2026年 · 第06卷第03期

医学中的人工智能（AI）正在稳步走向真正的临床实践，不仅通过改进的预测性能，还通过更多的决策相关建模、评估和交互。这里强调的研究说明了三个互补的方向。首先，当代成像模型——以基于三维视觉变换器的术前胸部计算机断层扫描（CT）分析为例——正被用于推断具有临床意义的表型，从图像识别推进到手术规划等高风险环境中的决策支持。其次，图像到生物标志物的管道，如视网膜血管分形维数的自动量化，展示了如何将医学图像转化为适合于群体水平分析和风险分层的可重复定量标志物。第三，大型语言模型（大语言模型）越来越多地被评估并定位为临床交流和解释组件，最值得注意的是，远程药房和双语患者教育中的结构化评估超越了流利程度，转向了安全性、可操作性、同理心和可读性，而新兴观点认为大语言模型是复杂和随时间变化的健康数据的解释界面，包括可穿戴传感。与此同时，这些进步也暴露了限制现实世界部署的持久瓶颈，特别是单任务和静态公式的持续主导地位、由特定任务微调驱动的碎片化系统、对疾病轨迹和不断发展的临床背景的有限推理，以及与临床工作流程和下游后果联系不足的评估实践。我们认为，医疗人工智能的下一阶段应该从以准确性为中心的预测转向以决策为导向的、实践就绪的系统，这些系统在各种环境中都是健壮的，在评估中与临床保持一致，并且可以在常规护理中大规模部署。

眼睛不再局限于孤立的眼科疾病的研究；相反，它正在成为用于系统健康评估的可扩展、非侵入性生物标志物来源。眼科成像和人工智能（AI）的进步揭示了视网膜结构、微血管系统和神经血管耦合编码了关于心血管、代谢和神经退行性疾病的具有临床意义的信息。这一不断增长的证据挑战了眼科学传统的以器官为中心的观点，并将视网膜生物标志物定位为人群水平风险分层和纵向疾病监测的基础。在这篇社论中，我们认为视网膜人工智能的真正临床影响不会通过预测准确性的渐进式提高来实现，而是通过向临床验证、人类可信和可解释的眼科多模态基础模型的范式转变来实现。尽管在多种全身性疾病中取得了有希望的结果，但翻译仍然受到大量模态异质性、临床验证不足和可解释性有限的阻碍。这些障碍在很大程度上限制了视网膜人工智能的回顾性研究，阻止了其作为可靠的临床决策支持工具的采用。我们强调了该领域的关键优先事项，包括多模态和纵向建模、基于生物的特征学习、人类-人工智能协作和严格的前瞻性验证。应对这些挑战对于将视网膜成像从诊断辅助手段转变为精准医学的基石至关重要。最终，要实现眼睛作为系统健康窗口的全部潜力，需要将算法创新与临床相关性、可解释性和信任度结合起来。

人工智能（AI）在妇科成像领域显示出巨大的前景，特别是在诊断妇科癌症和良性疾病方面。然而，人工智能在该领域的应用面临着几个技术挑战，包括数据质量、模型泛化性和临床可解释性。我们回顾了人工智能在妇科成像中的现状，确定了关键技术瓶颈，并提出了未来的工程解决方案。通过案例研究，我们强调了人工智能在妇科诊断中的潜力和挑战，为未来的研究方向提供了路线图。我们强调数据共享、模型优化和临床验证的重要性，以克服这些挑战并加强人工智能与临床实践的整合。

计算机视觉（CV）和自然语言处理（NLP）是人工智能（AI）的两个重要子集。大型语言模型（大语言模型）代表了深度学习在NLP中的一个重要应用。大语言模型是在大规模数据集上训练的具有transformer架构的人工智能系统，能够理解和生成自然语言。大语言模型在文本生成和翻译等任务中得到了广泛的应用。在皮肤病学中，大语言模型已被用于各种目的，如诊断辅助、医疗实践和决策支持、患者沟通和专业教育。然而，皮肤病学与其他医学专业的不同之处在于，疾病的诊断、治疗方法的选择和预后的预测在很大程度上依赖于视觉模式的识别。因此，在皮肤病学中，大语言模型必须同时处理皮肤病学图像和自然语言。本研究的目的是系统地回顾大语言模型在皮肤病学中的NLP和CV应用。根据系统综述的首选报告项目和荟萃分析指南，对大语言模型在皮肤病学NLP和图像处理任务中的应用进行了系统综述。在搜索了MEDLINE（PubMed）、Web of Science和Scopus数据库后，总共纳入了37项原始研究。结果表明，在NLP任务中，大语言模型在一些研究中表现出了令人满意的性能，但大多数图像处理结果并不理想。本文总结了大语言模型在皮肤病学自然语言和图像分析中的应用研究成果，以确定能够同时处理文本和图像的大语言模型作为未来发展的方向。

