引言：AI先驱的愿景与现实的差距
近年来，人工智能领域的先驱和领军人物频繁将医学与医疗保健列为AI最具积极影响的领域。从杰弗里·辛顿到戴密斯·哈萨比斯，再到达里奥·阿莫代伊和山姆·奥特曼，他们纷纷预言AI将终结疾病、治愈多数癌症、预防阿尔茨海默病，甚至大幅延长人类寿命，并实现“医疗超级智能”。然而，本文作者——全球数字医疗领域权威学者埃里克・托波尔指出，这些宏大的宣言虽然鼓舞人心，但关于AI究竟如何具体地、根本性地改变医学，其细节仍然模糊不清。本文旨在填补这些空白，提供一个前瞻性视角，阐述AI如何在三个核心维度——提升诊断准确性、恢复医患关系中的人性、以及实现疾病预防——带来深刻变革。
一、提升诊断准确性：从影像解读到“超级人眼视觉”
医学界倾向于低估自身的错误。据约翰霍普金斯大学研究人员估计，美国每年有近80万人因重大的诊断医疗错误而遭受永久性残疾或死亡，这还不包括治疗错误。这凸显了提升诊断准确性的迫切性。
1、医学影像的革命性进步
AI在医学领域最显著且经过验证的贡献之一，便是对医学影像的更精准、更全面的解读。
●随机对照试验的证据：在涉及超过10万名女性的大规模乳腺X光摄影筛查随机试验中，有AI辅助的放射科医生检测出的乳腺癌病例比无AI辅助的医生多出约30%，浸润性肿瘤的检出率也高出25%。同样，在胃肠病学领域的四十项随机试验中，AI辅助的结肠镜检查将腺瘤和息肉的总体检出率提高了20%以上。
●全面自动化与基础模型：AI的应用正从筛查特定特征，迈向全面自动化生成综合报告。在高度复杂的心脏超声心动图领域，研究人员利用超过1200万个超声视频和配对文本报告，训练出了“EchoPrime”基础模型，在解读心脏特征和诊断方面达到了领先水平。类似的工作正在所有医学扫描领域开展，有望显著提高诊断准确性并简化工作流程。
2、“超级人眼视觉”与机遇性筛查
AI正在赋予医生“超级人眼视觉”，即从常规医学图像中挖掘出超越原始检查目的的海量隐藏信息。这被称为“机遇性”医学扫描解读。
●超越常规的发现：胸部X光片不仅能显示肺炎，还能通过AI分析揭示2型糖尿病、十年内动脉粥样硬化风险、冠状动脉钙化积分、射血分数和骨质疏松等信息。同样，乳腺X光片可预测心脏病风险，胸部CT扫描可发现胰腺癌。
●视网膜与心电图：视网膜图像（照片或OCT）通过AI解读，能够反映血压、血糖控制情况，以及心、肾、肝、胆囊疾病风险，甚至能预测无症状人群未来患阿尔茨海默病和帕金森病的风险。12导联心电图通过AI分析，也能推断出患者的年龄、性别、贫血、糖尿病、肾病、心室射血分数、房颤风险及卒中风险。
●病理学等领域的延伸：AI能通过癌症组织的病理切片确定其基因驱动突变、恶性程度、起源部位和患者预后。这些在深度学习兴起前难以想象的能力，正从研究走向临床实践，尽管仍需进一步验证。
3、超越影像：AI在临床综合决策中的优势
AI对准确性的贡献远不止于影像。大语言模型已被证明能够简洁、准确地综合来自多源的患者庞大资料库。在一项涉及150个案例场景的研究中，AI在32项任务中有30项表现优于专科医生。随后的真实世界随机试验也证实，AI在眼科七种主要眼病的诊断和患者管理上具有优势。此外，在肯尼亚内罗毕的基层医疗随机试验中，临床医生使用AI咨询工具减少了诊断和治疗错误。这些积极结果在结核病、儿童癌症、糖尿病视网膜病变等疾病的诊断中亦有体现。
二、恢复医学的人性：重铸医患信任与缓解职业倦怠
过去几十年，医患关系持续恶化，主要原因是门诊和查房时间被极度压缩，以及医生被迫承担大量“数据文员”式的工作，导致医患间面对面交流减少，信任缺失。AI有潜力逆转这一趋势。
1、将医生从键盘前解放出来
AI作为“智能抄写员”，可以自动合成病历记录并执行预约、转诊、保险预授权、处方提交、编码计费等下游任务。这能让医生在问诊时重新将注意力聚焦于患者，恢复面对面的交流。研究已证实，这类系统能节省医生时间并减轻职业倦怠，而职业倦怠已成为全球医疗工作者的危机。这项技术的普及速度极快，未来将很快成为常态。
2、赋能患者与促进共情
AI也在增强患者的自主权。在生成式AI出现之前，算法诊断就已通过智能手表监测心律、在杂货店筛查糖尿病视网膜病变等方式改变患者自我健康管理。如今，患者正使用AI聊天机器人进行诊断、获取第二意见、咨询治疗方案。
一项系统综述显示，在15项比较研究中，有13项研究表明，患者在与AI聊天机器人的文本交流中感知到的共情水平，高于与临床医生的文本交流。尽管AI本身不具备共情能力，但它能通过恰当的语言营造共情感受，从而改善患者预后。未来，AI甚至可能被用于培训临床医生，成为更好的沟通者，例如自动分析医患对话并提出改进建议，甚至可能成为年度执业考核的一部分。
