问患者的电子病历。医生输入诸如“这名患者有哪些过敏？”、“最近一次胆固醇结果是多少？”等问题，ChatEHR即在病历中查找答案并生成简明回答；它还能一键总结厚达数百页的转诊资料。由于直接内嵌在安全的EHR 系统中并限定数据来源，ChatEHR在测试中展现出提升医生调阅信息效率的潜力。
AI 辅助编码与文书：一些医院使用 NLP 模型自动识别病历文本中的诊断和手术描述，建议对应的ICD编码，减轻编码员工作量。大型语言模型也用于起草出院小结等长文本。2023年底，美国最大的 EHR 厂商 Epic 已向客户提供内置 LLM 的病程摘要工具试用，能自动汇总住院病人的全过程记录。临床试验表明，在有 AI提供摘要时，医生对病例要点的掌握并不逊于人工全读，但却节省了大量时间。
罕见病诊断：AI 还展示了加速“疑难杂症”诊断的前景。范德堡大学医学中心利用大语言模型分析未确诊患者的全套病例资料，结果显示ChatGPT 等模型给出的鉴别诊断中，有13.3%的案例准确包含了最终稀有病诊断，远高于人工多学科团队5.6%的命中率。不仅如此，AI 还建议了后续检查步骤帮助确证诊断。这类工具有望缩短疑难病患者动辄数年的诊断漫游。
人群健康与资源优化：在管理层面，医疗管理者借助 AI 挖掘 EHR 的海量数据进行人群健康分析。例如某些卫生系统应用机器学习模型，找出高风险慢病患者并提供个性化干预，成功降低了再次入院率和医疗成本。又如疫情期间，公共卫生部门利用EHR 数据和搜索引擎数据由AI 提前探测疾病暴发的信号，实现疾病预测预警。这些分析依赖于对EHR 大数据的聚合和机器学习建模，被认为是未来公共卫生的重要工具。
挑战：EHR 数据分析也面临一系列现实挑战：
数据质量与标准化：电子病历数据往往存在缺失、错误和格式不统一的问题。不规范的文本记录、不同医院的检查代码不一致，都给AI分析带来困难。在将数据输入模型前需要大量清洗、标准化工作。各国正推动采用标准（如FHIR接口、OMOP通用数据模型）来改善互通性，但全面实现尚需时日。
隐私与安全：EHR 涉及高度敏感的个人健康信息。训练AI模型需要大量病例数据，引发对患者隐私的担忧。必须采用匿名化、数据加密等措施，并可能通过联邦学习等方案在保障隐私前提下训练模型。此外，生成式AI 总结病历时可能产生不准确的“幻觉”信息，误导医生决策，需在产品设计中严格限制此类风险，并允许医生校正。
临床工作流融合：让AI分析真正提高效率，需尽量减少对医生使用习惯的干扰。例如，上述 ChatEHR 若不能直接集成在医生常用的病历系统中，而要求登录独立界面，可能就降低使用率。又如风险预测模型给出预警后，医院要有配套流程确保医生关注并跟进。很多医院已成立专门的AI治理委员会，持续监控 AI 提示采纳率与准确性，调整工作流来发挥AI价值。
专业接受度：部分临床医师对 AI 介入诊疗持观望甚至抵触态度，担心算法出错或抢占自身职责。需要通过持续的医学证明来获取信任，例如让AI系统在现实环境中试运行并公布结果。事实上，一些研究已表明，有AI辅助的情况下，医生总体诊断准确率提高且工作更高效。随着年轻一代医生对技术接受度更高，EHR AI 的应用阻力有望逐步减少。
未来前景：EHR 智能分析将在未来医疗数字化转型中扮演核心角色。一方面，更强的医疗大模型可能出现——接受过海量临床文本和知识库训练的通用医学 AI，可以胜任病例总结、指南查询、临床问答等多种任务。在合理监管下，它或将成为医生的“随身智囊”。另一方面，实时决策支持将更加普及：EHR 将不仅是被动记录系统，而且能主动“聆听”患者数据、实时提醒医生关键变化。我们可以想象，未来医生查房时，AI 已经为他准备好该患者自上次查房以来的新检验异常、最新文献中的相关治疗进展等关键信息。最后，通过聚合不同医院的EHR 数据并引入群体健康AI分析，医疗决策将走向精准公共卫生和个体化医疗的结合——既有宏观策略指导，又有微观个性优化，真正实现数据驱动的医疗智慧决策。
药物开发与再利用中的AI
新药研发周期长、成本高，而人工智能正为此注入新动力。深度学习模型可从海量分子和生物数据中自动发现候选药物，显著加速先导化合物筛选和优化。近年来出现的生成式模型甚至能够“设计”全新分子结构：模型通过学习已知活性分子的特征后，生成可能具有理想药理性质的新化合物。与此同时，AI 还可以用于药物再利用（repurposing），即发掘已有获批药物用于新适应症的潜力。通过知识图谱和NLP技术整合文献、基因通路和临床数据，AI 能在数小时内找到药物与疾病之间非直观的关联，为旧药赋予新生。
代表性成果：
AI 设计新药：Insilico Medicine 公司利用 AI 平台在仅18个月内发现了特发性肺纤维化的新靶点 TNIK，并设计出对应的小分子候选药物。该候选物 INS018_055 很快推进到临床，2024 年已进入 II 期试验——这个速度相比传统研发大幅提升。大型药企也纷纷布局：强生、礼来等与 AI 创企合作，用机器学习筛选新靶标、优化先导物，从而减少无效候选，节约研发成本。据分析，借助深度学习的蛋白结构预测突破（如AlphaFold）和化学模型，AI 有望为新药研发节省数年时间。截至2025年，已有数十款 AI 发现或设计的候选药物进入临床试验，涵盖癌症、纤维化、神经疾病等领域。
