2026年 · 第06卷第04期

人工智能（AI）在医疗保健领域的深度融合正在彻底改变医疗服务、临床决策以及医疗机构的学术研究和教育。然而，其基于持续学习和迭代更新的自主进化特性对传统的、静态的医疗器械监管框架提出了根本性的挑战。由40多家中国领先的医疗和科研机构制定的《医疗机构人工智能应用与治理专家共识（2026）》涉及医学、医院管理、医学信息学、卫生政策、法律和医学伦理等领域的专家。专家组借鉴中国和国际最新法规和最佳实践，系统地编制了医疗机构全生命周期人工智能应用综合治理指南，重点关注六大主题支柱：准入评估、临床应用、患者权益保护、数据治理、风险管理和能力提升。对于每个领域，共识详细说明了关键因素，包括分层访问、多学科审查、现实世界验证、竞争算法的交叉验证、人机协作责任的描述、分层知情同意、算法可追溯性和可解释性、动态风险监控、熔断机制和渐进式人工智能能力培训系统，医疗机构在人工智能实施和管理过程中应考虑这些因素。该共识旨在为医疗机构人工智能应用建立一个以安全性、有效性、公平性和可解释性为特征的合规基线和发展方向，从而确保技术演进保持在法律和伦理上合理的框架内。最终，它有助于促进公平获得高质量的医疗资源，并实现国家健康水平的实质性提高。

手术是一种实时、具体化和安全关键的护理形式，其中决策、解剖、身体动作和患者结果紧密耦合。人工智能（AI）提高了对器械、解剖结构、工作流程、技术性能和多模态手术环境的识别，但如果这些能力仍然局限于回顾性基准、狭窄的程序设置和孤立的感知任务，则这些能力的临床价值有限。核心挑战是确定手术模型是否可以在不确定性下支持更安全的手术护理，跨越程序、机构、设备和患者环境，而不模糊手术责任。这不仅仅是一个规模问题，而是一个代表性、证据和问责制问题。通才外科基础模型可以为临床上有用的外科理解提供一个共享的基础，但外科需要比一般生物医学人工智能更受约束的公式，这种公式植根于手术责任、实时决策和患者级别的后果。因此，临床级手术智能应被定义为旨在帮助外科医生的模型的资格标准，而不是能力阈值。首先，手术应被视为跨感觉动作方案、纵向围手术期发作和异质临床环境的普遍性问题。其次，模型开发应从机器可读感知发展到时间锚定的程序理解、循证推理、手术室多模态智能和外科医生监督的行动支持。第三，临床级索赔应通过从基准准确性扩展到外部和跨方案有效性、术中不确定性下的实时可靠性、面向人类的效用、患者级相关性和生命周期治理的证据来获得。因此，我们重新构建通才外科基础模型，不是作为自主替代品或越来越有能力的预训练资产，而是作为临床责任智能层的组成部分，以实现更安全的手术护理。这些模型的临床价值将取决于更广泛的表征、更有力的证据和明确的问责制是否一起成熟。

重症监护医学正处于从基于症状的方法向系统科学转变的关键阶段。基于对危重疾病潜在机制的第一性原理理解，我们提出了熵危重疾病理论（ECIT）。根据热力学第二定律，ECIT认为，当人体调节熵产生的能力受损，导致全身性紊乱时，就会出现危重疾病。这一过程表现为宿主反应熵和血流动力学熵的同时升级，导致临界单位水平的血流和氧气输送中断、缺血和缺氧，临界单位被定义为终末微循环-线粒体功能单位，最终导致多器官功能障碍。本研究概述了ECIT的理论基础，并概述了一个基于熵的重症监护框架，该框架可能为未来重症监护医学中的多模态熵知情监测、风险分层和人工智能辅助精准干预提供信息。

中心位置的非小细胞肺癌（NSCLC）传统上需要袖状切除术或全肺切除术。我们研究了新辅助化学免疫疗法（NeoCIT）是否可以转化为标准肺叶切除术，并评估了人工智能（AI）辅助的纯视觉和高光谱成像（HSI）系统用于术中切缘评估。