大型语言模型（大语言模型）代表了大语言模型（AI）的重大进步，为自然语言生成和理解提供了多功能工具。大语言模型与健康和医学的整合正在快速发展，这与可穿戴设备的日益普及和可访问性相吻合。智能手表、心率监测器、活动追踪器和智能戒指等现代可穿戴设备现在可以连续监测和测量各种生理和行为数据，例如身体活动、运动、心率、皮肤温度和睡眠。可穿戴设备在生物医学研究、健康和医学中具有多种应用。其中包括自我监测、远程患者护理和诊所外评估。然而，可穿戴设备产生的连续数据流由于其庞大的体积、独特的特性和固有的复杂性而带来了重大挑战。尽管仍处于起步阶段，但利用预训练的大语言模型来解释和分析这些可穿戴生成的各种应用的数据流的趋势日益增长。这篇观点文章探讨了预训练大语言模型在解释、分析和利用可穿戴设备的生理和行为数据方面不断扩大的作用，并讨论了大语言模型如何在这个不断发展的领域提供一条有前途的道路。

累及盆腔外侧淋巴结（LPLN）的直肠癌提出了重大挑战。新辅助放化疗（nCRT）已被接受为局部晚期直肠癌的标准术前方法，但由于患者和治疗的异质性，其在解决LPLN转移方面的有效性仍有争议，特别是与预防性LPLN清扫术（LPLND）相比。目前的证据支持审查治疗前和治疗后的成像以识别可疑的LPLN，使用基线短轴≥7 mm和重新分期短轴≥4 mm作为阈值。全新辅助治疗的引入增加了LPLN管理的复杂性，随着对LPLN大小、位置和形态理解的进步，LPLND的适应症也在不断发展。近年来，包括放射组学、图像分割（例如，传统神经网络）、多模态模型、自然语言处理和手术导航在内的人工智能（AI）技术已经成为解决LPLN管理中的复杂挑战的有前途的解决方案。精确的LPLN标测和微创技术实现了更精确的LPLND，重塑了手术决策的尺度。因此，优化LPLN评估方法并探索这一过程中的人工智能应用为定制治疗策略、增强肿瘤反应和改善患者预后提供了潜力。

神经系统疾病包括影响大脑、脊髓和周围神经的各种疾病，已成为全球残疾和死亡率的重要因素。最近的研究表明，这些疾病的负担显著增加，需要创新的、可扩展的诊断和管理解决方案。这篇综述探讨了先进的人工智能（AI）和机器学习（ML）技术在评估和治疗神经系统和神经发育障碍方面的转化潜力，包括癫痫、注意力缺陷多动障碍（ADHD）、自闭症谱系障碍以及阿尔茨海默氏症、帕金森氏症、亨廷顿舞蹈症、中风、多发性硬化症等神经退行性疾病。通过集成从诊断算法到可穿戴技术的人工智能驱动工具，这项研究强调了它们在早期检测、个性化治疗和改善患者结果方面的能力。人工智能驱动的技术帮助临床医生理解个人复杂的非线性神经特征，以便更好地诊断神经疾病。该综述涵盖了学习算法和特征选择方法的最新进展，以提高疾病预测的准确性。重点介绍了深度学习算法在基于大脑图像的数据分析、特征提取和模式学习中的应用，以开发诊断工具。我们探索了将这些人工智能模型集成到可穿戴设备、ChatGPT和基于游戏的应用程序中，以实现实时监测和针对患者的治疗。本文讨论了与医疗保健中人工智能实施相关的现实应用、伦理考虑和挑战，同时提供了当前方法和统计见解的全面概述。使用七个领域分级系统的标准对人工智能工具进行了批判性分析。我们已经讨论了数据量和特征可变性对于减少由于偏差或方差引起的误诊的重要性，这将提高诊断精度和用户信任度。该综述为研究人员、临床医生和决策者提供了资源，旨在推进全球大脑健康计划和优化神经护理。通过系统的文献分析，研究结果强调了人工智能在重塑神经疾病管理格局中的关键作用，强调了在这一快速发展的领域继续研究和开发的必要性。

