本綜述全面審視了人工智能（AI）在醫學領域的多維應用現狀、面臨的挑戰及發展方向，總結了AI在基礎醫學研究、疾病預防、智能診斷、治療、康復、護理和健康管理等方面的具體應用，同時關注AI在臨床試驗、醫院管理、醫學教育以及醫學倫理和政策制定中的創新實踐和作用。AI醫療面臨算法透明度不足、數據隱私保護、監管標準缺失、風險評估體系不完善等挑戰。未來AI醫療的發展方向包括：提升算法可解釋性，推進生成式AI應用；建立高效數據共享機制；完善監管政策與標準；加強跨學科人才培養；推動產學研醫協同創新；發展普惠醫療和個性化精準醫療。AI與5G、大數據、云計算等新興技術的融合將引領醫療走向智能協同、普惠共享的新時代。通過多維度分析，為醫學領域的研究者、從業者和決策者提供全面的AI醫療應用與發展前景概覽，旨在促進AI技術在醫學領域的深度融合與創新應用，推動智慧醫療的可持續發展。
引用本文： 周小芹, 劉慧珍, 王婷, 劉雪婷, 劉芳, 康德英. 人工智能賦能醫學領域的挑戰與發展方向. 中國胸心血管外科臨床雜志, 2025, 32(2): 244-251. doi: 10.7507/1007-4848.202407041 復制
版權信息： ?四川大學華西醫院華西期刊社《中國胸心血管外科臨床雜志》版權所有，未經授權不得轉載、改編
人工智能（artificial intelligence，AI）正以前所未有的速度和深度重塑醫學領域，從基礎醫學研究到臨床診療，從疾病預防到健康管理，AI技術正在全方位賦能醫學領域，引發深刻的范式轉變，可能重構醫療服務模式和醫學研究方法。本綜述旨在通過多維度分析，全面審視AI在醫學領域的應用現狀、面臨的挑戰以及發展方向。本綜述將總結AI在基礎醫學研究、疾病預防、智能診斷、智能治療、智能康復、智能護理和健康管理、臨床試驗、醫院管理和醫學教育中的創新實踐；希望為醫療衛生領域的研究者、從業者和決策者提供一個全面的AI醫療應用與發展前景概覽，促進AI技術在醫學領域的深度融合與創新應用，推動智慧醫療的可持續發展。
1 AI醫療概念闡釋
AI是一個跨學科領域，致力于創造能夠模擬、延伸和擴展人類智能的計算機系統[1-4]。其涉及開發能夠感知環境、學習、推理和采取行動的智能機器。AI系統旨在執行通常需要人類智能的任務，如視覺感知、語音識別、決策制定和自然語言處理等。AI醫療是指將AI技術應用于醫療衛生領域，旨在提高醫療質量、改善患者預后、優化資源配置，并推動個性化和精準醫療的發展，同時促進醫學研究、公共衛生和醫療管理的進步。在醫學領域，AI主要涉及[2-8]：（1）機器學習（machine learning，ML），包括監督學習（supervised learning）、半監督學習（semi-supervised learning）、無監督學習（unsupervised learning）及強化學習（reinforcement learning）等；（2）深度學習（deep learning，DL），包括神經網絡（neural networks）及表征學習（representation learning）等；（3）自然語言處理（natural language processing，NLP）、計算機視覺（computer vision）、知識圖譜（knowledge graphs）、專家系統（expert systems）、智能機器人（intelligent robots）、醫療物聯網（internet of medical things，IoMT）和聯邦學習（federated learning）等技術。這些技術的協同應用正在推動醫療健康領域的智能化轉型。
2 AI在醫學領域的多維應用
縱覽醫療健康全流程，AI正深度融入基礎醫學研究、疾病預防、診斷、治療、康復、護理、健康管理、臨床試驗、醫院管理等各個環節。這種全面的融合正在推動醫療健康領域向智能化、精準化和個性化方向發展，為醫療服務模式帶來革命性的變革。
在Web of Science核心合集數據庫中初步檢索主題詞“Artificial Intelligence”、“Deep learning”、“Machine learning”、“Medicine”和“Medical”等。AI在醫學領域的多維應用包括醫學影像、醫學信息學、普通內科、心血管系統與心臟病學；見附件圖1。通過以上主題詞在PubMed進行主題詞結合自由詞檢索2000年以來發表的文獻，共檢索50 041篇，見圖1。具體PubMed檢索策略：(("Medicine"[MeSH Terms] OR "Medicine"[Title/Abstract] OR "Medical"[Title/Abstract]) AND ("Artificial Intelligence"[MeSH Terms] OR "Artificial intelligence*"[Title/Abstract] OR "Deep learning"[Title/Abstract] OR "Machine learning"[Title/Abstract])) AND (2000/1/1:2024/7/11[pdat])。
圖1
2000—2024年發表的文獻數量（檢索截止時間2024年7月11日）
2.1 基礎醫學研究
（1）文獻挖掘與假設生成[9]：AI自動分析海量醫學文獻，提取關鍵信息，生成新的研究假設，推動科學創新。
