随着人工智能（AI）技术的飞速发展，其在医疗领域的应用前景愈发广阔，引发了全球医疗行业的广泛关注。AI不仅有望提升医疗效率、优化诊断流程，还能为临床研究和患者管理带来前所未有的变革。

肝胆相照平台特邀中山大学附属第三医院彭亮教授分享了AI技术在医疗中的应用的相关话题，并将精华部分整理成文，供临床医生参考。

问题一：AI技术是否真的加速肝病新药研发？

肝胆相照：

彭教授，能否根据您的经验分享下，哪些AI技术正在显著革新肝病临床研究的核心环节？您认为这些革新为加速肝病新药研发和诊疗方案优化带来了哪些机遇？

彭亮教授：

人工智能（AI）技术的应用场景早已突破单一领域，广泛渗透至医学临床研究的各个层面，为整个医疗行业带来深远影响。从临床研究的受试者招募、实践环节优化，到临床操作流程、问题诊断，再到研究结果解读与终点评估，AI技术都能提供强大助力。

在临床研究的初始阶段，受试者招募往往是一项繁杂艰巨的任务，需逐一核对众多严格的入排标准。借助AI技术，可轻松从海量电子病历与病理数据中精准筛选出符合临床试验入组条件的患者，大幅节省时间和人力成本。

进入临床研究中期，各类问题可能接踵而至。AI能够迅速剖析问题本质，及时给出科学合理的指导意见，助力研究顺利推进。

在临床研究的终点评估环节，如肝脏肿瘤的恶性程度、肝脏纤维化的进展阶段、肝硬化的严重程度以及肝脏脂肪变性的量化评估等复杂数据解读工作，AI都能凭借其强大的数据分析能力，提供更精准、更可靠的评估结果。此外，AI还可协助完善临床试验结束后的各类文件填写工作，确保数据的完整性和准确性。

然而，AI在医学领域的广泛应用必须严格遵循医学伦理原则，并严格遵守中国医药卫生监督机构的法律法规。这不仅是肝病领域，更是涵盖所有医学领域的全方位、全流程参与。只有在伦理和监管的共同监督与配合下，AI技术才能真正为医学临床研究和实践带来安全、高效且可靠的变革力量。

问题二：AI应用于肝病研究主要的技术瓶颈是什么？

肝胆相照：

AI为临床研究带来效率提升的同时，也面临数据质量、算法可解释性等挑战。彭教授，您认为当前AI应用于肝病研究主要的技术瓶颈是什么？作为临床研究者，我们应如何协同攻关以突破这些瓶颈？

彭亮教授：

AI技术在医疗行业的应用瓶颈并非局限于肝病领域，而是广泛存在于整个医疗研究与实践中。这些瓶颈主要源于以下几个关键问题：

1. 数据质量与同质化的挑战

AI的核心优势在于其强大的数据学习能力，然而，这也正是其面临的主要瓶颈之一。虽然开源数据资源丰富，但高质量、标准化的数据获取却极为困难。不同地区、不同医疗机构的数据存在显著差异，数据的同质化难以实现。这使得AI在学习过程中接触到的数据并非都是优质且标准化的，从而限制了其学习效果和模型的泛化能力。

以皮肤癌的AI诊断为例，如果训练数据主要来自白种人，那么当应用于肤色较深的黑种人时，模型的准确性可能会大打折扣。这是因为学习数据未能涵盖所有人群特征，导致模型在面对不同肤色人群时出现偏差。这种数据代表性不足的问题，是当前AI在医疗领域面临的重要瓶颈之一。

2. AI的“幻觉”问题

AI模型在生成或预测过程中可能会出现“幻觉”现象，即生成与实际情况不符的结果。尽管随着技术的不断进步，这一问题已有所改善，但仍未完全解决。AI模型可能会基于不完整或不准确的数据生成误导性的结论，这在医疗诊断和治疗建议中尤其危险。因此，如何进一步优化AI模型，减少“幻觉”现象，是当前技术发展的重要方向。

3. 基层医疗的应用困境

将AI技术应用于基层医疗是当前面临的又一重大挑战。虽然大型医院在AI应用方面已经取得显著进展，但在基层医疗机构中，AI的应用仍面临诸多困难。基层医疗数据往往不够全面，缺乏高级影像学检查（如CT、MRI）等关键信息，这使得AI模型难以从基层数据中学习到足够的信息。同时，基层医疗机构也难以从现有的AI技术中获得有效的支持，因为这些技术往往需要高质量、多维度的数据输入。

