您好,欢迎您

NEJM子刊 | NEJM AI:2025-2026年临床AI的六大应用进展

11月15日
整理:肿瘤资讯
来源:肿瘤资讯

近日,NEJM旗下子刊NEJM AI发表了一篇观点性综述——《2025-2026年临床人工智能(AI):来自学习健康系统人工智能研讨会(SAIL)年度回顾的六大主题》。文章第一作者为加州大学圣地亚哥分校Eileen Kim博士,通讯作者为加州大学旧金山分校Jean Feng博士,作者团队横跨哈佛医学院、美国斯坦福大学、麻省理工学院、微软研究院、Epic相关临床机构等多所顶尖机构。


本文系统梳理了2026年5月召开的SAIL年度回顾专题的内容。该研讨会每年举办一次,重点探讨在临床环境中部署AI所面临的机遇与障碍。会前,SAIL年度回顾委员会向2025年参会者发放调查问卷,旨在梳理该领域内过去12个月内的关键议题、近期优先事项、具有影响力的最新文献以及该领域目前存在的重大缺口。在审阅并讨论27份反馈意见后,临床AI研究团队提炼出六大主题,反映了该领域的进展及持续存在的挑战:


  • 临床AI系统的评估

  • 临床工作流程的整合

  • 直接面向消费者AI 的兴起

  • 监管与社会影响

  • 医学教育中的AI

  • AI基础能力的进展


1.png
2025–2026年临床AI领域进展回顾概览

临床AI系统的评估:证据等级的提升

临床AI的评估被系统地推向更高的证据层级:从更完善的基准测试出发,经由针对临床情境模拟与病例报告的随机研究,最终走向以患者预后为终点的随机临床试验。与此同时,基准测试本身也在变得愈发复杂,力求更真实地还原临床实践中的任务场景。

MedHELM与MedAgentBench已把文书、沟通、行政事务和智能体操作纳入评测,前者中 DeepSeek R1 得分最高(66%),后者暴露出早期模型的主要短板是遵循指令与调用 API 而非医学推理;但这类基准的构念效度仍受质疑。

另一些研究的结论则更为复杂。例如,LungIMPACT 试验显示,用 AI 对可疑胸部影像进行优先排序,虽然缩短了获取报告所需的时间,却并未缩短确诊癌症所需的时间。这说明,有必要把视野放宽到完整的诊疗路径。此外,一项综述发现,即便在那些报告了良好结果的研究中,也普遍存在方法学方面的问题,尤其是在分配隐藏和盲法实施方面。总体而言,在评估各类AI应用的临床影响时,严谨的实验设计、多学科协作以及报告的透明度至关重要。

临床工作流程的整合

在临床AI领域,诸如医疗文书记录之类的行政性任务仍占据主导地位。这一进展主要得益于AI文书助手(AI scribes)的广泛部署,是过去一年里最显著的临床整合举措之一。一些领先的医疗卫生系统已建立起结构化的质量保证框架,并实施了部署后的监测机制。而早期证据表明,人们对该技术的热情与其实际产生的效益之间仍存在差距:多项针对这类工具的大型RCT显示,其在节省文书记录时间方面的效果有限,且在多个平台上均出现具有临床意义的准确性问题。

此外,这些评估结果仅能反映工具在特定时间点的表现,因为 AI 系统的性能和行为可能会随时间推移而发生漂移或退化。一个典型的案例是:某次常规病历模板的变更,导致 ICD-10 编码记录的准确率从79%骤降至35%,直至通过对用户进行重新培训才得以恢复。针对临床AI系统的监测与维护虽已有初步框架,但要让这些系统在有害的数据偏差影响医疗质量之前就被及时发现并纠正,仍需更多研究。

在考量 AI 改善临床工作流程的潜力时,还必须结合当前患者对医生使用 AI 这一行为日益变化的认知与态度进行综合评估。一项近期研究发现,如果临床医生在宣传中强调自己使用了AI,患者往往会认为这些医生的专业能力较弱,且缺乏同理心;进而降低了患者预约就诊的意愿。随着AI技术的持续发展以及更多有实际意义的应用场景不断涌现,这一认知或许会随之发生变化。

面向消费者AI的兴起

在医疗健康领域,面向消费者(DTC)AI应用发展迅猛,这在很大程度上得益于OpenAI、微软和亚马逊等前沿AI企业的推动。据报道,仅ChatGPT一项工具,每周就有超过2.3亿人将其用于获取健康建议。这类应用数量的增长,在很大程度上源于其所处的监管框架相对宽松——这些工具通常声称自己并不提供医疗建议。在这一监管尚不完善的领域,此类产品的影响不容小觑,既可能带来益处,也可能造成危害。总体而言,那些针对特定目标而开发的DTC应用展现出了更有意义的前景。