（2）生物信息學大數據分析[10-11]：AI輔助分析基因組學、蛋白質組學、代謝組學和轉錄組學數據，加速疾病機理和藥物新靶點發現。
（3）知識圖譜與因果推斷[8, 12]：AI驅動的知識圖譜和因果推斷技術，助力探索復雜生物系統和疾病發展規律。
（4）虛擬器官與系統模型[13-16]：AI構建虛擬器官和人體系統模型，用于疾病機理研究和藥物開發，減少動物實驗需求。
（5）生物實驗自動化[17]：AI結合機器人和計算機視覺技術，實現生物實驗的自動化和高通量化，提高研究效率。
（6）智能藥物研發[18-20]：AI技術優化藥物分子設計，預測藥物性質和功效，輔助藥物篩選、藥效評價和安全性評估，縮短新藥研發周期。
2.2 疾病預防
（1）多維度健康風險預測[21-22]：AI整合多模態數據（包括基因、生活方式、環境因素等），構建精準的疾病風險預測和早篩模型。
（2）基因健康管理[23]：AI輔助基因編輯技術和基因篩查，預測和預防遺傳性疾病，同時考慮倫理和安全問題，推動精準預防醫學發展。
（3）慢性病預防監測[24]：AI驅動的健康管理系統實現對慢性病高風險人群的持續監測和早期干預，預防疾病發生或延緩進展。
（4）傳染病智能監測[25]：AI結合可穿戴設備和大數據分析，實現重大傳染病的實時監測、傳播趨勢預測和早期預警。
（5）環境健康監控[26-28]：AI與物聯網技術結合，實時監測環境因素，預防環境相關疾病，支持精準的公共衛生決策。
（6）智能化健康教育[29]：AI個性化推送健康信息和預防建議，提高公眾健康意識和自我保健能力。
（7）人群健康趨勢分析[30]：AI分析大規模人口健康數據，識別健康風險模式，輔助制定針對性的公共衛生預防策略。
2.3 智能診斷
（1）智能問診與自然語言處理[31]：AI驅動的智能問診系統和自然語言處理技術，分析電子病歷、醫學文獻和患者描述，輔助醫生收集病史、分析癥狀描述，提高診斷效率。
（2）多模態醫學影像分析[32]：AI通過深度學習和圖像識別等方法分析各種醫學影像［如眼底照相、超聲、CT、磁共振成像（MRI）、正電子發射斷層顯像（PET）等 ］，實現病灶識別、三維重建等，提高診斷準確性和效率。
（3）智能數字病理與生理信號分析[33-34]：AI輔助數字病理切片分析和生理信號（如心電圖、腦電圖）解讀，提升診斷精確度。
（4）基因組學與多組學診斷[35]：AI解析基因測序和多組學數據，支持個體化腫瘤分型和罕見病早期診斷。
（5）多源數據融合診斷[10, 36-37]：AI整合影像、病理、基因、臨床癥狀等多維數據，提供全面、精準的診斷建議。
（6）智能輔助診斷系統[38]：整合多種AI診斷技術，為醫生提供全面的診斷建議和參考，提高診斷準確性和效率。
（7）AI支持的遠程診斷[39-40]：利用AI技術支持遠程醫療診斷，通過智能分析傳輸的醫學數據，幫助遠程專家進行精準診斷，擴大優質醫療資源覆蓋范圍。
2.4 智能治療
（1）治療決策支持[41]：AI系統整合最新醫學研究、臨床指南和患者個體數據或多模態數據，為醫生提供循證醫學支持，輔助復雜治療決策。
（2）AI輔助會診[39-40]：AI可遠程連接多地專家，輔助其通過對醫學影像、病歷、檢驗等數據的智能分析，快速給出精準的會診意見，突破時空限制。
（3）智能手術系統與麻醉管理[42-43]：AI驅動的手術機器人和智能導航系統實現精準微創手術，結合智能麻醉管理，提高手術安全性和效果。
（4）智能監護與干預：AI技術實現患者術中、術后和重癥監護的實時監測、風險預警和及時干預，提高治療的及時性和有效性。
（5）個性化醫療器械[44]：AI輔助設計和優化3D打印的個性化植入物和假肢等，提高治療的個體化水平。
2.5 智能康復
（1）多維度康復評估與監測[45-46]：AI結合可穿戴設備實現全天候監測和客觀評估，分析運動模式、生理指標等數據，提供精準的康復進展報告，支持居家康復和精準干預。
（2）個性化康復管理[45-46]：AI輔助制定和動態優化全程康復計劃，包括用藥、飲食和訓練方案，結合遠程監護和智能家居技術，實現從醫院到家庭的精準化、連續性康復管理。
（3）智能康復訓練與輔助[47]：AI驅動的康復機器人、虛擬現實/增強現實（VR/AR）技術提供創新性康復訓練體驗；AI視覺、聽覺輔助設備和腦機接口技術顯著提升殘障人士的功能代償和生活自理能力。
（4）全面康復支持[48]：AI技術通過智能系統提供心理支持、認知訓練和社會參與促進（如虛擬社交平臺、職業技能訓練），同時考慮患者的個人隱私和數據安全，促進患者身心社會全面康復。
（5）康復醫學創新：AI大數據分析技術用于康復醫學研究，發現新的康復模式和影響因素，推動康復醫學的理論和實踐創新。
2.6 智能護理
（1）智能監測與風險預警：AI結合可穿戴設備實時監測患者生命體征，及時預警護理風險，支持精準護理干預。
（2）智能護理決策支持：AI分析患者數據，為護理人員提供個性化護理方案建議，包括疼痛管理策略、壓瘡預防措施等。
（3）全方位護理輔助：AI驅動的護理機器人和智能系統輔助體位翻轉、移位搬運等體力工作，同時優化疼痛管理和藥物管理，減輕護理負擔，提高護理精準度。
（4）智能護患溝通：AI輔助系統幫助護理人員更有效地與患者溝通，包括健康教育、用藥指導等，提高患者依從性和滿意度。