肺动脉高压（PH）导致高死亡率并构成诊断挑战。目前的指南要求有创右心导管插入术（RHC）以确认平均肺动脉压≥25 mmHg。延迟诊断有损及时治疗。尚不清楚标准胸部X线是否可以对PH值严重程度进行分层。我们的目标是开发和验证示例性MobileNet（ExMobileNet），这是一个可解释的人工智能（AI）模型，可将PH值从常规胸部X射线图像分类为血流动力学类别，从而支持非侵入性严重程度评估。

我们收集了2018年至2023年获得的1,293张未识别的胸部X光片。该队列包括135名使用RHC确认的PH患者和551名健康对照。我们为关键血流动力学参数（如平均肺动脉压、肺血管阻力和心脏指数）定义了七个多类任务。ExMobileNet工作流程包括：（1）通过MobileNetV2进行特征提取，（2）通过邻域分量分析和卡方特征选择器进行特征选择，（3）使用k-最近邻和支持向量机进行分类，以及（4）通过多数投票和贪婪优化进行决策融合。

任务级准确率范围为90.3%至93.2%。几何平均得分范围为78.9%至85.1%。总体敏感性和特异性分别为88.5%和91.3%。所有任务的平均准确率为92.0%（±1.2%）。在纯CPU硬件上，每个图像的平均推理时间为2.3±0.4秒。

ExMobileNet使用常规胸部X线与基于RHC的评估达成了高度一致性。这种人工智能工具可能会在临床实践中实现更早的非侵入性PH筛查。

使用机器学习和电子病历（EMR）数据（包括间歇测量的生命体征）评估急性医疗单位（AMU）患者的生理出院适应性是可行的。可穿戴传感器数据，包括连续监测的生命体征，可以改善这种评估。因此，目的是研究传感器数据在评估AMU患者生理出院适应性中的价值。

AMU患者的EMR和传感器数据（n=145）参加了2021年12月至2023年10月在荷兰一家大型教学医院进行的随机对照试验。从患者特征、生命体征、护理评估和实验室结果中提取EMR特征。从传感器数据中提取了源自卷积神经网络的统计特征和神经特征。逻辑回归（LR）、随机森林（RF）和极端梯度提升（XGB）被用作算法。对于每个模型，使用嵌套交叉验证优化和评估了三个模型：基于EMR、带传感器的EMR或仅基于传感器数据。具有95%置信区间（95% CI）的接收者操作员特征曲线（AUROC）值下的平均面积被用作主要度量。

对于LR、RF和XGB，通过基于具有传感器数据的EMR的模型获得的平均AUROC值（以95%CI示出）分别为0.73（95%CI：0.70-0.77）、0.73（95%CI：0.69-0.77）和0.69（95%CI：0.64-0.73），其略微好于或好于通过仅考虑EMR数据的模型获得的值：分别为0.69（95%CI：0.65-0.73）、0.70（95%CI：0.66-0.73）和0.69（95%CI：0.66-0.71），以及通过仅考虑传感器数据的模型获得的值：分别为0.70（95%CI：0.66-0.75）、0.71（95%CI：0.67-0.75）和0.67（95%CI：0.63-0.71）。

与仅使用EMR数据相比，可穿戴传感器数据可以略微改善对AMU患者生理出院适应性的评估。

结直肠癌（CRC）由于其发病率不断上升，是一个重大的全球健康挑战。在关键生物标志物（如CK-20、Ki-67、P-53和微卫星不稳定性）的指导下，早期检测和精确预测分子靶标表达，对于个性化治疗策略和改善患者预后至关重要。然而，当前的方法通常难以捕捉大量医疗记录和语料库中复杂的语义和关系结构。

我们从Transformer（BERT）-图卷积网络（GCN）开发了CRC双向编码器表示，GCN是一种集成图神经网络的预训练深度学习框架，以充分利用语义信息来预测癌症表型。我们回顾性收集了北京一家三级医院2012年至2022年6,468例CRC患者的数据，收集电子健康记录和放射学报告，并按分子表型分为训练集（70%）、验证集（10%）和测试（20%）。根据准确度、精密度、召回率和F1分数评估模型性能。进行了消融研究和注意力分析，以解释模型的性能和内部机制。

CRC-BERT-GCN优于所有基本模型，并在所有评估指标中取得了最佳性能，F1得分为73.67%。与基线模型相比，准确性提高了4.25%，F1分数提高了4.39%，证明了集成GCN用于生物标志物预测的有效性。此外，使用注意力热图解释了结果。