药物再利用抗击疫情：AI 再利用在新发传染病中大显身手。2020年初新冠暴发仅两周内，英国初创公司 BenevolentAI 的算法就从已有药物中锁定出一种风湿药物芦巴捷（巴瑞替尼），可能抑制新冠的炎症风暴。该结果于2020年2月发表在《柳叶刀》，随后礼来公司与 NIH 合作为期几个月即启动了巴瑞替尼治疗新冠的大型临床试验。结果证实了 AI 预测的价值：巴瑞替尼显著降低了重症患者死亡率，2022年WHO将其列为推荐用药。这一案例展示了 AI 驱动的药物再利用如何在公共卫生危机中压缩研发时程，从“电脑洞见”到临床验证仅用数月。
知识图谱与罕用药：AI 再利用平台还被广泛用于癌症等慢病领域。一些系统通过知识图谱将疾病-基因-药物关联起来，寻找原本用于某种疾病的药物是否可作用于另一疾病的通路。例如，AI 算法发现某些已有肿瘤药物可能通过相同分子通路用于自身免疫疾病。又如对于制药公司库存中的“搁置”化合物，AI 能评估其在其他靶点上的活性，从而挽救那些临床失败但安全性良好的分子，寻找新的疗效用途。监管机构也对合理的再利用提议更开放，FDA在新冠期间就启动了专门的再利用加速计划。未来，这种“旧药新用”将与 AI 主导的新药设计并重，成为更高效的药物开发模式。
面临挑战：
生物复杂性与可靠性：AI 提出的候选药物仍需经过实验验证，而生物体系的复杂远超模型。很多计算机筛选出的分子在湿实验中可能因为脱靶、毒性、代谢等问题而失败。因此，AI预测的真实性和成功率仍有提升空间。业界在通过更真实的模型（如引入蛋白三维信息、全细胞模拟）以及“人-机循环”实验反馈，来提高AI 设计的可靠度。
数据稀缺与偏倚：新机制靶点往往缺乏大量已知活性分子数据，使深度学习无米下炊。此外，公开数据库里“成功”药物的分子特征可能占主导，模型据此生成的分子缺乏多样性。需要更多高质量生物数据共享，以及引入物理先验知识等，来避免模型陷入已有模式、忽略创新结构。
知识产权和伦理：AI 设计分子模糊了发明者的概念，引发专利归属讨论。如果 AI 生成的分子与已有专利分子高度相似，可能引发侵权或专利无效问题。另外，AI 再利用可能建议一些尚无监管批准的新用途，用药责任需要厘清。对患者而言，使用AI 推荐的罕见病新方案也存在伦理顾虑：应确保充分的临床证据支持，不能因为是AI 提示就降低验证标准。
未来前景：AI 有望贯穿制药研发的全流程并大幅优化之。自动化实验室结合AI 将实现闭环：AI 构思分子——机器人合成并测试——数据反馈再训练AI，不断迭代寻找最佳药物。这样的“实验室自动驾驶”将极大压缩研发周期和成本。未来的多模态生物大模型可能跨越化学、蛋白质组、疾病知识，实现从靶点发现到临床设计的一体化。更宏观地看，AI还将用于临床试验优化：通过模拟试验进程、筛选最合适的患者队列，提升试验成功率。随着监管机构对AI 药物的认可度提高（如FDA 2024 年发布的AI药物研发指导原则），AI 研发成果转化为上市药物的路径会更通畅。可以预见，在不远的将来，每三个新药中就有一个是由AI 率先发现或设计的，其造福速度和广度将远超以往的人类手工研发模式。
个体化医疗与精准医学中的AI
精准医学以根据个人的遗传、生活方式等差异制定定制化医疗方案为目标，AI 在这一领域扮演关键工具角色。首先，在基因组学方面，机器学习可从海量基因变异中找出与疾病或药物反应相关的模式。例如深度学习模型可以预测某未知突变是否可能致病，帮助解读全基因组测序结果。AI还能计算多基因风险评分，评估个体患常见病的遗传风险，用于提前干预。其次，在肿瘤精准治疗中，AI被用于分析肿瘤的分子特征（基因突变、表达谱等）并匹配相应的靶向药或免疫疗法。通过学习大量患者的治疗响应数据，模型可以预测某患者对特定疗法的反应概率，从而辅助医师选择最有效、副作用最小的方案。再次，AI还促进了精准诊断：结合影像、病理和临床数据，机器学习模型能更准确地区分亚型疾病（如不同分子亚型的乳腺癌）并预测预后。总之，AI能整合多模态信息，帮助实现以“一人一策”为特点的个体化医疗。
代表性案例：
肿瘤个体化治疗：华盛顿大学的 Watson for Genomics 系统（基于 IBM Watson 技术）曾利用 NLP 阅读上百万篇文献，为肿瘤患者的基因变异寻找可靶向药物。虽然 Watson 时代已结束，但后来兴起的 Tempus 等公司改用现代 AI，构建庞大知识库和预测模型。例如，当一名肺癌患者带有罕见 EGFR 基因突变时，AI 可以迅速比对数据库并建议使用某款针对类似突变有效的靶向药（或推荐匹配的临床试验），让患者有机会接受最匹配的治疗。据报道，Tempus平台已为数万患者提供此类基因组驱动的用药建议，某些情况下显著改善了疗效。
药物基因组学：AI 在药物基因组学（pharmacogenomics）中帮助制定精准用药方案。一些模型通过学习基因型与药物反应的对应关系，预测某患者对特定药物的代谢速度或不良反应风险。例如，AI可根据患者的CYP450酶基因型，预测华法林的适宜剂量，避免出血风险。美国已有部分医院结合基因检测和AI算法，为患者生成个体化用药报告，提高用药安全性。在精神科领域，AI 利用患者基因和临床特征预测其对不同抗抑郁药的反应，从而指导医师选药，减少反复试药的过程。