（5）情感與心理支持[49]：AI情感計算技術提供智能陪護，緩解患者焦慮和孤獨感，改善心理健康，增強護理的人文關懷。
（6）遠程護理與質量管控[39-40]：AI支持遠程護理服務和質量監管，確保護理標準一致性，擴大優質護理覆蓋范圍，同時為持續改進提供數據支持。
2.7 智能健康管理
（1）整合式健康風險評估：AI綜合分析個人基因組、生活方式和環境數據，提供全面的健康風險評估和預防建議。
（2）智能全周期健康管理：AI健康管家基于個體數據，制定個性化的飲食、睡眠和運動方案，優化日常健康行為，并提供從預防到康復的全流程慢病管理服務，實現個性化健康干預。
（3）遠程監護與安全守護[39, 50]：AI結合可穿戴設備，為老年人和慢性病患者提供全天候健康監測和安全保障。
（4）心理健康與公共衛生監測：AI分析用戶行為和社交媒體數據，提供個性化心理健康指導，同時識別潛在的公共衛生問題。
（5）智能社區健康管理：AI輔助社區衛生服務中心進行人群健康管理，優化資源分配，提高社區健康水平。
2.8 智慧醫院與醫療系統管理
（1）智能化醫療信息系統[8]：AI驅動的電子病歷自動生成、智能預約分診和導診系統，優化診療流程，提升工作效率和就醫體驗。（2）醫療資源智能調配[51]：AI輔助人員智能排班、床位管理和醫療設備使用效率分析，實現醫療資源的高效配置。（3）智能供應鏈與物資管理：AI優化藥械耗材調配和醫院供應鏈管理，降低成本，提高效率。（4）數據驅動的運營決策[51]：利用醫院大數據和AI分析，支持精細化運營管理決策，優化人員配備、醫療用品和設施利用。（5）智能質量控制與服務優化：AI輔助醫療質量監控與評估、患者滿意度分析，并優化醫患溝通流程，提高患者滿意度和依從性。（6）智能醫保管理[52]：AI輔助醫療保險理賠審核，提高效率和準確性。（7）可持續智慧醫院建設：AI支持醫療廢物智能分類與回收，優化能源管理和水資源利用等，推動綠色醫院建設，實現醫院可持續發展。
3 AI應用于臨床試驗中的機遇和風險
AI在臨床試驗的開發、執行和傳播中可以帶來各種機遇。AI有望提高試驗效率，優化受試者體驗，但隨著應用場景日趨復雜，如何防范偏倚、保障隱私安全、體現倫理原則，仍是亟需攻克的難題。未來臨床試驗中的AI應用將需更全面的倫理審評和監管。AI在臨床試驗中的機遇和風險[41, 53-56]；見表1。
表1
AI應用于臨床試驗中的機遇和風險
鑒于AI在臨床試驗中的廣泛應用及其潛在風險，未來臨床試驗中的AI應用將需要更全面的倫理審評和監管。值得注意的是，為了規范AI在臨床試驗中的應用，已經開發了一些報告規范。例如，SPIRIT-AI擴展[57]和CONSORT-AI擴展[58]分別為涉及AI干預措施的臨床試驗方案和結果報告提供了指導。這些規范詳見EQUATOR網絡（
4 AI應用于醫學教育
（1）智能知識管理與輔助學習：AI構建醫學知識圖譜，結合自然語言處理技術，輔助文獻閱讀和知識整合，促進跨學科學習和臨床推理能力培養。
（2）個性化自適應學習[59]：基于AI的自適應學習平臺根據個人知識結構和學習進度和工作需求，定制個性化學習路徑，推薦針對性內容，動態調整學習節奏，優化學習效果。
（3）智能沉浸式教育[60]：AI結合VR/AR技術創造高仿真模擬環境，用于手術訓練、解剖學習和臨床情景模擬，系統能提供即時反饋，提升學習者的實踐技能和臨床決策能力。
（4）智能評估與協作創新：AI支持的智能評估系統提供客觀反饋，同時促進基于能力匹配的協作學習，培養團隊合作精神。
（5）全球化遠程醫學教育：AI技術優化在線課程體驗，實現跨語言教學，優化遠程教育體驗，促進全球醫學教育資源共享和國際化人才培養。
5 醫學倫理
（1）數據倫理與隱私保護[61-62]：AI技術增強醫療數據的隱私保護和安全性，平衡數據利用與個人隱私保護的需求。
（2）新興技術倫理評估：AI輔助評估新興醫療技術和治療方法的倫理風險，促進負責任的醫學創新。
（3）倫理決策支持：AI系統輔助醫療倫理委員會分析復雜情況，提供客觀建議，支持更公正、一致的倫理決策。
（4）跨文化倫理研究：AI分析全球不同文化背景下的醫療倫理觀念，促進制定更具包容性的國際醫療倫理標準。
（5）倫理教育與培訓：AI驅動的交互式平臺，提供醫學倫理情境模擬和決策訓練，提高醫療從業者的倫理意識和決策能力。
6 AI應用舉例
6.1 AI驅動的空氣質量監測與預測
2024年，Wang等[63]提出了一種創新的空氣質量預測模型——圖長短期記憶網絡與多頭注意力機制（graph long short-term memory with multi-head attention，GLSTMMA）。該新型時空模型集成了圖卷積網絡（graph convolutional network，GCN）和多頭注意力機制，旨在捕捉空氣質量多元時間序列數據中的時間模式和空間關系。GLSTMMA模型的核心在于其混合神經網絡架構：（1）GCN：用于捕捉不同監測站點之間的空間關聯，基于監測點的地理分布收集空氣質量數據，提取空間相關信息。（2）長短期記憶網絡（long short-term memory， LSTM）：處理時間序列的動態變化，通過圖LSTM單元提取空氣質量的時間依賴性，捕捉長期依賴關系。（3）多頭注意力機制：增強模型在時空特征融合和提取上的能力，深入探索空氣質量時間序列中的復雜時空相關特征。