CRC-BERT-GCN可能在预测CRC生物标志物方面表现出卓越的性能，并优于基线模型，突出了其通过改进分子靶标预测推进个性化治疗策略的潜力。

慢性心理压力是越来越被认为是肾脏和心血管疾病的危险因素，然而将压力暴露与血管重塑联系起来的机制仍然不清楚。我们旨在研究肾脏病理标志物是否可以预测慢性不可预测轻度应激（CUMS）下的腹主动脉微结构变化，并使用机器学习模型在正常和代谢受损的小鼠模型中评估这些标志物的预测价值。

总共60只雄性小鼠，包括30只野生型(WT)C57BL/6J和30只ApoE缺陷型小鼠(ApoE^-/-）被随机分为四组（n=每组15）：WT+正常饮食（ND），WT+ND+CUMS，ApoE^-/-+西式饮食（WD）和ApoE^-/-+ WD + CUMS。CUMS给药12周。使用苏木精和伊红（H&E）、高碘酸—席夫酸（PAS）、网状纤维和免疫组织化学染色对肾和主动脉组织进行组织病理学评估。对钠-葡萄糖协同转运蛋白（SGLT1和SGLT2）的表达、水肿、糖原含量和腹主动脉内膜中层厚度（AA-IMT）进行定量。对肾脏和血管参数进行了相关性分析。两种机器学习模型——支持向量机（SVM）和反向传播（BP）神经网络——用于评估肾脏生物标志物和主动脉微结构改变之间的预测关系。

CUMS显著增加野生型小鼠的肾脏SGLT1/SGLT2表达、水肿和糖原含量（全部P<0.01），同时AA-IMT升高和主动脉内径减小（P<0.05).阿普埃^-/-尽管没有进一步的肾脏恶化，但小鼠在CUMS下表现出明显的主动脉重塑。相关性分析显示肾脏和血管指标之间有很强的相关性，特别是在CUMS+ApoE中^-/-团体。机器学习模型在基于SGLT1和SGLT2水平预测腹主动脉直径（AA-D）和AA-IMT方面表现出稳健的性能（SVM R²AA-D：0.79，AA-IMT的BP网络相关性：0.99），将这些标记物确定为应激诱导的血管重塑的早期指标。

肾损伤生物标志物，特别是SGLT1和SGLT2，可以作为慢性应激下腹主动脉微结构变化的可靠预测指标。机器学习模型的集成增强了早期风险分层，并为了解心肾应激反应的机制提供了一种新的方法。

定期更新临床实践指南（CPG）的文献证据是必要的，但耗时。人工智能（AI）工具，如Covidence，可能会加速文献筛选。我们前瞻性地评估了两个 Covidence 功能的有效性和准确性：自动标记过滤器（采用 Cochrane 的 RCT 分类器），用于识别两个癌症相关 CPG 中的随机对照试验（RCT）和机器学习辅助标题和摘要（I 期）筛查。

我们更新了安大略省卫生部（安大略省癌症护理）循证护理（PEBC）项目中乳腺癌和肺癌CpG的文献检索。两位方法学家通过指出前 25 篇参考文献中哪些被 Covidence 的 RCT 过滤器标记来训练机器学习模型。主要成果包括工作量和时间节省、抽样节省的工作（WSS），以及对原始指南建议是否需要更改的影响。

共有1,270例（乳腺癌）和1,734例（肺癌）参考文献被导入Covidence。其中，使用 Covidence 的 RCT 过滤器将 633 例乳腺癌和 656 例肺癌参考文献标记为可能的 RCT，需要在 I 期进行审查。Covidence 的 RCT 过滤器以很高的准确性排除了非 RCT，减少了 50.2%（乳腺癌）和 62.2%（肺癌）的人工筛查。对于I期筛查，Covidence在95%灵敏度下分别减少了48.3%和55.2%的工作量，在100%灵敏度下分别减少了44.2%和16.9%的工作量。WSS值与这些减少一致。由于筛选的参考文献数量很少，而且最初接受使用Covidence的培训需要时间，因此节省的时间很少。在95%的灵敏度下，每个CPG缺少一个纳入的参考文献，但指导原则建议保持不变。

Covidence AI辅助筛查可以通过减少工作量来有效地支持更新肿瘤学CPG的文献综述，而不会损害最终建议的完整性。95%的检测阈值可以在效率和准确性之间提供实际的平衡。

致编辑：

对编辑来说，