摘要
本综述系统地综合了过去五年间医学人工智能领域的关键进展，这一时期见证了从任务专用型深度学习到大规模基础模型的范式转变。我们的分析围绕三大核心支柱展开：(1) 医学影像与诊断，在该领域，视觉变换器（Vision Transformers）和“分割万物模型”（Segment Anything Model, SAM）等新兴架构正在挑战卷积神经网络（CNNs）的主导地位；(2) 药物发现与开发，这一领域已被“后AlphaFold时代”重新定义，并通过生成式化学和图神经网络（Graph Neural Networks）的应用得到加速；以及(3) 临床自然语言处理，大型语言模型（LLMs）的出现彻底改变了非结构化数据的分析方式。我们进一步审视了关键的赋能方法，包括用于保护隐私的协作式联邦学习（Federated Learning）和旨在建立临床信任的可解释人工智能（Explainable AI, XAI）。分析的最终落脚点是对持续存在的社会技术与伦理障碍进行批判性评估——例如工作流整合、数据偏见、监管障碍和法律责任——这些构成了真实世界临床转化的主要瓶颈。我们的结论是，尽管人工智能当前的影响更多是演进性的而非革命性的，但多模态基础模型的融合预示着一个日益个性化、预测性和参与性的医学未来，而这一未来的实现，取决于我们能否成功克服这些深刻的非算法挑战。
引言：一种具有革命潜力的演进力量
在过去五年中，人工智能（AI）在医学领域的渗透已从一个充满希望的未来愿景，演变为一个日益融入临床现实的强大力量。然而，对其影响的定性仍然是一个充满争议的核心议题。本综述的核心论点是，当前阶段的医学人工智能最恰当的定性是“一种在现有循证医学范式内放大能力的演进力量”，但它同时蕴含着“潜在的革命性潜力”
本报告旨在深入剖析这一演进与革命并存的动态格局，追溯过去五年间驱动该领域发展的关键技术范式转变。十年前，医疗保健领域的主题是“推广健康记录的数字化”以提高效率；而未来十年，核心将是通过人工智能从这些数字化记录中提取“洞察和价值”
从任务专用模型到基础模型的转变：早期医学人工智能的成功主要依赖于为单一、狭隘任务训练的专用模型，例如一个用于分类特定类型病变的卷积神经网络。然而，近年来，我们见证了向大型、预训练的基础模型（Foundation Models）的根本性转变。诸如AlphaFold、Segment Anything Model (SAM)和大型语言模型（LLMs）等模型，经过在海量、多样化数据上的训练，能够被快速适配到众多下游医疗任务中，这代表了人工智能开发和部署方式的根本性变革
从判别式AI到生成式AI的兴起：除了对现有数据进行分类和预测的判别式模型外，能够创造全新、合成数据的生成式AI（如生成对抗网络GANs、变分自编码器VAEs和扩散模型）的重要性日益凸显。其应用范围从解决数据稀缺性的数据增强，到设计全新的分子结构，为医学研究开辟了新的可能性
为了系统地评估这些转变的实际影响，本综述将围绕医学人工智能应用的三个核心支柱展开：诊断、治疗和临床运营。这些领域不仅是技术进步的主要试验场，也是检验其临床价值和可行性的最终标准。通过对这些领域的深入分析，我们可以清晰地看到，当前医学AI的演进路径在很大程度上是由医疗系统的固有惯性所塑造的。例如，一个能将放射科医生工作效率提升10%的增强型工具，可以被无缝整合进现有工作流程，因为它并未改变放射科医生的核心角色。然而，一个旨在替代放射科医生完成某些任务的革命性工具，则需要对工作流程、计费代码、法律责任框架和专业培训体系进行颠覆性重构，因此会面临巨大的制度性阻力
为了给读者提供一个清晰的领域概览，下表系统性地梳理了现代医学中人工智能应用的主要类别。