罕见病精准医疗：对罕见遗传病患者，AI 有助于找到“命定医生”和治疗。一方面，AI 模型可将患者的全基因组信息与已知疾病数据库匹配，快速给出可能的分子诊断。另一方面，对于没有现成疗法的超罕见病，AI被用于体外筛选已有药物对患者来源细胞的作用，或设计个性化的反义核酸/基因疗法。这类“N=1”试验正变为现实：例如波士顿儿童医院曾利用AI辅助，在一年内为一名罕见神经病患儿定制了一款反义寡核苷酸疗法，实现症状改善。虽然属个案，但预示着未来AI将赋能真正的定制医疗。
面临挑战：
数据获取与整合：要实现精准医疗，需要患者的多维度数据（基因、代谢、影像等），但目前全面收集并整合这些数据并不容易。全基因组测序等成本虽已下降但仍非标配，多组学数据标准不同，跨平台整合存在障碍。针对这一问题，各国正建设大型队列研究和数据共享平台，AI模型也在探索小样本学习以弥补数据不足。
模型解释与医患沟通：当 AI 给出个体化推荐时，往往涉及复杂的统计概率。例如“您有60%的概率对某药有严重不良反应”。医生需要向患者解释这些概率含义以及AI建议背后的依据，否则患者可能无所适从或不信任。同时，医疗决策不仅是技术问题，还涉及患者意愿和价值观。AI建议必须融合人文关怀，由医生与患者共同讨论决策，不能简单由算法决定。
伦理与公平：精准医疗可能加剧健康不平等。如果只有富裕人群能获取昂贵的基因检测，AI 精准医疗带来的好处将无法惠及所有人群。此外，对个人未来疾病风险的预测也引发伦理讨论：如何确保这些信息不被滥用（如保险歧视），如何在干预和焦虑之间取得平衡，都需要审慎政策引导。
未来方向：随着测序和传感技术成本进一步降低，我们预计全面的个人健康数字画像将成为可能。AI将扮演个人“健康管家”的角色，持续分析你的各种健康数据并提出高度个性化的建议。例如，在预防方面，AI可根据你的遗传风险和生活习惯，为你制定专属的体检和筛查方案（如更频繁的乳腺MRI 或提前十年的肠镜筛查）。在治疗方面，数字孪生（Digital Twin）技术或将成熟——为每个患者建立生理病理的计算机模型，模拟不同治疗对其独特身体的影响，选出最佳方案。在药物研发上，AI还可能助力个体化新药，如根据患者肿瘤特异的新抗原设计个性化癌症疫苗。目前已有BioNTech等公司在尝试这类技术。可以预见，精准医学与 AI 的结合将使医疗从“以群体为中心”进一步转向“以个体为中心”。每位患者在AI帮助下都将享有量身定制的预防、诊断和治疗方案，真正实现“合适的治疗在合适的人身上，在合适的时间进行”。
医疗机器人：手术与护理辅助
医疗机器人通过机械臂等装置辅助甚至自动执行医疗操作，其中融合了计算机视觉、力反馈控制等AI 技术，正不断拓展手术和护理的边界。手术机器人方面，以达芬奇手术机器人为代表的系统已在全球装机近万台。传统的达芬奇机器人由外科医生遥控操作，主要提供机械稳定性和精细操作优势。然而，随着AI 算法赋能，机器人正迈向部分自主：研究者开发了自动缝合、持镜等功能，由AI 分担手术中的特定子任务。例如麻省理工和香港中文大学合作的智能内窥镜可由机器人自行调整镜头视角，始终聚焦手术区域，让术者腾出手来专注操作。强化学习等技术也用于训练手术机器人在模拟环境中完成缝合等技能。
代表性应用：
手术机器人辅助：目前临床广泛应用的达芬奇等机器人多为主从控制模式，由医生远程操纵机械臂完成复杂微创手术（如前列腺切除、心脏搭桥）。AI在其中用于手术规划和安全防护：术前基于影像AI帮助制定最佳切口和入路，术中实时监测机械臂位置避免误伤重要组织。一些新型骨科机器人如美国Stryker 的 Mako，可以在 AI 处理的患者术前CT指导下，自动磨削关节骨面，实现亚毫米级精准的关节置换手术。另一例是华人科学家开发的智能软组织机器人STAR：2022年它已在猪身上自主完成肠道吻合术，精度优于人类，这在软组织手术领域是突破性成果。当时需要借助人工标记辅助和受控环境，而到2025年，其升级版 Surgical Transformer 机器人已能在类人条件下自主完成完整的胆囊部分切除任务。该系统结合模仿学习（观看专家手术录像习得操作）和语言式指令（可听从术者语音指令调整动作），表现如同一名受训助手，在多种突发情况下依然稳定完成操作。研究者认为这标志着向自主手术系统迈出了重要一步。
护理辅助机器人：在病房和护理机构，服务型机器人正运用 AI 为医护减负、提升患者体验。例如 Diligent Robotics 公司研发的Moxi机器人，能自主导航医院走廊完成运送样本、取送药物等任务。Moxi 配备了计算机视觉和机械臂，可以自己搭乘电梯、打开病房门，并避让行人，实现全天候无人配送服务。洛杉矶儿童医院引入Moxi 后，3个月内机器人跑腿2500多次，总行驶里程超130英里，帮工作人员节省了超过1600小时劳动力。医院管理者称赞它让护士和药剂师能把更多时间花在病人身上。此外，还有日本开发的Robear 机器人体型健硕、动作温柔，可协助护理员搬运和移乘高龄卧床患者，减轻人力负担；以及一些聊天机器人和社交机器人（如以色列的ElliQ）用于陪伴独居老人，提醒吃药和健康测量，在心理上提供慰藉。虽然这些机器人智能水平不高，但已显示出AI在医疗照护场景的应用潜力。