該模型被應用于中國青海省的空氣質量預測，研究數據集涵蓋了2019—2021年青海省國控站點的多源空氣質量監測數據、氣象數據和POI（興趣點）數據，構建了一個信息豐富的圖神經網絡。模型監控的空氣污染物包括PM2.5、PM10、NO2、O3、SO2和CO。實驗結果表明，GLSTMMA模型在不同時間尺度（如3 h、6 h、12 h和24 h）對各類污染物的預測精度顯著優于傳統方法，表現出最低的預測誤差和最高的預測精度。此外，該研究進一步指出，GLSTMMA模型在支持精準公共衛生決策和空氣質量管理方面具有顯著的應用價值。通過引入GLSTMMA模型，預期能夠顯著提升空氣質量預報的準確性和時效性，為大氣污染防治和公共健康保護提供更加可靠的技術支持。
6.2 多模態融合AI模型診斷早期肺腺癌
2024年，Zhang等[64]展示了AI在早期肺腺癌（lung adenocarcinoma，LUAD）診斷中的創新應用，特別是通過多模態數據融合顯著提高了診斷精確度。該研究針對146例參與者（包括111例LUAD患者和35例良性病例）的腫瘤大小﹤2 cm的早期LUAD進行鑒別診斷，創新性地融合了液體活檢和CT影像學特征。研究中使用預訓練的3D DenseSharp神經網絡從CT影像中提取6個特征（惡性概率、侵襲性腺癌概率、侵襲性分類、衰減分類、2D直徑和體積實性成分比），同時從血液樣本中提取細胞外囊泡長鏈RNA（evlRNA）并選擇17個差異表達基因作為生物標志物。利用XGBoost機器學習框架，團隊開發了一個整合CT影像特征和evlRNA特征的多模態AI模型，用于四分類診斷（侵襲性腺癌、微浸潤性腺癌、原位腺癌和良性病變）。該模型在四分類任務中取得了91.9%的受試者工作特征曲線下面積（AUC），在區分惡性和良性結節時達到了94.8%的AUC（敏感性89.1%，特異性94.3%），優于單一模式模型和人類專家的表現。研究還使用SHAP方法解釋模型決策，發現體積實性成分比是最重要的特征之一。這種AI驅動的多模態融合方法不僅提高了早期LUAD的診斷準確性，尤其是對難以活檢的小結節，還有助于減少不必要的侵入性操作，優化治療決策，為精準醫療提供了有力支持。
7 AI醫療面臨的關鍵挑戰
在AI為醫療插上智慧之翼的同時，仍面臨諸多挑戰[3, 61-62, 65-66]：算法透明度與可解釋性不足：AI系統，特別是深度學習模型，常被視為“黑箱”，其決策過程難以解釋，可能導致醫生和患者對AI輔助診斷缺乏信任。
（1）數據共享與隱私保護的平衡：醫療數據高度敏感，如何在保護患者隱私的同時實現數據的有效共享和利用，是一個重大挑戰。
（2）有效的監管與驗證方法的缺乏：AI醫療應用缺乏統一的監管標準和科學的驗證方法，可能影響AI醫療產品的安全性和有效性評估。
（3）風險評估體系的不完善：隨著AI在醫療決策中的作用日益重要，全面評估其潛在風險并建立相應的管控機制尤為重要。
（4）AI醫療人才培養的滯后：AI醫療需要跨學科知識，但目前醫學教育體系中AI課程相對缺乏，導致復合型人才稀缺。
（5）醫患對AI的認知與接受度不足：許多醫生和患者對AI技術仍存在疑慮，提高他們對AI的理解和使用意愿是推廣AI醫療面臨的重要挑戰。
8 AI醫療的發展方向
展望未來，AI將深度融入醫療健康的各個環節，為每個人建立數字孿生，打造個性化、全流程、全周期的智慧健康服務閉環。特別值得關注的是，以大型語言模型為代表的生成式AI（generative AI，GAI）技術正在為醫學領域帶來革命性的變革。GAI不僅能在醫學文獻綜述、臨床決策支持方面發揮重要作用，還可以生成高質量的醫學影像和文本報告[67]。這些模型在藥物設計、個性化治療方案制定、醫患溝通和醫學教育等方面展現出巨大潛力。GAI的持續發展將進一步提升醫療服務質量和效率，推動醫學研究和臨床實踐的創新發展，為整個醫療健康領域注入新的活力。
然而，要推動AI醫療健康的可持續發展，未來仍需在多個方面持續努力[62]：
（1）技術創新與突破：未來將致力于提升算法的透明度、可解釋性和可靠性。同時，發展多模態數據融合技術，整合多源異構數據，提供更全面、精準的診斷支持。
（2）數據生態建設：建立高效的數據共享機制，同時強化數據隱私保護技術。如聯邦學習、差分隱私、同態加密等技術的應用，將在保護患者隱私的同時，促進數據的有效利用。
（3）監管政策與規范標準[37, 68]：持續完善AI醫療應用的監管政策與規范標準，建立AI醫療風險評估體系，加強AI倫理審查。這些措施將為AI醫療的健康發展提供必要的制度保障。
（4）人才培養：加強跨學科復合型人才的培養，將AI課程納入醫學教育體系，提高醫務人員的AI素養，為AI醫學領域持續輸送高質量人才。
（5）推動協同創新與普惠醫療：加強政產學研醫合作，建立AI醫療創新生態系統，加速技術成果轉化。同時，通過AI技術發展遠程醫療和智慧醫療，提高優質醫療資源的可及性，實現醫療資源的更廣泛覆蓋，緩解資源分配不均問題。
（6）智能醫療設備：通過將AI算法嵌入醫療設備，產生具有自主學習和決策能力的智能化醫療設備，為患者提供更安全、更個性化的治療體驗。
（7）發展個性化精準醫療[23]：應用數字孿生技術，推進基因組學與AI的深度結合，推動精準治療和個性化藥物研發。這將為患者提供更加定制化的醫療服務，實現全生命周期的健康管理。