表1：现代医学中人工智能应用的分类
| 医学领域 | 临床任务 | 主要AI/ML模型 | 核心贡献 | 代表性文献 |
| 放射学 | 图像分割、病灶检测、疾病分类 | CNNs, Vision Transformers, SAM | 提高诊断准确性，加速图像解读 | |
| 病理学 | 癌细胞识别、淋巴结状态判断 | CNNs, Deep Learning | 降低癌症诊断的错误率 | |
| 眼科学 | 糖尿病视网膜病变、黄斑水肿检测 | Deep Learning | 实现高特异性和高灵敏度的眼底疾病筛查 | |
| 肿瘤学 | 癌症预测、个性化治疗推荐 | Machine Learning, Deep Learning | 提升癌症预测准确率，辅助治疗决策 | |
| 药物发现 | 蛋白质结构预测、分子生成 | AlphaFold, Generative Models (GANs, VAEs) | 革命性地加速蛋白质结构解析，实现从头药物设计 | |
| 药物开发 | 药物-靶点相互作用预测、ADMET预测 | Graph Neural Networks (GNNs), Transformers | 加速临床前研究，预测药物安全性和有效性 | |
| 临床运营 | 临床笔记摘要、信息提取、资源管理 | Large Language Models (LLMs), NLP | 自动化文档工作，减少行政负担，优化医院物流 |
第一部分：应用的核心支柱
第1节 彻底改变医学视觉：人工智能在影像与诊断中的应用
医学影像学，包括放射学、病理学和眼科学，由于其数据密集和数字化的天然属性，已成为人工智能应用的先驱领域
1.1 架构的转变：从CNNs到视觉变换器（ViTs）
长期以来，卷积神经网络（CNNs）因其卓越的局部特征提取能力而成为医学影像分析的基石
视觉变换器（ViTs）的出现标志着一个重要的架构转变。ViTs源于自然语言处理领域的Transformer模型，它通过自注意力（self-attention）机制，能够权衡图像中所有部分之间的关系，从而捕捉全局的、长程的上下文信息
1.2 基础模型范式：“分割万物模型”（SAM）的影响
如果说ViTs代表了架构的演进，那么“分割万物模型”（Segment Anything Model, SAM）的发布则标志着医学视觉领域真正迎来了基础模型的范式革命
零样本能力：SAM最引人注目的特点是其强大的零样本（zero-shot）分割能力，即在没有经过特定医学领域数据训练的情况下，直接应用于医学图像分割任务。实验研究表明，SAM的零样本性能表现出高度的可变性：在某些任务上，如分割边界清晰的器官（例如髋关节X光片中的股骨头），其表现令人印象深刻；但在其他更具挑战性的场景中，如分割边界模糊的脑肿瘤，其性能则表现不佳
临床适配与局限性：将SAM应用于临床实践面临着几个关键挑战。首先，也是最根本的，SAM是一个纯2D模型，这对于处理CT和MRI等3D容积数据是一个重大障碍
SAM的出现及其后续的适配研究浪潮，清晰地揭示了医学影像AI的未来发展轨迹。这一轨迹正从开发成千上万个针对单一任务的利基算法，转向创造和适配少数几个功能强大、可泛化的多模态视觉基础模型。这种“预训练-微调”的模式，对于解决个别临床问题而言，在数据和资源效率上远超传统方法。可以预见，未来医疗机构可能不再需要采购数十种功能单一的AI工具，而是通过授权一个强大的医学视觉基础模型，并根据自身需求对其进行微调，以支持院内的多种临床任务。这不仅将重塑医学AI的市场格局，也将深刻影响未来的研究方向。
1.3 深入临床应用