这项多中心队列研究在2019年1月至2025年12月期间招募了来自中国六家三级转诊中心的患者。回顾性队列（n=56，2019年1月-2024年12月）和前瞻性探索性队列（n=28，2025年1月至12月）包括患有组织学证实的中心位置非小细胞肺癌的成人，他们最初指征进行袖状切除术，并接受NeoCIT，然后进行手术切除。主要终点为无事件生存期（EFS）和总生存期（OS），使用Kaplan-Meier方法和多变量Cox回归进行分析。前瞻性队列还使用人工智能辅助系统进行了术中支气管边缘评估，该系统将HSI（600-950 nm和16个光谱带）与基于多层感知器的深度学习分类器相结合，用于实时像素组织分类。

在回顾性队列中，57.1%的患者获得主要病理缓解（MPR）或病理完全缓解（pCR），其中71.4%的患者从袖状肺叶切除术过渡到肺叶切除术。肺叶切除术组的术后并发症发生率（10.0%）显著低于袖状肺叶切除术组（38.5%，P=0.031).肺叶切除术的两年EFS为69.9%，袖状切除术的两年EFS为80.2%（HR=0.76，P=0.665），具有相似的操作系统（84.0对90.9%，HR=0.68，P=0.713).多变量分析确定pCR/MPR、年龄、东部合作肿瘤学组状态和新辅助治疗阶段后的病理淋巴结阶段是独立的预后因素。对于前瞻性队列，人工智能辅助纯视觉和HSI系统准确地实时评估了阴性切缘，与冰冻切片病理学相比，显示出高灵敏度（100%）和特异性（96.2%）。

NeoCIT 可安全地实现中心位置非小细胞肺癌从袖状切除术到肺叶切除术的手术转换，而不会影响肿瘤结果，人工智能辅助的 HSI 可提供准确的实时术中支气管边缘评估。

脊柱关节炎（SpA）是一种罕见的慢性炎症性疾病，由强直性脊柱炎（AS）、银屑病关节炎（PsA）、反应性关节炎（ReA）、炎症性肠病相关关节炎（IBDA）和幼年型脊柱关节炎（JSpA）等亚型组成。早期诊断和准确的亚型识别对于改善预后至关重要。然而，在临床实践中，亚型之间的重叠临床表现，缺乏单一的特异性诊断生物标志物，以及罕见亚型（例如IBDA和JSpA）的临床数据极其有限，使得早期鉴别诊断具有挑战性。因此，患者经常面临延迟诊断、过度诊断和错误分类的风险，从而对个体化治疗决策和长期结果产生不利影响。目前，尽管通用医学大型语言模型（大语言模型）在某些领域显示出潜力，但在SpA子分型的垂直、特定疾病场景中，其性能仍然不足，该场景需要高质量的数据。面对多个类别的稀缺性和极端不平衡，这些模型难以满足临床对精确分类的实际需求。

这项研究提出了从被动“依赖数据”到主动“创造数据”的范式转变。基于2000年至2019年间在我院住院的SpA住院患者的电子健康记录（EHR），我们构建了一个包含五个亚型组（AS、PsA、ReA、IBDA和JSpA）的真实世界数据集。数据集包括关键疾病特征，如骶髂关节成像结果、人类白细胞抗原B27（HLA-B27）状态和C反应蛋白水平。使用McNemar检验进行人机对比试验。我们通过三个阶段的框架实现了这一点：（1）模板提取：从EHR中提取高质量的真实世界记录，以建立SpA亚型的诊断基准。（2）合成数据生成：我们开发了一个知识导向的合成数据引擎，该引擎将脊柱关节炎国际学会（ASAS）分类标准和专家先验的评估深度集成到一个大语言模型中，能够有针对性地生成涵盖具有逻辑一致性的罕见亚型的临床病例对。(3)自适应优化：引入了自适应加权采样策略，根据初始模型跨类别的准确性动态调整训练数据分布。这优化了模型在薄弱环节的学习，最终产生最终选定的模型（RobotGPT-SpA）。

