环球医讯AI与医疗健康

本研究评估了商业AI工具Aidoc在儿童颅内出血检测中的性能表现，该工具最初基于成人数据训练。研究纳入2502名6-17岁接受头部CT检查的儿科患者，通过自然语言处理和图像算法分析，结果显示该深度学习算法灵敏度达96.0%，特异度93.7%，总体准确率93.8%。研究发现脉络丛钙化和高密度静脉窦是主要假阳性原因，硬膜下出血则占大多数假阴性，表明基于成人数据训练的AI在儿科应用中面临特有挑战，强调了开发儿科专用AI模型的迫切需求，对提升这一服务不足人群的诊断准确性具有重要临床意义，为人工智能技术在儿科医学影像领域的精准应用提供了关键实证依据。

2026年2月发表于《自然-健康》杂志的两项突破性实地研究表明，低成本大型语言模型在卢旺达和巴基斯坦医疗资源匮乏地区显著提升诊断准确率。卢旺达研究证实聊天机器人在11项评估指标上全面超越当地临床医生，巴基斯坦随机对照试验显示使用GPT-4o辅助诊断的医师诊断推理得分达71%，较常规资源使用者的43%提升63%。这些模型单次响应成本仅0.0035美元，可24小时提供服务，且能用卢旺达语交流，为中低收入国家解决医生短缺问题提供新路径，但专家警示需警惕模型可能遗漏的"警示信号"和上下文因素，强调人机协同的重要性。

麻省理工学院的詹姆斯·柯林斯教授作为合成生物学创始人之一，详细阐述了人工智能如何革新药物研发流程。他介绍了与MIT Jameel Clinic和Wyss研究所的合作成果，包括通过深度学习发现广谱抗生素halicin，以及利用生成式AI设计出针对多重耐药淋病奈瑟菌的窄谱药物NG1和抗MRSA的DN1。柯林斯还解释了非营利组织Phare Bio如何弥合药物发现与临床应用间的鸿沟，并分享了ARPA-H资助的15种新型抗生素开发计划，强调将计算预测与实验验证相结合能建立快速响应抗生素耐药性威胁的新范式，使药物研发从被动应对转向主动预防。

哈佛医学院研究人员开发出BrainIAC人工智能模型，该系统通过32000例无标签脑部MRI扫描自主学习通用脑解剖结构，仅需每类1-5个训练样本即可适应新任务，在预测脑癌患者生存期、检测基因突变及早期痴呆风险等七项医疗挑战中展现卓越性能，为罕见病和小样本医疗AI开发提供突破性解决方案，特别适用于年患者量不足百例的儿科脑癌等数据稀缺场景，目前作为研究工具已公开代码但尚未获临床批准，其真实世界应用效果仍需前瞻性验证。

智能手表通过实时监测心率、血氧饱和度等健康数据承诺革新个人健康管理，但其长期健康效益仍存显著争议。研究表明设备能早期发现心房颤动等异常，主要价值在于行为激励而非医疗替代，当前面临传感器精度不足、算法不透明及数字鸿沟等挑战，需与专业医疗体系深度整合才能发挥预防性健康管理的真正潜力，尤其在AI驱动的健康预测模型尚未完成临床验证前，医学诊断仍需依赖专业设备验证。

心血管血管造影与介入学会（SCAI）发布专家意见，探讨血管造影衍生生理学（ADP）技术在冠状动脉疾病评估中的应用。ADP利用计算建模或人工智能分析标准血管造影图像，提供"无线"生理评估方案。该技术特别适用于多支血管疾病评估、PCI规划优化及急性冠脉综合征患者非罪犯病变检查，但需高质量影像和专业操作。专家指出，虽然压力导丝评估仍是金标准（使用率仅10-20%），ADP可作为补充工具，但必须充分了解其技术局限和证据强度，避免盲目应用，同时强调持续技术改进和临床研究的重要性。

英国德比和伯顿NHS基金会信托医院首席数据和分析官罗兰·阿吉迪指出，英国正面临建立全球领先、实用且以患者为中心的医疗AI监管框架的关键时机，必须构建贯穿AI生命周期的治理框架，明确开发者、医疗机构和临床医生的共同责任，借鉴欧盟、美国FDA等国际经验实施高风险分级管理、结构化保障案例和实时监测系统，将监管视为加速而非阻碍创新的机制，从而在保障患者安全的同时确立英国在全球安全医疗AI领域的领导地位。

哈佛医学院研究人员揭示医疗AI模型在临床部署中面临的核心挑战——上下文错误，即模型虽在标准测试中表现良好，却常因忽略医学专业差异、地理区域特征及社会经济因素而产生脱离实际的输出；研究提出通过整合多源上下文数据、开发针对性测试基准和优化模型架构三大策略来弥合理论与实践差距，并强调需解决信任机制与人机协作界面问题以实现AI在个性化治疗中的潜力，最终推动医疗效率提升并避免加剧健康不平等，该成果发表于《自然医学》期刊为负责任AI落地临床提供关键路径。

全球医疗保健人工智能市场正经历爆炸性增长，预计从2025年的216.6亿美元增长至2030年的1106.1亿美元，复合年增长率达38.6%。这一增长主要受慢性病管理需求增加、老龄化人口推动以及AI技术在早期诊断中的应用所驱动。北美目前主导市场，但亚太地区增长最快。主要参与者包括Koninklijke Philips N.V.（皇家飞利浦公司）、Microsoft Corporation（微软公司）、Siemens Healthineers AG（西门子医疗）、NVIDIA Corporation（英伟达公司）和GE Healthcare（通用电气医疗）等公司，它们正积极与医疗机构合作部署AI解决方案。尽管面临数据隐私、专业人才短缺等挑战，AI在医疗影像诊断、个性化治疗规划、远程患者监测等领域的应用前景广阔，医疗机构需把握生成式AI带来的关键转折点，建立AI能力以提升市场竞争力。

本文深入分析了英国国家医疗服务体系中人工智能监管的核心挑战，指出医疗AI并非缺乏监管框架，而是缺乏对现有规则（医疗器械监管、药物警戒、临床治理等）如何适用于动态演进系统的共识理解。作者强调风险比例原则的关键作用，主张根据AI应用场景的实际风险水平实施差异化监管；同时阐明部署后持续监督、责任边界明确及监管机制适应医疗工作流程特性的重要性，认为有效治理应聚焦于现有法规在真实临床环境中的正确应用，而非制定新规则，为AI在医疗领域的安全落地提供了实践路径。