AI技術的快速發展與5G、大數據、云計算、區塊鏈、可穿戴等新興技術的交叉創新，AI正引領醫學走向智能協同、普惠共享、持續創新的智慧醫療新時代。AI醫療在應用廣度和深度上不斷突破，為智慧醫療提速賦能，最終實現醫療服務質量的提升和效率提升。期待在這些發展方向的推動下，AI能夠為醫療健康領域注入新的活力，推動醫療服務模式的革新和醫學科技的進步。
利益沖突：無。
作者貢獻：周小芹提出論文初步構思、提取數據、作圖、負責論文的撰寫與修改；劉慧珍、王婷、劉雪婷調研整理文獻、核實數據；劉芳、康德英提出論文選題、設計論文框架、終審論文。所有作者均參與論文框架討論及修訂。所有作者都閱讀并同意論文的最終文本。
本文中附件圖1見本刊電子版。
人工智能（artificial intelligence，AI）正以前所未有的速度和深度重塑醫學領域，從基礎醫學研究到臨床診療，從疾病預防到健康管理，AI技術正在全方位賦能醫學領域，引發深刻的范式轉變，可能重構醫療服務模式和醫學研究方法。本綜述旨在通過多維度分析，全面審視AI在醫學領域的應用現狀、面臨的挑戰以及發展方向。本綜述將總結AI在基礎醫學研究、疾病預防、智能診斷、智能治療、智能康復、智能護理和健康管理、臨床試驗、醫院管理和醫學教育中的創新實踐；希望為醫療衛生領域的研究者、從業者和決策者提供一個全面的AI醫療應用與發展前景概覽，促進AI技術在醫學領域的深度融合與創新應用，推動智慧醫療的可持續發展。
1 AI醫療概念闡釋
AI是一個跨學科領域，致力于創造能夠模擬、延伸和擴展人類智能的計算機系統[1-4]。其涉及開發能夠感知環境、學習、推理和采取行動的智能機器。AI系統旨在執行通常需要人類智能的任務，如視覺感知、語音識別、決策制定和自然語言處理等。AI醫療是指將AI技術應用于醫療衛生領域，旨在提高醫療質量、改善患者預后、優化資源配置，并推動個性化和精準醫療的發展，同時促進醫學研究、公共衛生和醫療管理的進步。在醫學領域，AI主要涉及[2-8]：（1）機器學習（machine learning，ML），包括監督學習（supervised learning）、半監督學習（semi-supervised learning）、無監督學習（unsupervised learning）及強化學習（reinforcement learning）等；（2）深度學習（deep learning，DL），包括神經網絡（neural networks）及表征學習（representation learning）等；（3）自然語言處理（natural language processing，NLP）、計算機視覺（computer vision）、知識圖譜（knowledge graphs）、專家系統（expert systems）、智能機器人（intelligent robots）、醫療物聯網（internet of medical things，IoMT）和聯邦學習（federated learning）等技術。這些技術的協同應用正在推動醫療健康領域的智能化轉型。
2 AI在醫學領域的多維應用
縱覽醫療健康全流程，AI正深度融入基礎醫學研究、疾病預防、診斷、治療、康復、護理、健康管理、臨床試驗、醫院管理等各個環節。這種全面的融合正在推動醫療健康領域向智能化、精準化和個性化方向發展，為醫療服務模式帶來革命性的變革。
在Web of Science核心合集數據庫中初步檢索主題詞“Artificial Intelligence”、“Deep learning”、“Machine learning”、“Medicine”和“Medical”等。AI在醫學領域的多維應用包括醫學影像、醫學信息學、普通內科、心血管系統與心臟病學；見附件圖1。通過以上主題詞在PubMed進行主題詞結合自由詞檢索2000年以來發表的文獻，共檢索50 041篇，見圖1。具體PubMed檢索策略：(("Medicine"[MeSH Terms] OR "Medicine"[Title/Abstract] OR "Medical"[Title/Abstract]) AND ("Artificial Intelligence"[MeSH Terms] OR "Artificial intelligence*"[Title/Abstract] OR "Deep learning"[Title/Abstract] OR "Machine learning"[Title/Abstract])) AND (2000/1/1:2024/7/11[pdat])。
圖1
2000—2024年發表的文獻數量（檢索截止時間2024年7月11日）
2.1 基礎醫學研究
（1）文獻挖掘與假設生成[9]：AI自動分析海量醫學文獻，提取關鍵信息，生成新的研究假設，推動科學創新。
（2）生物信息學大數據分析[10-11]：AI輔助分析基因組學、蛋白質組學、代謝組學和轉錄組學數據，加速疾病機理和藥物新靶點發現。
（3）知識圖譜與因果推斷[8, 12]：AI驅動的知識圖譜和因果推斷技術，助力探索復雜生物系統和疾病發展規律。
（4）虛擬器官與系統模型[13-16]：AI構建虛擬器官和人體系統模型，用于疾病機理研究和藥物開發，減少動物實驗需求。
（5）生物實驗自動化[17]：AI結合機器人和計算機視覺技術，實現生物實驗的自動化和高通量化，提高研究效率。
