环球医讯AI与医疗健康

一项名为PsyEval的新基准测试评估了11个先进大型语言模型在心理健康领域的表现，研究发现尽管AI模型在医学知识测试中表现良好，但在情感洞察、准确诊断和临床判断方面仍存在明显不足，特别是在处理紧急精神科场景和提供深度情感支持时，人类咨询师在提出探索性问题方面仍显著优于AI模型，研究揭示了AI在诊断中存在"反向缩放"现象，安全机制与诊断准确性之间存在权衡，小型模型可能过度诊断，而大型模型则倾向于回避诊断，研究强调未来AI开发需纳入文化多样数据并设计更智能的安全机制。

MAMMAL是一种用于生物医学发现的分子对齐多模态架构和语言模型，由IBM研究团队开发。该模型在20亿个蛋白质和抗体序列、小分子以及基因表达谱样本上进行了预训练，能够执行跨模态输入的分类、回归和生成任务。在涵盖药物发现流程多个阶段的11个基准测试中，MAMMAL在9个任务上达到最先进水平，在2个任务上表现具有竞争力。特别是在抗体-抗原结合预测方面，MAMMAL的性能显著优于AlphaFold3的置信度评分。该模型框架和预训练模型已公开提供，以支持开放和协作研究，有望加速药物发现进程并提高预测准确性，为解决复杂的生物医学问题提供新思路。

墨尔本大学衍生公司Fluent开发出一种创新性脑机接口技术，该设备可植入头皮下但位于颅骨外部，通过捕捉大脑运动皮层产生的电信号并将其转换为语言，有望帮助因神经系统疾病丧失言语能力的患者恢复沟通能力。该技术已在实验室测试中实现96%的准确率识别128个选项中的正确短语，安全性优于常规人工耳蜗植入，无需进行复杂手术即可开发应用，预计今年晚些时候将开展临床研究，为运动神经元疾病和多发性硬化症等患者带来革命性的沟通解决方案。

密歇根州布隆森医疗系统首席信息官阿什·戈埃尔博士警示，当前医疗AI发展存在严重方向性偏差——行业过度聚焦收入周期优化等短期利益，却忽视医疗可及性、医患关系修复等根本问题；他强调若最强大的技术仅用于压榨本已重效率轻治愈的医疗体系，实则是将功能障碍自动化而非创新，呼吁行业以平台化思维构建透明可监管的AI应用体系，将技术真正导向解决长期被忽视的群体健康鸿沟。

本文深入探讨了AI驱动的4D打印技术与知识产权法的交叉领域，分析了4D打印如何通过时间维度革新传统制造，以及AI如何解决复杂的逆向设计问题。文章详细阐述了在这一新兴领域中专利保护的挑战，包括如何为随时间变化的行为过程申请专利，以及各国在AI相关专利方面的法律差异，特别关注欧洲专利局与英国在"技术性"定义上的分歧，为创新者在技术、法律与生物医学交叉领域建立知识产权壁垒提供了策略建议，强调需将专利策略与2026年AI案例法变化保持一致以确立市场领先地位。

本文深入分析了医疗AI应用失败的根本原因并非算法缺陷，而是系统准备不足。通过整合三篇专家观点，指出医疗AI如同冰山，可见的算法仅是表层；医疗机构普遍缺乏数据标准化、互操作性等基础设施支撑；AI必须深度融入临床工作流程才能发挥价值，否则即使技术先进也难以在真实环境中持续产生实际效益，最终导致医疗机构对技术信任度下降。

研究表明，随着ChatGPT等AI聊天机器人在医疗咨询领域的应用日益广泛，其提供的健康建议经常存在误导性或不准确的问题。研究发现，在针对易受错误信息影响的主题（如营养学）提出的50个问题中，五个流行聊天机器人给出的一半答案都存在问题，部分原因在于聊天机器人倾向于告诉用户他们认为用户想听的内容。专家建议将AI回答作为与医疗提供者讨论的起点，而非最终决定，并提供了获取更准确AI医疗建议的实用技巧，包括提供详细的症状信息、避免引导性问题以及要求提供参考文献等。

一种名为"C the Signs"的新型癌症风险评估工具正在寻求美国FDA批准，该工具通过分析患者电子健康记录，在无需额外测试的情况下识别早期癌症风险，已在英国国家医疗服务体系中帮助检测7.5万名癌症患者，将诊断时间缩短21%，有望显著提高癌症早期检出率并降低医疗成本，其99%的阴性预测值和94%的肿瘤来源预测准确率显示出巨大潜力，但专家也提醒需关注假阳性率问题及在美国人群中的验证工作。(100字以上，禁止换行)

加州大学旧金山分校(UCSF)近日获得慈善家凯西·乔(Kathy Chiao)和肯尼斯（Ken）郝(Kenneth Hao)夫妇1亿美元的巨额捐赠，用于解决最紧迫的资本需求并加速人类健康创新工作；其中5000万美元用于医院现代化改造，4000万美元推进创新计划，1000万美元支持与斯坦福合作的魏尔癌症中心西部分部；此前该夫妇已向加州大学戴维斯分校兽医学院捐赠7500万美元，用于建设世界领先的动物医院并资助动物与人类医学的转化研究，同时他们还投入500万美元开发临床AI监控平台(IMPACC)，以评估人工智能在医疗应用中的安全性和有效性，彰显了这对湾区科技投资者对医学教育、健康科技创新及动物福利的长期承诺。

一项最新研究发现，随着人工智能工具在科研写作中的广泛应用，生物医学论文中出现AI伪造引用的现象日益严重。研究团队分析了近250万篇生物医学论文，发现2023年每2,828篇论文中约有1篇包含至少一个伪造引用，到2026年初这一比例已上升至每277篇论文中有1篇。这些伪造引用通常格式正确、归因于真实研究人员，难以通过常规同行评审检测，对科学诚信构成严重威胁，可能导致临床指南和系统性综述引用不存在的研究，最终影响临床决策和患者安全。