康复与辅助：AI 驱动的外骨骼机器人正帮助残障人士重新站起。比如 Ekso Bionics 的下肢外骨骼通过 AI 实时感知穿戴者的意图信号（如肌电变化、重心变化），自动调整步态辅助，从而协助截瘫者行走训练。又如智能假肢利用机器学习算法识别人想要做的动作，实时调节关节角度和力度，使假肢动作更自然。目前这些设备多数仍处早期和康复用途，但随着技术成熟，AI机械助理有望显著提高残障人士的生活自理能力。
挑战：医疗机器人的推广需应对多方面挑战：
安全性与可靠性：在高风险的手术和护理场景下，机器人任何失误都可能造成伤害。因此要求冗余设计和详尽测试，确保万无一失。即便AI 趋于成熟，目前绝大多数手术仍然需要人在回路中以防万一。完全自主手术机器人需要通过极为严格的验证和监管，短期内难以广泛临床应用。
人机协调：引入机器人需要重新设计团队分工与流程。例如手术室里，术者、助手如何与机器人配合默契是重要课题。如果协调不佳，机器人可能反而拖慢操作节奏或引起人的不适。此外，护理机器人进入病房，也要考虑到患者的接受度和医护人员的信任度，避免产生距离感或依赖感。解决之道包括对医护进行充分培训演练，以及在人机界面上下功夫使控制更直观、反馈更及时。
成本与维护：先进医疗机器人价格高昂，像达芬奇系统一台数百万人民币，加上每例手术的器械耗材费用，对很多基层医院是难以承受的。此外，机器人设备维护复杂，需要专业工程师团队支持。这些都限制了机器人在各级医疗机构的普及。目前随着更多厂商进入市场（如国产手术机器人企业崛起），设备成本有望下降，但仍需探索更经济的商业模式（比如机器人即服务的租赁方案）。
伦理与法律：如果未来机器人可以自主执行部分医疗操作，那么在医疗事故归责上会出现新难题：责任在操作者、医院、还是机器人制造商？法律框架需要与时俱进，以明确不同自动化等级下的责任主体。同时，从伦理上，患者是否愿意让“无人医生”动刀也是未知数，医疗中信任和同理心等人文因素可能无法由机器替代。因此，业界共识是：短期内机器人只是辅助工具而非替代医生，其作用在于增强人类能力而非取而代之。
未来展望：展望未来十年，医疗机器人将朝着更智能、更自动化和更普及化方向发展。一方面，在手术领域，机器人有望实现部分自主手术：先从特定环节（如缝合、打结）自动执行做起，再逐步扩展。在外科训练中，AI机器人也可用于外科医生的模拟陪练，通过力量反馈与评分帮助提升技能。远程手术也将因机器人普及而更成熟——5G等高速网络结合机器人，让顶尖专家可以远程操刀异地患者，实现医疗资源下沉。另一方面，在护理和患者支持方面，机器人将更贴近患者：例如病房里移动机器人查房，与物联网设备联动监测患者生命体征，必要时通知医护；家庭中，服务机器人辅助手无法自理者吃饭、更衣，提供24 小时照护。随着计算机视觉和语音交互技术进步，这些机器人将变得更“懂人”：能听懂简单医嘱和患者请求，更自然地与人互动。可以预见，未来的医院将有人机协作的身影：外科医生与机器人协同完成高难手术，护士将繁琐搬运交给机器助手，患者出院后家里有机器人陪伴康复。医疗机器人的发展终将指向一个目标——让医疗服务更精确高效，同时减轻医务人员和护理者的负担，造福更多患者。
疾病预测与早期筛查中的AI
疾病预防重于治疗，人工智能为疾病的预测和早期发现提供了全新工具。通过对大量人群健康数据的机器学习建模，AI能够预测个体未来患病风险，以及在尚无明显症状时早期识别疾病迹象。一类典型应用是利用电子健康记录或体检数据构建风险评估模型：比如预测某人在5年内罹患糖尿病或心脏病的概率，以便提前采取干预措施。另一类应用是将 AI 嵌入常规筛查过程中，提高早癌等早期疾病的检出率。例如在影像筛查中，AI 可从胸部低剂量 CT、乳腺X光片等筛查图像中发现早期微小病变，提高癌症早筛的灵敏度。再者，AI 可结合遗传信息进行人群筛查分层：通过分析基因多态性计算多基因风险，从而指导更个性化的筛查方案。此外，在公共卫生领域，AI已用于预测流行病趋势，例如基于网络搜索和交通数据的传染病暴发预测，引导提前防控。
实际应用案例：
癌症AI筛查：在乳腺癌筛查中，谷歌和麻省总医院合作开发的AI模型在回顾性研究中，检出癌变的准确率与顶级放射科医师相当，同时显著降低了误报率。这类模型已在英国开展前瞻试验，以评估是否可用于双阅片中的一名“虚拟读片人”。另一项前沿成果是上述 MIT Mirai模型：它直接从初始正常的乳腺X光片中预测未来癌症风险，从而对高风险者增加MRI等手段筛查，对低风险者适当延长随访间隔。早期结果显示，Mirai 模型确实提前发现了一些常规年度筛查可能漏诊的癌症。在肠癌筛查方面，2019年获 FDA 批准的 Medtronic GI Genius内镜AI可以实时分析结肠镜视频流，辅助医生发现微小的肠息肉。临床试验表明，该AI系统使肠镜检查的腺瘤检出率有统计学显著提升。这些工具通过及早发现癌前病变，有望降低筛查漏诊率并改善患者预后。