（6）智能藥物研發[18-20]：AI技術優化藥物分子設計，預測藥物性質和功效，輔助藥物篩選、藥效評價和安全性評估，縮短新藥研發周期。
2.2 疾病預防
（1）多維度健康風險預測[21-22]：AI整合多模態數據（包括基因、生活方式、環境因素等），構建精準的疾病風險預測和早篩模型。
（2）基因健康管理[23]：AI輔助基因編輯技術和基因篩查，預測和預防遺傳性疾病，同時考慮倫理和安全問題，推動精準預防醫學發展。
（3）慢性病預防監測[24]：AI驅動的健康管理系統實現對慢性病高風險人群的持續監測和早期干預，預防疾病發生或延緩進展。
（4）傳染病智能監測[25]：AI結合可穿戴設備和大數據分析，實現重大傳染病的實時監測、傳播趨勢預測和早期預警。
（5）環境健康監控[26-28]：AI與物聯網技術結合，實時監測環境因素，預防環境相關疾病，支持精準的公共衛生決策。
（6）智能化健康教育[29]：AI個性化推送健康信息和預防建議，提高公眾健康意識和自我保健能力。
（7）人群健康趨勢分析[30]：AI分析大規模人口健康數據，識別健康風險模式，輔助制定針對性的公共衛生預防策略。
2.3 智能診斷
（1）智能問診與自然語言處理[31]：AI驅動的智能問診系統和自然語言處理技術，分析電子病歷、醫學文獻和患者描述，輔助醫生收集病史、分析癥狀描述，提高診斷效率。
（2）多模態醫學影像分析[32]：AI通過深度學習和圖像識別等方法分析各種醫學影像［如眼底照相、超聲、CT、磁共振成像（MRI）、正電子發射斷層顯像（PET）等 ］，實現病灶識別、三維重建等，提高診斷準確性和效率。
（3）智能數字病理與生理信號分析[33-34]：AI輔助數字病理切片分析和生理信號（如心電圖、腦電圖）解讀，提升診斷精確度。
（4）基因組學與多組學診斷[35]：AI解析基因測序和多組學數據，支持個體化腫瘤分型和罕見病早期診斷。
（5）多源數據融合診斷[10, 36-37]：AI整合影像、病理、基因、臨床癥狀等多維數據，提供全面、精準的診斷建議。
（6）智能輔助診斷系統[38]：整合多種AI診斷技術，為醫生提供全面的診斷建議和參考，提高診斷準確性和效率。
（7）AI支持的遠程診斷[39-40]：利用AI技術支持遠程醫療診斷，通過智能分析傳輸的醫學數據，幫助遠程專家進行精準診斷，擴大優質醫療資源覆蓋范圍。
2.4 智能治療
（1）治療決策支持[41]：AI系統整合最新醫學研究、臨床指南和患者個體數據或多模態數據，為醫生提供循證醫學支持，輔助復雜治療決策。
（2）AI輔助會診[39-40]：AI可遠程連接多地專家，輔助其通過對醫學影像、病歷、檢驗等數據的智能分析，快速給出精準的會診意見，突破時空限制。
（3）智能手術系統與麻醉管理[42-43]：AI驅動的手術機器人和智能導航系統實現精準微創手術，結合智能麻醉管理，提高手術安全性和效果。
（4）智能監護與干預：AI技術實現患者術中、術后和重癥監護的實時監測、風險預警和及時干預，提高治療的及時性和有效性。
（5）個性化醫療器械[44]：AI輔助設計和優化3D打印的個性化植入物和假肢等，提高治療的個體化水平。
2.5 智能康復
（1）多維度康復評估與監測[45-46]：AI結合可穿戴設備實現全天候監測和客觀評估，分析運動模式、生理指標等數據，提供精準的康復進展報告，支持居家康復和精準干預。
（2）個性化康復管理[45-46]：AI輔助制定和動態優化全程康復計劃，包括用藥、飲食和訓練方案，結合遠程監護和智能家居技術，實現從醫院到家庭的精準化、連續性康復管理。
（3）智能康復訓練與輔助[47]：AI驅動的康復機器人、虛擬現實/增強現實（VR/AR）技術提供創新性康復訓練體驗；AI視覺、聽覺輔助設備和腦機接口技術顯著提升殘障人士的功能代償和生活自理能力。
（4）全面康復支持[48]：AI技術通過智能系統提供心理支持、認知訓練和社會參與促進（如虛擬社交平臺、職業技能訓練），同時考慮患者的個人隱私和數據安全，促進患者身心社會全面康復。
（5）康復醫學創新：AI大數據分析技術用于康復醫學研究，發現新的康復模式和影響因素，推動康復醫學的理論和實踐創新。
2.6 智能護理
（1）智能監測與風險預警：AI結合可穿戴設備實時監測患者生命體征，及時預警護理風險，支持精準護理干預。
（2）智能護理決策支持：AI分析患者數據，為護理人員提供個性化護理方案建議，包括疼痛管理策略、壓瘡預防措施等。
（3）全方位護理輔助：AI驅動的護理機器人和智能系統輔助體位翻轉、移位搬運等體力工作，同時優化疼痛管理和藥物管理，減輕護理負擔，提高護理精準度。
（4）智能護患溝通：AI輔助系統幫助護理人員更有效地與患者溝通，包括健康教育、用藥指導等，提高患者依從性和滿意度。
（5）情感與心理支持[49]：AI情感計算技術提供智能陪護，緩解患者焦慮和孤獨感，改善心理健康，增強護理的人文關懷。
（6）遠程護理與質量管控[39-40]：AI支持遠程護理服務和質量監管，確保護理標準一致性，擴大優質護理覆蓋范圍，同時為持續改進提供數據支持。
2.7 智能健康管理
（1）整合式健康風險評估：AI綜合分析個人基因組、生活方式和環境數據，提供全面的健康風險評估和預防建議。
（2）智能全周期健康管理：AI健康管家基于個體數據，制定個性化的飲食、睡眠和運動方案，優化日常健康行為，并提供從預防到康復的全流程慢病管理服務，實現個性化健康干預。