监管与社会影响

全球各地的医疗器械监管机构目前仍在制定相关策略。全球五大医疗器械市场(美国、欧盟、中国、韩国和日本)的监管机构在某些方面存在共性,例如均采用了基于风险分级的监管模式以及上市后监测机制。但在平衡产品上市速度与所需临床证据强度这一问题上,各方的侧重点有所不同。美国和中国更看重产品上市速度,并较多依赖上市后监测;欧盟则更重视临床证据,要求提供更具说服力的研究结果;韩国和日本的监管路径则介于两者之间。

美国CMS推出ACCESS模型(以有效、可扩展的方案推进慢性病照护),建立了与结局挂钩的支付框架——奖励那些用技术实现慢病管理可测量改善的厂商和提供方。这为AI技术提供了历史上一直缺乏的报销路径,是商业化的关键一环。

系统性影响:医疗系统目前无法追踪生成式AI工作负载的环境影响,这影响英国 NHS 净零排放等政策的落实。此外,正如Anthropic公司早期分析所预见的,AI对劳动力市场造成的冲击也已在临床领域显现。在美国各地,医疗领域出现了更多抗议和罢工活动,均围绕AI部署及其带来的影响。

AI在医学教育中的应用

接受 AI 定制反馈训练的医学生报告准备更充分,在客观结构化临床考试(OSCE)中表现优于传统方法的同侪。多模态AI系统能在模拟临床场景中评估麻醉科住院医师,与专家考官在各能力维度上高度一致。但需注意,荟萃分析总体显示,生成式AI教学与传统教学在一般知识获取上无显著差异,优势主要体现在长周期学习和实践技能上。

AI 在医学领域究竟是能促进技能提升,还是会导致技能退化,目前仍是一个备受争议的话题。“自动化偏见”(automation bias)是一个早已被认识到的现象,在AI应用中,这一风险依然不容忽视。现有文献普遍指出,技能退化的风险较高。近期的一项综述强调,在放射科、消化内科和病理科等侧重诊断的专科中,AI 可能带来负面影响。研究人员甚至提出“从未习得技能”的警示,即受训者可能永远无法掌握某些关键技能,但也有数据表明 AI 有助于提升受训者的技能水平。

AI基础能力的提升

多项进展拓展了临床 AI 的前沿,并有望在未来持续改变领域内的发展。其中一个重要的进展方向是训练规模更大的基础模型,并整合纵向数据。例如,Epic公司开发的基础模型基于Cosmos平台中超过160亿次医疗就诊记录进行训练;在 78 项预测任务中,该模型的表现与针对特定任务训练的模型相当,甚至更胜一筹。一个基于英国生物样本库数据训练的 Transformer 模型,在疾病风险预测方面的表现也与专用模型相当,甚至表现更优。尽管如此,目前仍存在重大的技术挑战,因为现有模型主要针对预测进行优化。

多模态能力的进展:谷歌MedGemma 1.5 整合了高维影像模态,在解读临床文档方面表现更佳,并在 MRI 和病理分类、解剖定位以及纵向 X 线分析等任务中取得了显著提升。开源模型将有助于该领域通过协作,共同推动临床 AI 模型能力的提升。

展望

AI在医疗保健领域的成功并非坦途,更表现出发展不均衡的态势:一方面,AI系统已在改善患者预后方面取得可量化的成效;另一方面,多项研究揭示了将AI部署到临床工作流程及产品中所面临的现实挑战。未来需关注的方向:①需要针对AI对临床预后的影响,开展更广泛的前瞻性评估。②亟需完善的工具、指导原则及监管框架,以实现对临床AI工具全生命周期。③需要深入理解并应对临床AI系统所带来的系统性影响。

总体而言,临床AI的前景依然乐观,业界人士正积极投身于各类系统的能力提升与验证工作,以持续推动AI在医疗领域的发展。

参考文献

Eileen Kim, Marianna V. Elia Lauren Erdman, M.S.E.,Michelle M. Li, et al.Clinical AI in 2025–2026 — Six Themes from the SAIL Year in Review.

责任编辑:肿瘤资讯-Yuno
排版编辑:肿瘤资讯-Yuno

版权声明
本文专供医学专业人士参考,未经著作人许可,不可出版发行。同时,欢迎个人转发分享,其他任何媒体、网站如需转载或引用本网版权所有内容,须获得授权,且在醒目位置处注明"转自:良医汇-肿瘤医生APP"。

评论
11月16日
孙超敏
嵊州市人民医院 | 呼吸内科
好好学习天天向上
11月16日
吴向荣
石家庄市平安医院 | 肿瘤内科
临床AI的前景依然乐观
11月15日
王会宇
青岛市城阳区人民医院 | 肿瘤科
感谢分享学习新知识