实验表明，该方法显著提高了SpA子类型分类的性能。RobotGPT-SpA的总体准确率为0.843，在所有五个亚型中表现出平衡和卓越的诊断能力。值得注意的是，它将数据稀缺的IBDA子类型的性能提高了30%，将ReA的性能提高了27%。与参数数量较大的通用医疗大语言模型相比，我们的领域特定模型表现出更高的临床实用性和准确性，从而验证了“领域特定微调+高质量数据”策略的优越性。在鉴别诊断对比实验中，RobotGPT-SpA模型的表现明显优于初级和中级医生，表现出更高的准确性、一致性以及更好的敏感性和特异性。

这项研究证实，知识导向的数据工程是为专门疾病构建高性能、可部署的人工智能（AI）模型的关键。通过系统化的数据生成和平衡策略，这种方法有效地克服了医疗AI在罕见和复杂慢性病中的应用瓶颈。它为在资源受限的场景中实现早期和精确的SpA亚型诊断提供了可靠的技术途径和通用方法。

远程医疗已经成为医疗保健提供的一种关键模式，特别是对于具有复杂药物治疗方案的老年患者。药剂师在优化药物治疗方面发挥着核心作用，人工智能工具的集成，特别是大型语言模型（大语言模型），可以通过提供及时、准确和富有同情心的响应来增强远程药房服务。尽管理论应用越来越多，但关于大语言模型在药房相关远程咨询中的表现的证据有限。然而，人们对大语言模型在远程会诊期间是否能够可靠地解决患者特异性药物治疗问题知之甚少。这项研究专门调查了不同大语言模型在应用于老年护理中模拟的药房相关场景时的表现。

这项观察性横断面研究于2025年5月至6月期间进行。代表老年人群中常见药物治疗问题的10个模拟患者病例场景被用作数据集。测试了三个大语言模型（ChatGPT-4.0、DeepSeek-V3和Gemini 2.5 Flash）。每个大语言模型都被提示相同的患者场景，并由两位作者独立评估反应。一个结构化的标题评估了八个主要参数：清晰度、语气、同理心、以患者为中心、准确性、可操作性、风险缓解和安全准确性。估计安全性准确性和误差得分为阴性的评分（每个域0-3分，最多21分）。使用Flesch-Kincaid（FK）年级水平和Flesch阅读难易程度（FRE）分数以及公众覆盖率（%）进行可读性评估。描述性统计和带有Bonferroni校正的Kruskal-Wallis H检验用于比较分析。

所有三个大语言模型都成功生成了所有10个病例场景的响应。他们的输出表现出高水平的同理心、患者特定的指导和临床适当性，并在情感基调和结构清晰度方面表现出色。总体而言，双子座得分（20.0±0.7）在统计学上显著高于ChatGPT（18.6±1.1；P=0.002）和DeepSeek（19.0±0.8；P=0.031).关于阅读评估，Gemini（8.9±0.6）的FK等级水平与DeepSeek（7.5±1.1；P=0.002），以及公共覆盖范围（（79.3±3.7）对比.(84.0±1.9);P=0.001).除了病例1的DeepSeek和病例7的ChatGPT外，他们的所有反应都被评为优秀。DeepSeek因其分层的指导性格式和包含安全提示（如药丸组织者和警告标志）而脱颖而出，而Gemini则提供了详细的药理学解释，并在适当的时候强调了紧急护理需求。在冗长和回应结构中注意到可变性，双子座更多的是叙述性的，ChatGPT更多的是对话性的。所有大语言模型都展示了准确的药物相关知识和以患者为中心的沟通，符合远程药房的最佳实践。

大语言模型始终对模拟的远程药房场景产生准确、富有同情心和可操作的反应。它们的使用可以作为提供高质量虚拟药房咨询的支持工具。在将大语言模型负责任地整合到临床工作流程之前，需要对药剂师提供的护理进行严格的现实世界验证和比较试验。

新辅助放化疗（nCRT）已成为局部晚期直肠癌（LARC）患者的标准术前治疗方法。准确预测患者预后有助于制定个体化治疗策略。我们旨在建立和验证一个基于磁共振成像和临床特征的临床放射组学模型，以预测nCRT后接受根治性手术的LARC患者的预后。