例如，基层医院可能没有条件进行CT或MRI检查，因此无法提供这些关键数据供AI学习。这不仅限制了AI技术在基层的应用，也使得基层医疗难以从AI技术的进步中受益。如何将AI技术有效地推广到基层医疗，使其能够在有限的数据条件下发挥最大效用，是当前亟待解决的问题。

问题三：在应用AI时应遵循哪些核心伦理原则？

肝胆相照：

AI在肝病临床研究中应用的核心挑战之一在于伦理风险。您认为，在肝病领域，最突出、最需要警惕的伦理问题是什么？为了建立对AI辅助研究的信任，您认为我们在应用AI时应遵循哪些核心伦理原则？

彭亮教授：

今天，我重点探讨的正是这一问题：在人工智能（AI）技术日益融入医学领域的当下，医学伦理的重要性愈发凸显。事实上，在伦理考量中，不存在所谓的“最核心原则”，因为每一个环节都至关重要，不容忽视。

首先，我们必须确保数据的绝对安全，杜绝任何数据泄露的风险。其次，AI算法的可靠性和公正性不容忽视。以Deepseek为例，其早期的学习数据可能主要来源于JAMA、《新英格兰医学杂志》等权威医学期刊。然而，随着技术的发展，Deepseek如今能够接触到海量的数据，甚至包括社交媒体平台如小红书、微信朋友圈等。虽然这在一定程度上体现了数据收集的全面性，但也对数据来源的可靠性提出了严峻挑战。AI的学习过程需要高质量、准确的数据支持。如果输入的数据质量参差不齐，那么AI的分析结果也可能会如同“垃圾”一般。因此，我们必须对数据来源进行严格筛选和验证，确保其真实性和有效性。

第三，医患沟通在AI时代变得更加复杂。不同受教育程度、不同年龄层次的人群对AI的接受度存在显著差异。例如，年轻人可能更容易相信AI的判断，而老年人则更倾向于信任人类医生。在这种情况下，如何向受试者解释研究方案是由AI辅助制定的，成为了一个亟待解决的问题。我们需要找到一种恰当的沟通方式，既能确保受试者充分理解研究方案，又能尊重他们的意愿和选择。

医学伦理的核心始终是关注受试者的利益。伦理考量并非高不可攀，其实质非常简单：如果这个临床试验或干预手段用在你自己或你的家人身上，你是否愿意接受？在伦理考量中，没有所谓的“核心”，所有问题都同等重要。每一个环节都关乎受试者的权益和安全，都必须经过严谨的评估和考量。只有这样，我们才能确保AI技术在医学领域的应用既高效又符合伦理原则，真正为患者带来福祉。

问题四：AI 在基层肝病防控领域的未来展望

肝胆相照：

肝病防治需要覆盖全链条，要实现AI驱动的科研成果真正下沉至基层，惠及更广泛患者，您认为技术、伦理、政策三者如何形成合力，共同打破壁垒？

彭亮教授：

首先，我想强调的是，我今天讲课中提到未来AI在医疗领域的应用，必须是科学技术的进步、医学伦理的跟进以及政策法律的监管“三驾马车”协同推进，缺一不可。

尤其是基层医疗，这正是我们最为关注的焦点。中国的医疗资源分布极不均衡，上海周边等发达地区的基层医院与边远地区的基层医院条件差距悬殊。有些基层医院甚至从未开展过CT或MRI检查。那么，发达地区医院通过AI技术获得的数据和医学指引优化，是否真的适用于基层医院？这显然是一个亟待深入探讨的问题。

基层医院的诊疗手段相对简单，可能仅能进行一些基础检查。因此，我们需要为基层医院开发出简单易用的AI学习模型，通过基础检查项目进行初步风险判读，辅助基层医生做出准确判断。例如，基层医院可能无法开展普美显MRI检查，但完全可以利用彩超进行初步筛查。然而，目前很少有人关注如何利用这些基础检查手段来优化AI模型。

如果基层医院无法开展高级检查，那么我们不能仅仅依赖现有的AI技术。我们需要关注的是，如何让AI技术更加普适化，从上至下逐步推广到基层医疗中。基层医疗的特点和需求是我们必须重视的，我们需要开发出适合基层医院的AI工具，并将其嵌入到基层医院的日常诊疗实践中。

总之，我们还有许多工作要做。我们需要确保AI技术不仅在大型医院中发挥作用，更要深入到基层医疗中，为更多患者提供帮助。

Tags： 突破肝病治疗瓶颈：新药研发可否按下加速键？