环球医讯

本研究调查了医学生如何将基于检索增强生成(RAG)技术的生成式AI系统整合到自主学习实践中，该系统将大型语言模型响应限制在教师策划的材料范围内，从而在保持教学实用性的同时减少"幻觉"现象。研究在连续两届医学生中部署了基于RAG的教学助手，分析使用模式、对话内容和学生反馈，发现学生表现出战略性、情境依赖性的使用行为，在高风险评估期间使用强度增加，且大量在非工作时间使用。学生主要寻求基础概念的澄清，重视系统的持续可用性和基于来源的响应，但确保准确性的知识库限制也阻碍了更广泛查询，造成了可靠性与全面性之间的张力，影响了学生将该工具融入学习常规的方式。这些发现为医学院校将AI技术整合到教学框架中提供了实证依据。

本文深入探讨了组胺不耐受(HIT)这一医学现象，明确指出其并非真正过敏而是代谢问题的本质，详细阐述了症状表现、发病机制、诊断方法及管理策略。文章解释组胺不耐受源于身体无法有效分解食物中的组胺，常见症状包括腹胀、皮肤反应、头痛等，诊断缺乏金标准检测方法需依靠病史记录和饮食排除法，管理应以饮食调整为主导，同时指出DAO补充剂可能有一定辅助作用但证据有限且非万能，强调了在专业医疗人员指导下进行个性化管理的重要性，避免营养缺失或过度饮食限制，为患者提供了科学实用的应对方案。

本文详细解读了舌头外观变化所反映的健康信号，包括白色舌苔可能预示真菌感染、苍白舌色常与缺铁性贫血相关、黑色毛状舌多由口腔卫生不良导致，以及舌头边缘出现齿痕可能暗示阻塞性睡眠呼吸暂停等问题。专家特别警示无痛性溃疡可能是口腔癌的早期征兆，强调定期观察舌头变化对及早发现营养缺乏、感染甚至癌症具有重要临床意义。文章指出人工智能技术现已能通过分析舌色以98%准确率诊断糖尿病、中风、贫血、哮喘、肝病和新冠等疾病，而口腔作为身体健康的"预警系统"，其颜色、纹理变化往往早于其他症状显现，为及时干预提供关键窗口期。

本文深入探讨了当前市场上日益普及的肠道微生物组测试现象，这些由私人公司提供的测试价格在100至500美元以上，声称能绘制个人肠道细菌图谱并指导健康改善；然而多位胃肠病学专家明确指出，由于科学界对肠道微生物组的理解仍处于初级阶段，测试结果往往无法提供有效的临床指导，存在样本可靠性差、基准科学性不足等问题，且与医学支持的治疗方案脱节，专家强调改善肠道健康更应注重均衡饮食、规律睡眠和适度运动，而非依赖证据不足的昂贵测试，同时呼吁加强研究以确立相关标准疗法，避免消费者因商业推销而浪费金钱。

扎克伯格和陈·扎克伯格宣布将大部分慈善资源转向生物中心科学组织，重点利用人工智能加速科学发现，开发虚拟细胞模型以理解人体运作机制，研究炎症并利用AI"驾驭免疫系统"进行疾病检测、预防和治疗。他们已承诺将99%的终身财富投入科学研究，自2016年以来捐赠40亿美元用于基础科学研究，并计划在未来十年内将捐赠额翻倍。这一战略调整正值特朗普政府削减数十亿美元科研经费之际，有望通过构建开源虚拟细胞系统推动医学前沿发展，为解决人类健康问题带来革命性突破，特别是在罕见疾病治疗和精准医疗领域展现巨大潜力。

人工智能正逐步变革年龄相关性黄斑变性的诊断、监测和治疗方式，专家指出AI算法能精准分析视网膜图像识别早期病变并预测进展，但目前在自主诊断工具、治疗响应预测等方面仍存在局限；家庭OCT技术结合AI有望提升患者便利性并降低年均3200美元成本，然而监管审批、数据偏差及医生核心作用等问题仍需重视，人类特有的共情能力与临床判断力在罕见病例处理中具有不可替代性，计算机技术尚无法模拟此类特质。

发表在《柳叶刀》的全球疾病负担2023研究揭示，慢性肾病患者数量自1990年以来已增长一倍以上达近8亿人，2023年成为全球第九大死因导致150万人死亡，且是仍在上升的少数主要死亡原因；中国和印度患者数量最多分别达1.52亿和1.38亿，另有14个国家患者超1000万；该病是心血管死亡第七大风险因素，占全球心血管死亡近12%，主要受糖尿病、高血压和肥胖驱动，北非中东地区患病率最高达18%；研究强调早期筛查和控制血糖血压对延缓疾病进展至关重要，同时需解决全球肾脏替代治疗获取不平等问题以减轻对患者和卫生系统的日益增长负担。

随着人工智能深度融入临床工作流程，美国医疗机构正通过建立多维度评估体系界定AI工具的"安全部署"标准，核心聚焦临床可靠性、算法偏见控制及伦理透明度，要求所有工具必须通过监管合规审查、真实世界性能验证及跨职能团队持续监测，确保技术仅作为人类判断的增强而非替代，其中高风险诊断类工具需经严格验证，而所有系统均坚持"人在环路"原则以保障患者安全与数据隐私。

微软宣布组建MAI超级智能团队，致力于开发在特定领域超越人类能力的人工智能，首阶段聚焦医疗诊断领域。该团队由AI主管穆斯塔法·苏莱曼领导，强调研发"服务于人类利益"的专家级AI系统，拒绝追求无限制通用人工智能，重点开发电池存储优化、分子研发及临床诊断等无生存风险的专用模型，同时明确否定AI军备竞赛叙事，计划将超级智能定位为辅助人类提升生活质量的长期工程，预计需一至两年才能产出前沿模型。

本文对可解释人工智能(XAI)在疾病预测领域的应用进行了系统性文献综述，分析了30项研究发现SHAP和LIME是最常用的XAI方法。研究表明，XAI能增强AI模型的透明度和可解释性，对医疗决策至关重要，但目前仍存在数据多样性不足、模型复杂度高和单一数据类型依赖等关键问题。研究指出，解决这些问题对推进医疗AI发展至关重要，并为未来研究指明了方向，包括提高可解释性和数据整合，从而开发更可靠、更稳健的XAI方法，最终提升医疗服务质量和效率。