心血管风险预测：Mayo Clinic 开发了一种利用普通心电图（ECG）的 AI 算法来筛查无症状的左心室射血分数降低（心衰前兆）。传统上需要超声心动图才能发现的无症状心功能不全，AI却能通过分析一次常规的12导联心电图读数来推断。在一项包含两万余名门诊患者的研究中，使用该 AI 筛查使早期检出的低射血分数病例增加了32%，相当于每筛查1000人多发现5例。更重要的是，这些被提前发现的患者随后接受了干预治疗，从而在症状和损害出现前就获益。该算法已获FDA “突破性”资格，并授权给 Eko 公司集成到智能听诊器中，用于社区早筛。这说明 AI 有能力从日常体检数据中挖掘隐藏信息，实现“无创、廉价”的大规模心血管风险筛查。
糖尿病及慢病预警：英国 NHS 正试点将AI用于分析全科医生诊所的数据，预测哪些患者未来1年内可能发展为2型糖尿病或发生中风，并邀请高风险者参加强化生活方式干预项目。类似地，美国部分保险公司利用AI模型预测某些慢病患者的急性并发症风险，并主动联系提供预防服务。在院内，AI可以连续监测住院患者指标，提前数小时预警像败血症这样的危急症状发生。例如杜克大学研发的“Sepsis Watch” AI 在ICU中监控生命体征和化验趋势，及早识别出潜在的败血症病人，从而让医疗团队在病情恶化前启动干预。
公共卫生与传染病：加拿大蓝点（BlueDot）公司开发的传染病监测AI于2019年12月分析新闻和航班数据，提前数天发出了不明肺炎（后证实为新冠）的预警，比世界卫生组织官方警报早了约一周时间。这展示了AI在全球疾病预测中的价值。未来通过整合环境、动物和人类健康数据的AI模型，有望更早捕捉新发疾病信号，指导疾控部门超前部署防疫资源，真正落实“防患于未然”。
挑战：
准确性与假阳性：对于低发病率的筛查，哪怕 AI 极高的灵敏度也可能带来大量假阳性结果。过多的假阳性会让很多健康人承受不必要的心理压力和侵入性检查。因此需要在敏感性和特异性间取得平衡，并制定假阳性的后续处理流程。部分AI筛查（如乳腺X光）已经采用双阶段方案：AI 首先挑出可放心的阴性病例，放射科医生重点审核AI判可疑的片子，以减少总体工作量和假阳负担。
数据偏倚：风险模型若主要基于西方人群数据训练，可能无法适用于其他族群。例如心血管风险的传统评分在亚裔人群就需校正。AI模型也类似，需要确保训练集具有代表性，并针对特定人群调整。否则AI预测可能对少数族裔不准，从而错过高风险者或反而过度干预低风险者。
依从性与伦理：告知一个健康个体“AI 预测你今后5年内患某癌症的风险比常人高出三倍”时，如何促使其保持随访和干预，是很现实的问题。部分人可能因心理恐惧反而回避检查或采取极端措施。这需要医疗服务提供者给予充分的咨询解释，并提供降低风险的具体可行途径。伦理上，也要防止对高风险者的污名或歧视，以及隐私泄露等风险。
监管与成本效益：将AI用于大规模人群筛查需要公共卫生决策者信服其成本效益比。一项筛查AI如果每发现一例早癌却造成很多人反复检查，那可能未必优于现行方案。因此需要通过前瞻性试验衡量AI筛查的健康经济学影响。同时，监管机构需制定指南，明确AI筛查的质量控制和责任归属，确保不会因为过度依赖AI而疏忽常规程序。
未来趋势：AI 将进一步推动从“被动诊疗”到“主动健康管理”的转变。在个人层面，可穿戴设备与智能手机收集的海量生活数据将被AI用来构建健康风险模型，实现连续的自我监测和预警。例如智能手表的AI算法已经可以实时检测心律失常（如房颤），未来还可能预测佩戴者数天后是否可能发生心衰失代偿等。在医疗系统层面，AI将使筛查策略更加个性化和动态化：基于每个人不断更新的数据，随时调整其预防检查计划频率。这种“精细筛查”将提高预防效率，避免不必要的普筛浪费。公共卫生方面，国家和全球级的疾病预测AI平台将趋于完善，可全天候分析多源数据（包括社交媒体、动物疫情等）以预测疾病走向，为决策者提供科学依据。可以预见，在AI 的赋能下，“未病先防、微病早治”将越来越多地体现在医疗实践中，全人群的疾病谱将因此逐步改善。
病患监测与远程医疗中的AI
远程医疗和患者远程监测（RPM）是现代医疗的重要发展方向，AI 则如同“大脑”一般提升了这类服务的智能化水平。通过可穿戴设备、家用医疗仪器等，医生可以远程获取患者的连续健康数据，而AI 可实时分析这些数据，检测异常、预测风险并发出预警。例如，AI算法可以持续监测高血压患者的联网血压计读数，发现血压控制不佳时提醒患者或通知医生干预。据报道，一项JAMA 研究对 II 期高血压患者应用了智能血压监测管理系统，结果 84% 的患者在3年随访中血压保持达标，而传统护理组这一比例显著更低。又如对慢性心衰出院患者，安装在家中的传感器（电子秤、脉搏计等）记录指标，AI模型可提前数天预测心衰复发并提示调整治疗，从而减少再入院率。除了生理数据监测，AI还能通过聊天机器人或移动App 与患者互动，追踪症状变化、解答常见问题，在一定程度上提供自助医疗支持。强化学习算法甚至可为糖尿病等慢病患者提供个性化的生活方式和用药调整建议，在日常管理中充当“健康教练”。
应用场景与案例：
多病种远程监测：AI-RPM 已广泛应用于心血管、糖尿病、呼吸等领域。例如在心脏病学，装有 AI 的可穿戴心电仪可连续筛查房颤等心律失常；植入式心脏设备也搭载 AI，用于检测心衰、电池状态等并与云端医生系统通信。在糖尿病管理中，Abbott等公司的新一代连续血糖监测仪（CGM）结合AI算法，不仅测量血糖，还能预测未来几小时的血糖趋势并提醒患者饮食或胰岛素调整。慢阻肺患者则可以使用带AI分析的电子听诊器在家测量肺音，AI 提早发现湿啰音增多等恶化迹象。