3、警惕与展望
然而，必须警惕的是，管理者可能利用AI工具提高生产力，反而要求医生看更多患者，而非延长医患沟通时间。这将是AI恢复医学人性化潜力的破坏性力量。作者呼吁临床医生团结起来，利用自身的议价能力争取增加门诊时间。
三、疾病预防：延长人类健康寿命的前沿
癌症、心血管疾病和神经退行性疾病是三大与年龄相关的主要疾病，是人类健康寿命缩短的主因。它们拥有长达约20年的无症状潜伏期，且与免疫系统失调和慢性炎症（免疫衰老和炎性衰老）密切相关。
1、从早期检测到真正预防的机会
目前的癌症筛查（如乳腺X光、结肠镜）属于“检测”而非“预防”。但现在，通过多基因风险评分和全基因组测序，已能识别患癌风险人群。更关键的是，近期“器官时钟”技术的突破——通过检测血液中一组蛋白质来追踪每个器官和免疫系统的衰老速度——为衡量免疫系统健康提供了可能。
对于心血管疾病，重点已转向识别存在炎症性动脉粥样硬化斑块的易损患者。对于阿尔茨海默病，突破性的p-tau217血液检测可在轻度认知障碍出现多年前预测风险。结合家族史、APOE4基因型和多基因风险评分，可实现更精准的风险分层。
2、“全栈”数据与多模态AI的力量
实现真正一级预防的关键在于整合患者的“全栈”数据，包括电子病历、生活方式、实验室检查、影像、视网膜扫描、基因组学、蛋白质组学（器官时钟）、生物标志物、环境暴露和可穿戴设备数据。AI能从看似正常的化验单中捕捉重要趋势，从病历文本中提取关键信息，并预测未来数年后的疾病风险（如胰腺癌）。
通过整合这些多层次数据，多模态AI能够为每个人确定一种或多种主要年龄相关疾病的风险状况，并追踪干预措施的效果。这些干预措施不仅包括健康生活方式（抗炎饮食、规律运动、良好睡眠），也包括药物治疗。GLP-1类药物家族从治疗糖尿病、肥胖扩展到预防心、肾、肝和成瘾性疾病，可能被视为预防药物时代的转折点。
3、大型健康模型与数字孪生
首个大型健康模型“Delphi-2M”已基于英国生物银行和丹麦近240万人的数据构建和验证。该模型能以前所未有的准确度预测未来20年的疾病或健康事件及其发生时间，加入多基因风险评分后预测性能进一步提升。未来，更先进的大型健康模型将结合“全栈”数据，将预测能力推向更高水平。
此外，“数字孪生”的概念极具潜力。即建立一个包含数十亿人完整健康随访数据的全球资源库，利用“最近邻”分析为任何个体找到其“数字孪生”，从而以最高精度预测健康事件。尽管该资源尚未建成，但其促进人类健康寿命的巨大潜力和经济价值，使得投资于这些AI工具和资源成为必然趋势。
四、挑战与前进道路
尽管AI在提升准确性、恢复人性和预防疾病方面潜力巨大，但其广泛应用仍面临严峻挑战：
1、技术成熟度：当前的大语言模型尚未为广泛医疗应用做好准备，在压力测试和医学基准测试中仍显不足。
2、数据隐私与安全：医疗数据泄露记录不佳。需转向由个人在安全平台上拥有自身医疗数据的模式，并融合传感器、基因组学等数据。
3、算法偏见与公平性：必须彻底审视并纠正输入数据的固有文化偏见。若无旨在优先保证公平性的刻意举措，AI系统很可能加剧而非缩小健康不平等。
4、AI医疗错误与监管：应警惕患者直接使用生成式AI系统而缺乏临床医生监督所带来的风险。监管体系目前过于宽松，过度依赖低门槛的“审批”而非正式批准。
5、报销与激励机制：医保报销标准未能跟上AI技术的进步，各方激励措施错位，导致有益技术的采纳延迟。
6、信任与实施鸿沟：必须通过透明度和严格的医学研究来建立医学界和公众的信任。当前AI医学研究常局限于实验室，未能转化为临床实践，研究与实践间的巨大鸿沟亟需弥合。
五、结论
埃里克・托波尔在文中明确断言，预防年龄相关疾病，从而显著延长人类健康寿命，将是未来几十年AI在医学领域最为重要的贡献。尽管通往这一目标的路途充满障碍，但AI在提升诊断准确性、解放临床医生、赋能患者、实现超早期干预方面的巨大潜力，已为我们描绘了一个令人期待的未来。要把握这一机遇，必须克服技术、伦理、监管和社会层面的重重挑战，最终将AI的能力转化为守护人类健康福祉的现实。
如需要《AI赋能医学的未来》（英文，共11页），请在本微信公众号中赞赏（点喜欢或稀罕作者后按本公众号设定打赏）后，发来email地址索取。
In the end, only three things matter: how much you loved, how gently you lived, and how gracefully you let go of things not meant for you. 浮生若梦，唯三事重：深情以待；温良以行；与无缘者，挥手从容。早上好！
