首页 > 文章详情

2026 WCLC | 前沿探讨：拥抱人工智能，临床肿瘤学中的“最大化影响”与“隐形陷阱”

09月30日

编译：肿瘤资讯

来源：肿瘤资讯

在2026世界肺癌大会（WCLC）的专场报告中，来自加州大学圣地亚哥分校（UC San Diego）Moores癌症中心的Sandip Patel教授带来了一场题为“Harnessing AI Support for Maximum Clinical Impact”的深刻演讲。Patel教授全面剖析了人工智能（AI）在当今医疗保健周期中的真实定位，从影像学早筛到临床试验精准匹配，再到大语言模型（LLM）可能引发的“医学幻觉”。他一针见血地指出，AI是增强人类智能的强大工具，其中环境人工智能（Ambient AI）有望最快在临床病历记录中得到广泛应用；但在临床决策中，人类医生必须始终处于核心主导地位（"human in the loop"），以警惕过度依赖AI导致的临床技能退化（Deskilling）。

AI在医疗保健中的期望与现实

目前，AI在医疗领域的应用正经历着从“创新启发”到“生产力稳定”的周期演变。

在影像学辅助诊断方面，AI已经展现出极高的价值。例如，利用Sybil模型辅助低剂量螺旋CT（LDCT）进行肺癌筛查，能够有效预测患者未来1-6年的肺癌风险，其第一年预测的AUC甚至高达0.92。
在急诊室的新冠肺炎放射学诊断中，加州大学圣地亚哥分校部署的AI辅助系统也获得了极高的使用满意度，74%的整体受访者认为该系统易于融入现有工作流程。

警惕大语言模型的“医学幻觉”

尽管ChatGPT等大语言模型在医患沟通中被评价为具有较高的“同理心”，但在严谨的临床治疗决策上却暴露出致命缺陷。

一项针对AI推荐乳腺癌治疗方案的研究表明，LLM的输出结果仅有34.3%完全符合NCCN指南要求。
更为危险的是，在12.5%的输出中出现了“幻觉”（即凭空捏造不存在的治疗建议），如错误地建议对晚期疾病进行局部治疗等。Patel教授戏称其为“喝醉的模型”（The Drunk Model），强调在涉及分子靶向药物（如EGFR-TKI）与免疫治疗联合应用时，盲目听信AI极易引发临床灾难。

环境AI与临床试验的智能匹配

AI在优化临床工作流与科研招募方面正发挥着不可替代的作用。

环境AI（Ambient AI）：在诊疗过程中自动转录并生成病历笔记，这一技术显著增加了医生与患者面对面交流的时间，减少了医生盯屏幕的时间，极大提升了问诊质量和工作效率。
临床试验精准入组：基于电子病历（EMR）、基因组学数据（如TEMPUS XT结果）建立的临床数据仓库（如Pan-UC系统），能够利用算法自动匹配患者特征与试验要求。当患者（如检出EGFR变异）符合某项临床试验时，系统会自动向医生发送最佳实践警报（BPA），实现精准招募并支持转化研究。

医学教育与技能退化的隐忧

Patel教授引入了诺贝尔经济学奖得主丹尼尔·卡尼曼的《思考，快与慢》理论。他指出，如果不加限制地将临床认知“外包”给AI（Cognitive surrender），可能会导致医生丧失“慢思考”与批判性思维的能力。

在生成式AI引入后，虽然AI能够帮助低水平医师达到平均水准，但过度依赖同样会使高水平专家的专业技能出现“退化”（Deskilling）甚至“错误技能化”（Mis-skilling）。

因此，必须在医学教育中建立合理的AI监督与适应性实践机制，确保AI始终仅作为辅助工具。

参考文献

2026 WCLC.

责任编辑：肿瘤资讯-Nydia
排版编辑：肿瘤资讯-Nydia