这项回顾性研究纳入了2019年12月至2023年10月期间在青岛大学附属医院接受nCRT后根治性手术的234例LARC患者。患者被随机分为训练组（164名患者）和测试组（70名患者）。收集和分析影像学和临床数据。总体而言，从术前盆腔磁共振T2加权成像（MRI T2WI）中提取了1,172个放射组学特征。筛选后，计算肿瘤和直肠系统区域的放射组学特征评分（Rad-Score），并开发三个放射组学模型。使用确定的临床预测因子构建临床模型。使用随机森林算法整合Rad评分和临床预测因子，以建立临床放射组学模型。使用曲线下面积（AUC）、校准和决策曲线分析评估临床放射组学模型的准确性。

从nCRT术后患者的盆腔MRI T2WI来看，共有8个肿瘤放射组学特征和12个肠系膜放射组学特征与患者预后高度相关。然后，我们使用所有放射组学特征建立了一个混合放射组学模型。训练集和测试集的混合放射组学模型的AUC分别为0.832（95%CI:0.762–0.902）和0.764（95%CI:0.646–0.881）。结合20个放射组学特征和4个临床预测因子的临床放射组学模型在训练集中达到0.874（95%CI:0.811–0.936），在测试集中达到0.813（95%CI:0.710–0.916）。

本研究开发的基于MRI的临床放射组学模型对nCRT后接受根治性手术的LARC患者的预后具有较高的预测性能，从而帮助临床医生对直肠癌患者进行nCRT。

大规模集会对大规模伤亡事故构成重大风险，其中静态分诊方案往往无法平衡单个患者的紧迫性与全球紧急资源限制，导致可预防的死亡。我们旨在评估使用机器学习优化的动态转移策略，以改善这种情况下的生存结果和应急效率。

我们基于2024年杭州马拉松赛和临平冰雪世界火灾事故两大赛事的真实世界应急数据进行了回顾性模拟研究。包含患者严重程度的数据，如呼吸频率、脉搏频率和运动反应（RPM）评分、救护车后勤和来自多个创伤中心的实时医院床位容量，用于构建模拟环境。我们将动态转移框架（使用基于价值分解网络的多代理方法）与标准临床协议（最近医院和指定医院策略）进行了比较。主要结局包括总生存率、重症监护的平均等待时间和总住院时间。

在人员伤亡快速涌入和资源有限的模拟大规模伤亡事故场景中，我们的动态策略明显优于传统方法。与两个传统基线相比，我们的方法在伤亡激增期间将平均患者存活率提高了6.8%和8.3%，在逐渐涌入期间提高了13.8%和8.8%。在资源充足的条件下，收益分别为12.2%和8.7%。这些结果表明，我们的方法可以有效地整合和使用动态变化的紧急医疗资源，以在处理大规模伤亡时实现高效的分流和运输决策。

我们的分流决策方法可以有效地利用群众聚集过程中产生的大量动态应急医疗信息。它能够根据患者受伤情况和急救医疗资源做出转诊决策，从而为急救转诊医生提供更加个性化的转诊决策方案。

近几十年来，局部晚期直肠腺癌的治疗发展迅速。与历史方法相比，结合了新辅助放化疗（CRT）、全直肠系膜切除术（TME）和辅助化疗的多模式治疗显示出改善的结果。尽管手术仍然是核心组成部分，但低位前切除术和腹会阴切除术可能会对生活质量产生严重影响，包括肠道、泌尿系统和性功能障碍。最近，治疗完成后没有肿瘤证据的患者可以使用非手术、观察和等待（WW）方法进行管理。这种模式包括使用临床、内窥镜和放射学方法的广泛监测。人工智能（AI）越来越多地应用于直肠癌护理的多个阶段，以提高治疗精度和决策。人工智能可以整合临床数据来预测治疗反应，改善疾病的早期检测，并优化治疗。WW方法可以更好地识别理想的候选人，便于监测，并避免过度治疗或治疗不足。这篇综述探讨了WW方法中的关键概念以及人工智能在其管理中的作用。人工智能可以通过评估治疗反应和预测结果来支持癌症护理的个性化，以促进共享决策。这些策略有助于扩大WW方法的利用，同时增加器官保存。

对编辑来说，

对编辑来说，