虚拟病房与院外管理：一些医疗系统建立了“虚拟病房”，将高风险慢病患者在家中的监测数据接入医院的AI系统。英国 NHS 的一个试点项目让高危心衰患者出院后进入虚拟病房管理：AI 实时分析他们在家测得的血压、心率、体重等数据，一旦指标偏离正常即触发报警，由远程医疗团队干预。研究表明，这种模式将心衰再住院率显著降低。在疫情期间，许多医院对新冠轻症患者采用居家监测，由指尖氧饱和度计、电子体温计等设备将数据上传AI平台，自动判读有无恶化。克利夫兰诊所的试验还将AI用于 ICU 脑电（EEG）监测，可远程实时识别癫痫发作和缺氧，方便专家异地会诊。
远程医疗与分诊：AI 也改变了传统远程医疗的流程。例如，一些线上问诊平台在患者与真人医生沟通前，先由AI聊天机器人收集症状、病史并初步分析，给出可能的诊断方向和紧急程度。Ada Health 等症状检查应用已为全球用户提供了数千万次初步健康评估。在视频问诊过程中，AI可以实时语音识别并记录要点，让医生专注于和患者交流，结束后自动生成问诊记录。同声翻译AI还能帮助不同语言的医患交流。在视像检查中，AI 计算机视觉可辅助医生观察患者面色、动作，例如发现中风患者面部不对称或帕金森患者动作迟缓。通过这些方式，AI提高了远程医疗的效率和准确性，让医生在虚拟环境下也有更多“千里眼顺风耳”的能力。
挑战：
数据可靠性与责任：远程监测依赖患者自测数据和设备准确性。如果设备故障或患者操作不当导致数据错误，AI可能发出误报或漏报。目前要求使用经过医疗认证的传感器，并建立人工核查机制以防偏差。法律上，如果AI漏判导致延误治疗，责任如何划分（患者？设备厂商？医疗机构？）尚待明确，阻碍了一些高自动化方案的落地。
信息超载与干扰：连续监测会产生海量数据，AI 筛选虽可减轻医生负担，但一些方案仍存在报警过频的问题，导致临床人员“报警疲劳”。需要不断改进算法的特异性，以及引入分层管理（例如将一般偏离交由护士联系，严重异常才上报医生）。同时，要注意避免过度医疗：并不是发现所有指标异常都需要干预，AI策略应与临床指南结合，设定适当的报警阈值。
隐私与网络安全：患者在家生成的数据通过网络传输，存在被拦截或泄露的风险。医疗物联网设备曾被发现安全漏洞，FDA也警告过联网心脏设备易受黑客攻击。因此需要端到端加密、严格的身份认证和网络安全措施，以保护患者隐私和安全。另外，大量敏感健康数据集中在云端，须确保符合隐私法规，获得患者知情同意。
可及性与依从性：远程监测虽好，但前提是患者能用、愿用相关设备。对老年人、偏远地区人群而言，智能手机、网络的可用性是门槛。一些经济欠发达地区，基础设施不完善，数字鸿沟可能让AI医疗益处无法覆盖最需要的人群。此外，患者长期配合自测和与AI互动也需一定动力和教育，否则可能逐渐懈怠。因此需要简化设备操作、加强健康教育，并将AI方案融入保险支付以提高依从性。
未来展望：在可预见的将来，AI将使医疗从院内延伸到无处不在的无墙医院。随着传感器的微型化和无创化，个人将拥有一系列贴身的健康监测工具，如智能隐形眼镜监测眼压、智能马桶分析排泄物成分等。这些数据通过AI 实时解读，将医生“嵌入”每个人的日常生活中。当风险出现时，医疗系统可主动出击干预，真正实现持续的预防保健。远程医疗也会更加智能和人性化：未来的远程会诊，或许患者面对的是医生+AI“双管家”——AI 在背景中监听讨论，为医生即时提供诊疗方案建议或类似病例参考，医生则专注于决策和与患者沟通。在基层医疗匮乏地区，AI驱动的远程医疗车可以巡回村镇，车上配备机器人臂可在远程专家指导下完成B超、采血等操作，AI 实时处理检查结果并上载给专家审核。可以说，AI 将推动医疗模式从“以机构为中心”变为“以患者为中心”，医疗服务将通过数字和智能网络触达到每个人身边，不再受限于医院的围墙。
多模态数据融合与AI 模型开发
医疗领域的数据形式多种多样，包括结构化的数值（化验结果、生命体征）、非结构化的文本（病历记录）、图像（影像、病理图）、序列信号（心电、脑电）以及基因组等“组学”数据。多模态 AI致力于将这些异构数据源融合分析，从整体上获得对患者更全面准确的认识。相比单一模态，融合多种数据有望互补长短、提升模型的诊断准确性和预后预测能力。例如，在肿瘤诊断中结合影像和病理，比仅看影像更精确；在疾病预测中融合基因、生活方式和临床指标，比单靠传统危险因子模型更有预测力。为实现这一目标，研究者开发了各类数据融合策略和新型AI 架构：包括联合训练不同模态子网络的深度学习模型，用于图像+文本的跨模态Transformer，以及以知识图谱为中介连接多源信息的推理系统等。通过多模态融合，AI模型能够在诊断决策中参考更多维度的信息，从而更接近临床医生综合判断的过程。
前沿进展与实例：
影像+临床融合诊断：放射科领域已开始探索将患者的临床资料与影像一起输入 AI 模型，以提高诊断性能。例如研究显示，给肺结节检测AI提供患者的吸烟史、年龄等信息后，其良恶性判断准确率明显提升，因为模型学会结合临床风险因素。在乳腺癌筛查中，若将女性的激素水平、家族史等和乳房X光一同输入AI，可减少假阳性率。还有一些团队开发“影像组学”模型，从影像中提取定量特征并与基因表达数据联合训练，用于预测肿瘤分子分型和预后，效果优于单纯影像或基因模型。