（3）遠程監護與安全守護[39, 50]：AI結合可穿戴設備，為老年人和慢性病患者提供全天候健康監測和安全保障。
（4）心理健康與公共衛生監測：AI分析用戶行為和社交媒體數據，提供個性化心理健康指導，同時識別潛在的公共衛生問題。
（5）智能社區健康管理：AI輔助社區衛生服務中心進行人群健康管理，優化資源分配，提高社區健康水平。
2.8 智慧醫院與醫療系統管理
（1）智能化醫療信息系統[8]：AI驅動的電子病歷自動生成、智能預約分診和導診系統，優化診療流程，提升工作效率和就醫體驗。（2）醫療資源智能調配[51]：AI輔助人員智能排班、床位管理和醫療設備使用效率分析，實現醫療資源的高效配置。（3）智能供應鏈與物資管理：AI優化藥械耗材調配和醫院供應鏈管理，降低成本，提高效率。（4）數據驅動的運營決策[51]：利用醫院大數據和AI分析，支持精細化運營管理決策，優化人員配備、醫療用品和設施利用。（5）智能質量控制與服務優化：AI輔助醫療質量監控與評估、患者滿意度分析，并優化醫患溝通流程，提高患者滿意度和依從性。（6）智能醫保管理[52]：AI輔助醫療保險理賠審核，提高效率和準確性。（7）可持續智慧醫院建設：AI支持醫療廢物智能分類與回收，優化能源管理和水資源利用等，推動綠色醫院建設，實現醫院可持續發展。
3 AI應用于臨床試驗中的機遇和風險
AI在臨床試驗的開發、執行和傳播中可以帶來各種機遇。AI有望提高試驗效率，優化受試者體驗，但隨著應用場景日趨復雜，如何防范偏倚、保障隱私安全、體現倫理原則，仍是亟需攻克的難題。未來臨床試驗中的AI應用將需更全面的倫理審評和監管。AI在臨床試驗中的機遇和風險[41, 53-56]；見表1。
表1
AI應用于臨床試驗中的機遇和風險
鑒于AI在臨床試驗中的廣泛應用及其潛在風險，未來臨床試驗中的AI應用將需要更全面的倫理審評和監管。值得注意的是，為了規范AI在臨床試驗中的應用，已經開發了一些報告規范。例如，SPIRIT-AI擴展[57]和CONSORT-AI擴展[58]分別為涉及AI干預措施的臨床試驗方案和結果報告提供了指導。這些規范詳見EQUATOR網絡（
4 AI應用于醫學教育
（1）智能知識管理與輔助學習：AI構建醫學知識圖譜，結合自然語言處理技術，輔助文獻閱讀和知識整合，促進跨學科學習和臨床推理能力培養。
（2）個性化自適應學習[59]：基于AI的自適應學習平臺根據個人知識結構和學習進度和工作需求，定制個性化學習路徑，推薦針對性內容，動態調整學習節奏，優化學習效果。
（3）智能沉浸式教育[60]：AI結合VR/AR技術創造高仿真模擬環境，用于手術訓練、解剖學習和臨床情景模擬，系統能提供即時反饋，提升學習者的實踐技能和臨床決策能力。
（4）智能評估與協作創新：AI支持的智能評估系統提供客觀反饋，同時促進基于能力匹配的協作學習，培養團隊合作精神。
（5）全球化遠程醫學教育：AI技術優化在線課程體驗，實現跨語言教學，優化遠程教育體驗，促進全球醫學教育資源共享和國際化人才培養。
5 醫學倫理
（1）數據倫理與隱私保護[61-62]：AI技術增強醫療數據的隱私保護和安全性，平衡數據利用與個人隱私保護的需求。
（2）新興技術倫理評估：AI輔助評估新興醫療技術和治療方法的倫理風險，促進負責任的醫學創新。
（3）倫理決策支持：AI系統輔助醫療倫理委員會分析復雜情況，提供客觀建議，支持更公正、一致的倫理決策。
（4）跨文化倫理研究：AI分析全球不同文化背景下的醫療倫理觀念，促進制定更具包容性的國際醫療倫理標準。
（5）倫理教育與培訓：AI驅動的交互式平臺，提供醫學倫理情境模擬和決策訓練，提高醫療從業者的倫理意識和決策能力。
6 AI應用舉例
6.1 AI驅動的空氣質量監測與預測
2024年，Wang等[63]提出了一種創新的空氣質量預測模型——圖長短期記憶網絡與多頭注意力機制（graph long short-term memory with multi-head attention，GLSTMMA）。該新型時空模型集成了圖卷積網絡（graph convolutional network，GCN）和多頭注意力機制，旨在捕捉空氣質量多元時間序列數據中的時間模式和空間關系。GLSTMMA模型的核心在于其混合神經網絡架構：（1）GCN：用于捕捉不同監測站點之間的空間關聯，基于監測點的地理分布收集空氣質量數據，提取空間相關信息。（2）長短期記憶網絡（long short-term memory， LSTM）：處理時間序列的動態變化，通過圖LSTM單元提取空氣質量的時間依賴性，捕捉長期依賴關系。（3）多頭注意力機制：增強模型在時空特征融合和提取上的能力，深入探索空氣質量時間序列中的復雜時空相關特征。
該模型被應用于中國青海省的空氣質量預測，研究數據集涵蓋了2019—2021年青海省國控站點的多源空氣質量監測數據、氣象數據和POI（興趣點）數據，構建了一個信息豐富的圖神經網絡。模型監控的空氣污染物包括PM2.5、PM10、NO2、O3、SO2和CO。實驗結果表明，GLSTMMA模型在不同時間尺度（如3 h、6 h、12 h和24 h）對各類污染物的預測精度顯著優于傳統方法，表現出最低的預測誤差和最高的預測精度。此外，該研究進一步指出，GLSTMMA模型在支持精準公共衛生決策和空氣質量管理方面具有顯著的應用價值。通過引入GLSTMMA模型，預期能夠顯著提升空氣質量預報的準確性和時效性，為大氣污染防治和公共健康保護提供更加可靠的技術支持。