尽管新兴架构和模型不断涌现，深度学习在具体临床科室的应用已经取得了显著成果，尤其是在作为医学AI应用先驱的放射学和病理学领域
放射学：AI算法已被广泛应用于分析CT、MRI和X光片等多种模态的影像。例如，在胸部影像中，AI能够辅助检测肺结节、诊断肺炎（包括COVID-19）和评估慢性阻塞性肺病（COPD）
病理学：数字病理学的兴起为AI提供了海量的高分辨率组织学图像。AI模型在分析这些图像方面展现出巨大潜力，例如，通过识别和计数有丝分裂象来进行肿瘤分级，或是在淋巴结切片中自动识别癌细胞转移，从而将癌症诊断的错误率降低了15-20%
眼科学：眼底成像是另一个AI应用成果斐然的领域。深度学习系统能够以极高的准确率从视网膜照片中检测出糖尿病视网膜病变和黄斑水肿的早期迹象，其性能可与人类眼科专家相媲美
1.4 用于医学图像合成的生成式AI
生成式人工智能，特别是生成对抗网络（GANs）、变分自编码器（VAEs）和扩散模型，为医学影像分析开辟了新的维度
数据增强：高质量、大规模的标注医学数据集是训练高性能AI模型的关键，但其获取常常受到患者隐私、数据稀缺和标注成本高等因素的限制。生成式模型能够学习现有数据的分布特征，并生成大量新的、多样的合成图像，从而有效扩充训练数据集，解决数据不足和类别不平衡的问题
图像增强与协调：生成式模型可用于提升图像质量，例如通过超分辨率技术将低分辨率图像转换为高分辨率图像，或在图像重建过程中去除噪声和伪影。此外，由于不同医院、不同设备和不同扫描参数会导致所谓的“分布漂移”，生成式模型还能用于图像协调（harmonization），将来自不同来源的图像转换为统一的风格，从而提高后续分析模型的鲁棒性
跨模态转换：这是一项极具潜力的应用，即从一种模态的图像生成另一种模态的图像。例如，根据患者的MRI图像合成对应的CT图像。这在某些临床场景下意义重大，比如在放射治疗计划中，医生通常需要CT图像来计算剂量，但肿瘤的轮廓在MRI上可能更清晰。通过跨模态转换，可以在无需额外扫描的情况下，为患者提供两种模态的信息，减少辐射暴露和医疗成本
第2节 加速疗法创新：人工智能在药物发现与开发中的应用
传统的药物发现过程以其高昂的成本、漫长的时间线和极低的成功率而著称
2.1 “后AlphaFold时代”：重新定义结构生物学
2020年，DeepMind发布的AlphaFold在蛋白质结构预测方面取得了革命性的突破，这被广泛认为是生物学领域的一个里程碑事件
从难题到工具：在AlphaFold之前，通过实验方法解析蛋白质的三维结构是一个极其耗时且昂贵的过程，是结构生物学面临的重大挑战之一。AlphaFold利用深度学习，能够以前所未有的速度和准确性从氨基酸序列预测蛋白质的静态3D结构，从而将蛋白质折叠从一个基础科学难题转变为一个强大的、可广泛应用的生物信息学工具
新的前沿：随着静态结构预测问题的基本解决，研究的焦点开始转向更为复杂和动态的生物学问题。因为蛋白质的功能并不仅仅由其单一的静态结构决定，而是在很大程度上取决于其在不同构象状态之间的动态转换、与其他分子的相互作用以及突变对其结构和功能的影响
2.2 生成式化学：从头分子设计
生成式化学是AI在药物发现中最具革命性潜力的应用之一，它利用深度生成模型（如VAEs、GANs、扩散模型和RNNs）从零开始设计具有特定期望性质的全新分子
方法学演进：早期的生成模型主要关注于生成化学上有效的分子结构。例如，使用循环神经网络（RNNs）学习分子的SMILES（一种线性文本表示法）字符串的语法规则，从而生成新的SMILES序列