多模态肿瘤分子分型：在肿瘤精准医疗中，多模态AI已用于综合病理图像+基因组数据进行肿瘤分型。例如斯坦福大学的一个模型将数字病理切片图与对应患者的基因表达谱一起输入深度网络，成功在胰腺癌中预测出一些影像-基因相关的亚型，其预后差异显著。这表明 AI 可以充当“显微镜+测序仪”融合体，发现传统方法难以察觉的模式。同样，在中枢淋巴瘤等罕见肿瘤中，有研究把MRI影像特征、患者临床实验室数据和分子标志物一起输入机器学习模型，以预测化疗反应，实现比经验判断更好的结果。
全景数字患者模型：一些实验性系统尝试构建“数字孪生患者”以模拟疾病进程。例如法国开展的 “数字患者计划” 中，AI 模型结合患者的遗传、临床、环境等全套数据，预测其未来5年内可能发生的主要健康事件，并提出相应防治策略。这种系统性模拟需要处理海量异构数据，是当前AI技术的集大成者。尽管仍在早期，其理念代表了多模态融合的终极目标：提供针对个体的全局健康决策支持。
技术与挑战：开发多模态医疗 AI模型需要解决多方面技术难点：
数据对齐与融合策略：不同模态数据在时空上未必对齐（例如影像是某时刻的扫描，EHR 中有多年历史）。如何让模型有效“对话”这些模态是一大挑战。常用的方法包括早期融合（在输入层先对各模态编码然后合并）和后期融合（先分别建模再在决策层结合）等。还有注意力机制可以让模型动态权衡不同模态的重要性。选择何种融合策略需要根据任务和数据特点权衡，并避免一种模态的噪声影响整体判断。
模态不平衡与缺失：现实中并非每个病人所有模态数据都齐全。例如只有一部分患者做了基因检测。模型需要能够处理缺失模态的情况，否则就只能用在少数全数据患者上。应对措施包括训练时对缺失值进行插值、引入能在单模态下也独立工作的子模型，或者采用零占位符配合特殊机制让模型学会忽略缺失模态。保持模型对不同输入模态组合的稳健性，是实用多模态AI的前提。
计算与数据需求：多模态模型参数规模通常更庞大，需要的训练数据量也成倍增加。这给计算资源和数据收集提出了更高要求。目前高水平的多模态模型多由大型研究机构训练，需要数万例具有多模态标注的患者数据。然而这类完备数据集极其稀少，往往只能通过多中心合作或国际数据共享获得。因此，如何充分利用有限的多模态数据（例如迁移学习、联合学习）也是研究重点。
可解释性与监管：多模态模型的决策过程更加复杂，也更难解释。例如，一个结合影像和基因的模型判定某患者预后不良，但医生想知道究竟是因为影像上哪个征象还是基因上哪个突变导致的。这需要模型具备分解解释能力，输出各模态特征的重要性占比等信息。监管层面对这种“黑箱中的黑箱”也更为谨慎。目前开发者尝试通过模型可视化、生成对比病例等方式提升解释性，并积极与临床专家合作验证模型决策的合理性。
未来展望：多模态 AI 被认为是实现个体化医疗和智慧医疗的关键途径之一。随着医疗数据逐步数字化并打通壁垒，未来AI 将能调动患者全谱的数据：既能“看”影像，也能“读”病历，还知晓基因和生活习惯。当这样的“大一统”医疗 AI 成熟时，可能会出现真正的AI全科医生雏形。在诊断上，它不会局限于某张片子或某项化验，而是像人一样统揽所有资料，给出全面的判断和建议。谷歌、微软等已经在研制多模态医学大模型，希望训练一个模型胜任多学科任务。长远来看，多模态AI 还将助力全局医疗决策：从医院管理（结合床位、物资、患者流数据优化决策）到公共卫生策略（结合流行病学、社交模式数据预测干预效果），都可以通过融合多源信息的AI 模型来提供决策支持。总之，多模态数据融合让AI 拥有更全面的“视野”，这将极大拓展人工智能在医疗中的应用深度和广度，推动医疗决策从碎片化走向全面洞察，最终提高医疗服务的质量和效率。
参考文献：
Singhal, K. et al. Large language models encode clinical knowledge. Nature620, 172–180 (2023).
Singhal, K. et al. Toward expert-level medical question answering with large language models. Nat. Med.https://doi.org/10.1038/s41591-024-03423-7 (2025).
Yala, A. et al. Toward robust mammography-based models for breast cancer risk. Sci. Transl. Med.13, eaba4373 (2021).
Donnelly, J. et al. AsymMirai: Interpretable Mammography-based Deep Learning Model for 1–5-year Breast Cancer Risk Prediction. Radiology310, e232780 (2024).
Repici, A. et al. Artificial intelligence-assisted colonoscopy increases adenoma detection rate: a randomized trial. Gastroenterology159, 512–520.e7 (2020).