6.2 多模態融合AI模型診斷早期肺腺癌
2024年，Zhang等[64]展示了AI在早期肺腺癌（lung adenocarcinoma，LUAD）診斷中的創新應用，特別是通過多模態數據融合顯著提高了診斷精確度。該研究針對146例參與者（包括111例LUAD患者和35例良性病例）的腫瘤大小﹤2 cm的早期LUAD進行鑒別診斷，創新性地融合了液體活檢和CT影像學特征。研究中使用預訓練的3D DenseSharp神經網絡從CT影像中提取6個特征（惡性概率、侵襲性腺癌概率、侵襲性分類、衰減分類、2D直徑和體積實性成分比），同時從血液樣本中提取細胞外囊泡長鏈RNA（evlRNA）并選擇17個差異表達基因作為生物標志物。利用XGBoost機器學習框架，團隊開發了一個整合CT影像特征和evlRNA特征的多模態AI模型，用于四分類診斷（侵襲性腺癌、微浸潤性腺癌、原位腺癌和良性病變）。該模型在四分類任務中取得了91.9%的受試者工作特征曲線下面積（AUC），在區分惡性和良性結節時達到了94.8%的AUC（敏感性89.1%，特異性94.3%），優于單一模式模型和人類專家的表現。研究還使用SHAP方法解釋模型決策，發現體積實性成分比是最重要的特征之一。這種AI驅動的多模態融合方法不僅提高了早期LUAD的診斷準確性，尤其是對難以活檢的小結節，還有助于減少不必要的侵入性操作，優化治療決策，為精準醫療提供了有力支持。
7 AI醫療面臨的關鍵挑戰
在AI為醫療插上智慧之翼的同時，仍面臨諸多挑戰[3, 61-62, 65-66]：算法透明度與可解釋性不足：AI系統，特別是深度學習模型，常被視為“黑箱”，其決策過程難以解釋，可能導致醫生和患者對AI輔助診斷缺乏信任。
（1）數據共享與隱私保護的平衡：醫療數據高度敏感，如何在保護患者隱私的同時實現數據的有效共享和利用，是一個重大挑戰。
（2）有效的監管與驗證方法的缺乏：AI醫療應用缺乏統一的監管標準和科學的驗證方法，可能影響AI醫療產品的安全性和有效性評估。
（3）風險評估體系的不完善：隨著AI在醫療決策中的作用日益重要，全面評估其潛在風險并建立相應的管控機制尤為重要。
（4）AI醫療人才培養的滯后：AI醫療需要跨學科知識，但目前醫學教育體系中AI課程相對缺乏，導致復合型人才稀缺。
（5）醫患對AI的認知與接受度不足：許多醫生和患者對AI技術仍存在疑慮，提高他們對AI的理解和使用意愿是推廣AI醫療面臨的重要挑戰。
8 AI醫療的發展方向
展望未來，AI將深度融入醫療健康的各個環節，為每個人建立數字孿生，打造個性化、全流程、全周期的智慧健康服務閉環。特別值得關注的是，以大型語言模型為代表的生成式AI（generative AI，GAI）技術正在為醫學領域帶來革命性的變革。GAI不僅能在醫學文獻綜述、臨床決策支持方面發揮重要作用，還可以生成高質量的醫學影像和文本報告[67]。這些模型在藥物設計、個性化治療方案制定、醫患溝通和醫學教育等方面展現出巨大潛力。GAI的持續發展將進一步提升醫療服務質量和效率，推動醫學研究和臨床實踐的創新發展，為整個醫療健康領域注入新的活力。
然而，要推動AI醫療健康的可持續發展，未來仍需在多個方面持續努力[62]：
（1）技術創新與突破：未來將致力于提升算法的透明度、可解釋性和可靠性。同時，發展多模態數據融合技術，整合多源異構數據，提供更全面、精準的診斷支持。
（2）數據生態建設：建立高效的數據共享機制，同時強化數據隱私保護技術。如聯邦學習、差分隱私、同態加密等技術的應用，將在保護患者隱私的同時，促進數據的有效利用。
（3）監管政策與規范標準[37, 68]：持續完善AI醫療應用的監管政策與規范標準，建立AI醫療風險評估體系，加強AI倫理審查。這些措施將為AI醫療的健康發展提供必要的制度保障。
（4）人才培養：加強跨學科復合型人才的培養，將AI課程納入醫學教育體系，提高醫務人員的AI素養，為AI醫學領域持續輸送高質量人才。
（5）推動協同創新與普惠醫療：加強政產學研醫合作，建立AI醫療創新生態系統，加速技術成果轉化。同時，通過AI技術發展遠程醫療和智慧醫療，提高優質醫療資源的可及性，實現醫療資源的更廣泛覆蓋，緩解資源分配不均問題。
（6）智能醫療設備：通過將AI算法嵌入醫療設備，產生具有自主學習和決策能力的智能化醫療設備，為患者提供更安全、更個性化的治療體驗。
（7）發展個性化精準醫療[23]：應用數字孿生技術，推進基因組學與AI的深度結合，推動精準治療和個性化藥物研發。這將為患者提供更加定制化的醫療服務，實現全生命周期的健康管理。
AI技術的快速發展與5G、大數據、云計算、區塊鏈、可穿戴等新興技術的交叉創新，AI正引領醫學走向智能協同、普惠共享、持續創新的智慧醫療新時代。AI醫療在應用廣度和深度上不斷突破，為智慧醫療提速賦能，最終實現醫療服務質量的提升和效率提升。期待在這些發展方向的推動下，AI能夠為醫療健康領域注入新的活力，推動醫療服務模式的革新和醫學科技的進步。
利益沖突：無。
作者貢獻：周小芹提出論文初步構思、提取數據、作圖、負責論文的撰寫與修改；劉慧珍、王婷、劉雪婷調研整理文獻、核實數據；劉芳、康德英提出論文選題、設計論文框架、終審論文。所有作者均參與論文框架討論及修訂。所有作者都閱讀并同意論文的最終文本。
本文中附件圖1見本刊電子版。