目标驱动的生成：现代生成式化学已经超越了简单地生成有效分子，而是致力于在生成过程中优化一个或多个目标属性。通过将生成模型与强化学习（RL）等优化算法相结合，可以引导模型生成同时满足多种约束条件的分子，例如：对特定靶点的高生物活性、低毒性、良好的药代动力学特性（ADMET）以及较高的合成可及性
2.3 连接的力量：利用图神经网络（GNNs）预测相互作用
分子和生物网络天然具有图结构，其中原子或生物分子是节点，化学键或相互作用是边。图神经网络（GNNs）作为一种专门处理图结构数据的深度学习模型，在药物发现中扮演着至关重要的角色。
药物-靶点相互作用（DTI）预测：准确预测小分子药物是否会与生物靶点（通常是蛋白质）发生相互作用，是药物发现和药物重定位的核心任务。GNNs已成为该领域的最新技术标准
架构创新：随着研究的深入，DTI预测的GNN架构也在不断演进。早期的模型主要采用标准的图卷积网络。而近期的研究则引入了更复杂的机制以提升性能，例如：引入注意力机制来区分不同邻居节点的重要性（如DTI-HETA模型）；构建分层图结构以同时捕捉分子的原子级细节和整体拓扑信息（如H2GnnDTI模型）；以及设计更深的网络架构来学习多尺度的特征表示
2.4 优化研发管线：AI在ADMET和临床试验中的应用
药物研发的高失败率很大程度上源于在临床前和临床试验阶段发现候选药物存在不可接受的毒性或不良的药代动力学特性。AI正被越来越多地应用于药物研发的后期阶段，以期尽早识别并剔除这些“失败”的分子。
ADMET预测：利用AI模型，尤其是深度学习和图神经网络，可以在药物设计的早期阶段就预测其吸收（Absorption）、分布（Distribution）、代谢（Metabolism）、排泄（Excretion）和毒性（Toxicity）等关键特性。通过在大型实验数据库上进行训练，这些模型能够学习到分子结构与ADMET性质之间的复杂关系，从而帮助药物化学家筛选和优化先导化合物，显著降低后期研发失败的风险
临床试验优化：AI同样能够为昂贵且耗时的临床试验过程带来效率提升。通过分析电子健康记录（EHR）和组学数据，AI算法可以更精准地进行患者分层，筛选出最有可能从新药中获益的受试者群体，从而优化试验的入组标准
这些在药物发现各个阶段的应用并非孤立存在，而是相互关联，共同构成了一个整合的“数字生物学”闭环。AlphaFold提供了高精度的靶点结构，GNNs利用这些结构进行大规模虚拟筛选以发现潜在的苗头化合物，生成模型则基于这些苗头化合物的特征设计出全新的、经过优化的候选药物，最后，ADMET预测模型在这些新分子被合成之前就评估其成药性。信息在这个曾经线性的流程中实现了无缝流动和快速迭代，这不仅仅是让每一步变得更快，而是将整个药物发现过程从一个漫长的“管道”转变为一个高效的“循环”。
第3节 解锁非结构化数据：自然语言处理（NLP）和大型语言模型（LLMs）在临床实践中的应用
临床实践中产生了海量的文本数据，如电子健康记录（EHRs）、临床笔记、出院小结和科研文献，这些非结构化数据蕴含着巨大的临床价值。然而，长期以来，如何有效利用这些数据一直是一个挑战。在过去五年，特别是随着以GPT-3.5和GPT-4为代表的大型语言模型（LLMs）的问世，临床自然语言处理（NLP）领域经历了一场深刻的变革
3.1 LLM的变革性影响
在LLMs出现之前，临床NLP任务通常依赖于传统的机器学习方法或需要针对特定任务在大量手动标注数据上进行训练的深度学习模型（如BERT的领域专用版本BioClinicalBERT）。这个过程不仅耗时耗力，而且模型的泛化能力有限
LLMs的出现彻底改变了这一局面。基于其在海量通用文本数据上的预训练，LLMs获得了强大的语言理解和生成能力，使其能够在零样本（zero-shot）或仅需少量示例（few-shot）的情况下，完成复杂的临床NLP任务
