环球医讯AI与医疗健康

随着医疗行业面临医生过度劳累和职业倦怠的严峻挑战，人工智能工具正加速融入诊疗实践，通过自动化预约管理、病历记录等繁重行政任务，助力临床医生回归患者护理核心。阿达勒姆环球教育公司CEO史蒂夫·比尔德在CNBC人工智能峰会上强调，行政负担是导致医生倦怠的首要原因，而AI作为关键补充将显著改善医疗体验；数据显示，2019至2024年间超60%医疗AI风投聚焦行政与临床应用，但仅28%医生自认具备AI应用能力，凸显培训紧迫性。该公司正与谷歌云合作推出专项认证课程，旨在提升医护人员AI操作技能，确保技术投资转化为实际效益，同时比尔德指出医疗中的人际信任元素无法被机器替代，AI将让医生重拾床边护理的初心。

本文深入探讨人工智能技术在辅助生殖领域的革命性应用，聚焦费尔蒂利蒂公司开发的CHLOE算法如何通过实时分析数百万胚胎数据点预测发育质量，该美国食品药品监督管理局批准的系统能精准评估细胞分裂特性、内细胞团形态及滋养层收缩频率，显著提升体外受精成功率并缓解胚胎学家短缺危机，同时揭示AI将重构胚胎实验室工作流程，使专业人员从40%的行政事务中解放，回归核心科学观察与胚胎选择工作，标志着生殖医学进入智能化新阶段。

英国政府于2025年10月22日宣布新的人工智能监管蓝图，通过设立AI增长实验室允许企业在严格监督下测试AI产品，旨在显著缩短国家医疗服务体系（NHS）患者的等候时间并减轻一线医护人员工作负担。该计划包含100万英镑专项资金支持药品和健康产品管理局（MHRA）试点AI辅助工具，采用"监管沙盒"模式在医疗等关键领域临时调整规则，加速安全有效的医疗AI创新落地，同时邀请公众参与方案讨论以优化监管机制，有望推动英国成为全球医疗人工智能创新中心并重塑公共医疗服务。

美国眼科学会年会上公布的一项新研究显示，伦敦大学学院眼科研究所和摩菲尔兹眼科医院开发的机器学习算法在青光眼风险筛查中表现优于人类专家，算法正确识别率达到88%至90%，而人类评分者仅为79%至81%；该研究基于6304张来自EPIC-Norfolk Eye研究的眼底图像，特别之处在于测试环境更贴近常规筛查条件（仅11%样本为青光眼疑似病例）；首席研究员Anthony Khawaja博士表示，这项AI技术有望成为经济有效的青光眼初步筛查工具，尽管仍需结合眼内压等其他指标提升准确性，因为青光眼作为全球最常见不可逆视力丧失原因之一，目前筛查成本过高，而人工智能结合遗传风险靶向等方法可能提供突破性解决方案。

本文深入探讨了人工智能在英国国家医疗服务体系(NHS)和社会护理领域实施与扩展的关键挑战与策略，基于与AI专家、临床医生、研究人员等的广泛对话，分析了如何建立变革动力、通过合作伙伴关系进行规模化应用、应对系统差异性及本地化调整解决方案，强调了除技术基础设施外，培养员工对AI的信心、建立跨组织协作机制以及适应各地差异的重要性，为实现AI在医疗领域的全面效益提供了系统性建议和实用指导。

GE医疗最新基础MRI研究模型将进入医疗机构实测阶段，麻省总医院布里格姆和威斯康星大学麦迪逊分校将利用真实医疗数据优化该模型在前列腺癌分类、病灶分割等场景的应用，同时其AI创新实验室正推进智能体AI项目以缓解放射科医生短缺问题，标志着医疗AI从通用技术向专科化精准应用的关键转型，该模型此前已通过FDA心脏MRI加速技术认证并在阿尔茨海默病影像分类中展现潜力。

中风专家在辛辛那提大学约瑟夫·布罗德里克博士领导的讨论中指出，随着人工智能在临床研究中的应用不断扩大，必须建立伦理规范以确保技术的负责任使用。他们比较了机器学习与生成式AI在中风治疗中的应用差异，强调了"人在回路中"系统的重要性，并讨论了数据质量、患者隐私保护以及新型临床试验设计等关键议题，认为AI虽有巨大潜力但需要谨慎应用以避免潜在风险，同时提出了将AI应用于识别试验参与者、翻译试验信息和确定最佳治疗方案的具体建议，强调在AI这一"迅速蔓延的火焰"面前，人类需要学会"安全明智地最好地使用它"。

辛辛那提大学约瑟夫·布罗德里克教授领衔的中风专家团队在《中风》期刊发表文章，系统阐述人工智能在中风临床试验设计中的应用现状与挑战。文章对比分析了机器学习与生成式AI的技术特性，强调"人在回路"系统对医疗决策的重要性，并指出数据隐私保护、模型可解释性及跨机构数据协作是未来关键发展方向。专家警告：错误数据训练可能导致AI产生有害建议，需建立严格协议确保患者信息安全，同时探讨了实效性临床试验设计和社区参与对推进精准医疗的意义。

加州大学圣迭戈分校科学家开发出基于AI的CANDiT系统，能精准识别并靶向癌干细胞。该系统通过分析肿瘤独特遗传特征，找到可重新编程癌干细胞的治疗靶点，促使癌干细胞自我毁灭而不伤害健康组织。在结肠癌研究中，CANDiT成功识别出PRKAB1蛋白作为新靶点，使用现有药物恢复CDX2基因功能后，癌干细胞不仅转变为正常细胞行为，还自主死亡。研究表明该疗法可降低50%复发和死亡风险，且有望扩展至多种癌症类型，为癌症治疗带来革命性突破。

多伦多大学研究团队在《自然通讯》发表突破性成果，成功应用机器学习模型指导长效注射药物配方设计。该研究利用lightGBM等算法精准预测药物释放速率，将卵巢癌治疗药物的新配方开发从传统多次试错过程缩短至单次迭代，显著降低药物研发时间与成本。研究同时指出制药科学领域开源数据集匮乏的挑战，并已将数据集公开于Zenodo平台，为人工智能在药物递送系统领域的深度应用奠定基础，有望加速创新疗法向临床转化的进程。