Rajkomar, A. et al. Scalable and accurate deep learning with electronic health records. npj Digit. Med.1, 18 (2018).
Henry, K. E. et al. Factors driving provider adoption of the TREWS machine learning-based early warning system and its effects on sepsis treatment timing. Nat. Med.28, 1447–1454 (2022).
Adams, R. et al. Prospective, multi-site study of patient outcomes after implementation of a machine learning-based sepsis early warning system. Nat. Med.https://doi.org/10.1038/s41591-022-01894-0(2022).
Perez, M. V. et al. Large-Scale Assessment of a Smartwatch to Identify Atrial Fibrillation. N. Engl. J. Med.381, 1909–1917 (2019).
Richardson, P., Griffin, I., Tucker, C. et al.Baricitinib as potential treatment for 2019-nCoV acute respiratory disease. Lancet395, e30–e31 (2020).
Stebbing, J. et al. Mechanism of baricitinib supports artificial intelligence-predicted testing in COVID-19 patients. EMBO Mol. Med.12, e12697 (2020).
Saeidi, H. et al. Autonomous robotic laparoscopic surgery for intestinal anastomosis. Sci. Robot.7, eabj2908 (2022).
U.S. Food and Drug Administration. Artificial Intelligence-Enabled Medical Devices. https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-enabled-medical-devices (accessed 17 Dec 2025).
U.S. Food and Drug Administration, Health Canada & Medicines and Healthcare products Regulatory Agency. Good Machine Learning Practice for Medical Device Development: Guiding Principles (Oct 2021). https://www.fda.gov/media/153486/download (accessed 17 Dec 2025).
European Parliament and Council of the European Union. Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act) (2024). https://eur-lex.europa.eu/ (accessed 17 Dec 2025).
Microsoft. Microsoft makes the promise of AI in healthcare real through new collaborations with healthcare organizations and partners (11 Mar 2024). https://blogs.microsoft.com/blog/2024/03/11/microsoft-makes-the-promise-of-ai-in-healthcare-real-through-new-collaborations-with-healthcare-organizations-and-partners/ (accessed 17 Dec 2025).
特别声明：智慧医疗网转载其他网站内容，出于传递更多信息而非盈利之目的，同时并不代表赞成其观点或证实其描述，内容仅供参考。版权归原作者所有，若有侵权，请联系我们删除。
凡来源注明智慧医疗网的内容为智慧医疗网原创，转载需获授权。