3.2 核心能力与应用
LLMs在临床实践中的应用正迅速扩展，其核心价值在于将非结构化的文本信息转化为可操作的、结构化的知识。
信息提取：这是LLMs在临床领域最基础也最广泛的应用之一。通过临床命名实体识别（NER）任务，LLMs可以自动从临床笔记中识别和提取关键信息，如医疗问题（症状、诊断）、治疗（药物、手术）和检查（实验室检验、影像学检查）
临床文档与摘要：医生和护士花费大量时间撰写和阅读临床文档，这是导致职业倦怠的一个主要因素
临床决策支持：LLMs有潜力成为医生的强大AI助手。它们可以快速综合最新的医学文献、临床指南和药物信息，为特定的临床问题提供基于证据的答案
3.3 可信度的挑战：幻觉与事实溯源
尽管LLMs展现出巨大的潜力，但其在临床应用中的一个致命弱点是“幻觉”（hallucination）现象，即模型可能生成流畅、看似合理但实际上完全错误或捏造的信息
为了解决这一问题，研究界正在积极探索多种“事实溯源”（factual grounding）技术。其中，检索增强生成（Retrieval-Augmented Generation, RAG）是一种极具前景的方法
综合来看，LLMs在近期的主要价值并非是作为自主的诊断者，而是作为“临床智能放大器”。它们的核心优势在于信息综合、摘要和检索，这些任务虽然不属于核心的诊断推理，却占据了临床医生大量的时间和精力。因此，LLM的早期应用落地，主要是为了解决临床医生的职业倦怠和提升医疗系统的运营效率。这种定位将讨论的焦点从“LLM能否取代医生？”转向了“LLM如何能让医生更高效、更专注地工作？”。正是这种对“增强而非替代”的关注，解释了为何尽管LLMs在临床推理方面仍存在已知缺陷，但用于临床文档处理的工具却能得到如此迅速的关注和部署
第二部分：赋能方法论与总体挑战
医学人工智能的进步不仅依赖于在特定应用领域的算法创新，更取决于一系列横向的、赋能性的方法论。这些方法论旨在解决数据、隐私、信任和可解释性等贯穿整个领域的根本性问题。与此同时，将任何AI技术从实验室推向临床，都必须穿越一个由技术、伦理、法律和组织因素交织而成的“社会技术关隘”。本部分将深入探讨联邦学习和可解释AI这两大关键方法论，并综合分析医学AI面临的总体挑战。
第4节 构建协作智能：联邦学习（FL）的角色
现代AI模型的性能在很大程度上取决于训练数据的规模和多样性。然而，在医疗领域，由于患者隐私法规（如HIPAA和GDPR）、数据所有权问题以及机构间的竞争关系，高质量的医疗数据往往被困在各个医院和研究中心的“数据孤岛”中，难以进行集中式的整合与利用。联邦学习（Federated Learning, FL）的出现，为解决这一核心矛盾提供了一个创新的技术框架。
4.1 克服数据孤岛
联邦学习是一种分布式的机器学习范式，其核心思想是“数据不动，模型动”
4.2 应用与鲁棒性
自2016年被提出以来，联邦学习在医疗领域的应用研究迅速增长，尤其是在2020年之后
4.3 临床应用的持续障碍
尽管联邦学习在学术研究中展现出巨大潜力，但其在真实世界临床环境中的应用仍然非常罕见，一项系统性综述发现，仅有5.2%的研究涉及真实场景的应用
隐私风险：联邦学习并非绝对安全的“银弹”。尽管原始数据不离开本地，但上传的模型更新中仍可能泄露关于训练数据的敏感信息。恶意攻击者可能通过模型逆向（reconstruction attacks）或成员推断（membership inference attacks）等手段，从模型更新中推断出部分原始数据或判断某个特定患者的数据是否被用于训练
技术障碍：数据异构性是FL面临的一大技术挑战。不同医院的数据在患者人群、采集设备、标注标准等方面存在差异（即非独立同分布，non-IID），这会严重影响全局模型的收敛和性能
治理与激励机制：这是FL落地最核心的障碍。谁拥有最终训练出的全局模型的所有权？如果模型存在偏见或出错，责任应由谁承担？对于那些已经拥有大量高质量数据的顶尖医疗机构而言，它们参与联邦学习网络的激励何在？如何设计公平的贡献评估和利益分配机制？这些关于知识产权、法律责任、经济激励和数据治理的复杂问题，远比算法本身更难解决，并且严重阻碍了大规模协作网络的形成
联邦学习的困境是整个医学AI领域所面临挑战的一个缩影。它清晰地表明，一个技术上再精妙的解决方案，如果缺乏一个健全的、支持其运行的社会技术生态系统，其临床转化之路将步履维艰。技术或许已经准备就绪，但围绕它的信任、治理、法律和协作框架却远未成熟。
第5节 打开黑箱：可解释人工智能（XAI）的必要性
深度学习模型，尤其是那些结构复杂的模型，常常被诟病为“黑箱”——它们能给出惊人准确的预测，却无法解释其做出决策的具体原因
5.1 建立信任与问责制
XAI的核心价值在于为信任和问责提供基础。当一个AI模型建议某个肺结节为恶性时，如果它能同时高亮显示出其判断所依据的结节边缘毛刺、内部空洞等具体影像学特征，临床医生就能结合自身的专业知识来验证和评估这个建议的合理性
5.2 关键XAI技术回顾
在医学诊断领域，多种XAI技术已被广泛研究和应用，旨在从不同层面揭示模型的决策逻辑。
LIME (Local Interpretable Model-Agnostic Explanations)：LIME是一种模型无关的局部解释方法。它通过在单个样本附近生成扰动，并用一个简单的、可解释的模型（如线性模型）来拟合“黑箱”模型在该局部区域的行为，从而回答“为什么模型对这一个特定的病人做出了这样的预测？”
SHAP (SHapley Additive Explanations)：SHAP基于博弈论中的夏普利值（Shapley value），提供了一个统一的框架来计算每个输入特征对最终预测结果的贡献度。它既可以提供局部解释（某个特征对单个预测的影响），也可以提供全局解释（某个特征在整个数据集上的平均重要性），是目前最流行和理论上最完备的XAI方法之一
可视化方法：在医学影像领域，基于可视化的XAI方法尤为直观和重要。例如，显著性图（saliency maps）和类激活图（Grad-CAM）能够生成热力图，高亮显示出图像中对模型做出特定分类决策（如“癌症”或“正常”）贡献最大的区域
5.3 对临床决策的影响
将XAI技术整合到临床AI工具中，能够显著提升其临床实用性。它使AI的输出不再是一个冷冰冰的概率值，而是一个附带了“论证过程”的建议，这更符合医生的循证决策思维模式
更深远地看，XAI的角色正在从一个单纯用于验证和建立信任的辅助功能，演变为一个潜在的科学发现引擎。最初，XAI的动机是为了解决“黑箱”问题，以获得临床医生的信任并确保问责制
结论：规划临床整合AI的路线图
过去五年的发展清晰地表明，医学人工智能已经从一个以算法为中心的领域，演变为一个技术、临床、伦理和组织因素深度交织的复杂生态系统。模型的预测准确性固然是基础，但它远非临床成功的充分条件。真正的挑战在于如何跨越从代码到临床实践的“最后一公里”，这需要我们系统性地应对一系列深刻的社会技术和伦理障碍。
社会技术关隘
一个AI模型要想在临床中真正发挥价值，就必须通过一个严峻的“社会技术关隘”。它不仅要在技术上可行，还必须在组织上可集成、在经济上可持续、在实践中被接受。综合性的评估框架，如AI for IMPACTS，为我们系统地理解这些挑战提供了路线图
集成与工作流：AI工具必须能够与现有的电子健康记录（EHR）和影像归档与通信系统（PACS）等信息系统无缝互操作，避免给本已紧张的临床工作流增加额外的负担和复杂性。缺乏互操作性是导致技术应用失败的常见原因
治理与监管：获得监管机构（如FDA）的批准只是第一步。在真实的、多样的临床环境中持续验证其安全性、有效性和公平性，并建立有效的上市后监测和治理机制，是确保技术长期可靠的关键。监管审批与真实世界表现之间存在的差距，是当前面临的一大挑战
经济性与成本效益：除了证明临床价值外，AI应用还必须证明其经济价值。医疗机构和支付方需要看到明确的证据，表明引入AI能够带来成本节约、效率提升或更好的健康产出，这是实现可持续部署和获得医保报销的前提
接受度、信任与培训：最终，AI工具的成败取决于人的因素。以用户为中心的设计、良好的可用性、对临床医生和患者的充分培训，以及通过透明度和可解释性建立起来的信任，是技术被接纳和正确使用的基石
伦理基石：应对偏见、公平、隐私与责任
在推进技术应用的同时，我们必须坚守医学伦理的核心原则。人工智能的引入带来了新的、更为复杂的伦理挑战，必须予以正视和解决。
偏见与公平：AI模型是从数据中学习的，如果训练数据本身存在偏见（例如，某些种族或社会经济群体的代表性不足），模型将会学习并可能放大这些偏见，导致医疗服务中的不平等，加剧健康差距
隐私与同意：随着模型规模越来越大，对数据的需求也越来越高。如何在利用大规模数据的同时，严格保护患者的隐私，确保数据使用的合法性和透明度，并获得患者的知情同意，是一个贯穿始终的伦理难题
问责与责任：当一个AI系统出错并导致患者受到伤害时，责任应该由谁承担？是算法的开发者，是部署该系统的医院，还是采纳了AI建议的临床医生？这个复杂且尚未解决的法律和伦理问题，是广泛应用自主性更强的AI系统之前必须厘清的关键
未来轨迹：迈向多模态基础模型与个性化医疗
展望未来，本综述所探讨的各个发展线索正在趋于融合，共同指向一个更加整合和智能的医学未来。
多模态AI的兴起：未来的医学AI将不再局限于单一数据类型。真正强大的临床洞察力来自于对患者多维度信息的综合分析。下一代基础模型将是多模态的，能够同时处理和融合来自医学影像（ViT）、临床笔记（LLM）、基因组学（GNN）和可穿戴设备传感器等多种来源的数据，为同一个患者生成一个全面的、整体的健康画像和风险预测
从群体水平到个体水平：当前AI模型的主要局限之一在于，它们从群体数据中学习到的模式，不一定能完美适用于每一个独特的个体（即“遍历性”问题）
表2：医疗保健领域基础模型的比较分析
| 基础模型 | 主要模态 | 核心功能 | 关键创新 | 在医学中的主要局限性 | 代表性文献 |
| AlphaFold | 蛋白质序列 | 3D结构预测 | 解决了蛋白质折叠问题，将结构预测从挑战变为工具 | 仅能预测静态结构，无法捕捉动态构象和相互作用 | |
| Segment Anything Model (SAM) | 自然/医学图像 | 可提示的图像分割 | 创建了首个通用的视觉分割模型，具备强大的零样本能力 | 2D限制，在复杂医学场景中性能不稳定，需领域适配 | |
| 临床LLM (如GatorTron/GPT-4) | 临床文本 | 信息提取、生成与摘要 | 在临床语境下实现了接近人类水平的语言理解与生成 | 事实幻觉、数据偏见、缺乏可验证的推理能力 |
–EOF–
转载须以超链接形式标明文章原始出处和作者信息及版权声明.
No comments:
Post a Comment