摘要

人工智能技术正在深刻重塑医疗辅助诊断的范式。本文系统综述了AI在医学影像、临床决策支持、病理分析、内镜诊疗及罕见病诊断等核心领域的应用现状，从技术演进、临床部署、性能验证三个维度展开分析。研究表明，AI已从单一任务的“模式匹配”工具，进化为具备多模态融合与可解释推理能力的“智能决策伙伴”。在医学影像领域，AI系统在肺结节、乳腺癌等筛查任务中达到或超越资深医师水平，同济医院影像AI系统使工作效率提升40%；在临床决策支持领域，Neuro AI模型预测急诊入院AUC达0.88，与专家判断高度相关（r=0.79）；罕见病诊断领域，DeepRare系统凭借“中枢-分身”可溯源架构，纯表型诊断准确率达57.18%，较国际最佳模型提升23.79个百分点。技术趋势呈现三大方向：多模态数据深度融合从“后期拼接”走向“原生对齐”，HealthGPT等统一架构实现影像解读与生成一体化；推理范式从“黑箱预测”向“循证可解释”跃迁；部署模式从“中心化云端”向“边缘端轻量化”下沉。然而，可解释性不足、数据异质性、算法偏见及监管滞后仍是临床转化的核心挑战。未来，人机协同的智能增强诊断模式将成为主流，推动医疗诊断从“经验驱动”迈向“数据-知识双驱动”的新纪元。

关键词：人工智能；医疗辅助诊断；医学影像；临床决策支持；多模态融合；大语言模型

1 引言

人工智能与医疗健康的深度融合，正在引发一场深刻的诊断范式变革。从1950年代图灵测试的提出，到1970年代MYCIN专家系统的问世，再到今日大语言模型与多模态AI的爆发，医疗AI走过了从规则引擎到深度学习的漫长演进之路。当前，全球医疗系统正面临人口老龄化、医师资源分布不均、诊疗负担加重等多重挑战，AI技术被寄予厚望——它不仅是提升诊断效率的工具，更可能成为重塑医疗公平与质量的变革力量。

医疗辅助诊断是AI应用最成熟、临床证据最密集的领域。在影像判读、病理分析、风险预测等任务中，AI已展现出与资深医师相当甚至超越的表现。但与此同时，技术落地仍面临可解释性、数据隐私、算法偏见等深层挑战。本文旨在系统梳理AI在医疗辅助诊断各核心领域的应用现状，提炼技术演进规律，研判未来发展趋势，为临床工作者、医疗管理者及技术研发者提供全景式参考。

2 医疗辅助诊断AI的技术演进脉络

2.1 从符号主义到连接主义：算法范式的三次跃迁

医疗AI的演进可划分为三个主要阶段：

第一阶段：符号主义与专家系统（1970s-1990s）。以MYCIN为代表，基于人工编码的规则库模拟专家决策。这类系统可解释性强，但知识获取困难、泛化能力弱，难以应对临床复杂场景。

第二阶段：统计学习与早期机器学习（1990s-2010s）。支持向量机、随机森林等算法开始应用于医学数据分析，但仍依赖人工特征工程，对高维非结构化数据（如影像）处理能力有限。

第三阶段：深度学习与大模型时代（2012年至今）。卷积神经网络的突破使计算机视觉在医学影像领域实现质的飞跃。近年来，Transformer架构与大语言模型的兴起，进一步推动了从“单任务模型”向“通用智能体”的演进。2025-2026年间，可溯源推理智能体（如DeepRare）、多模态统一架构（如HealthGPT）的出现，标志着医疗AI进入“可解释、可交互、多任务”的新阶段。

2.2 数据形态的演进：从单一模态到多模态融合

早期医疗AI多聚焦于单一数据源——或影像、或文本、或组学。然而，临床诊断本质上是多模态信息的整合过程：医生需同时阅片、问诊、查阅检验结果、评估既往病史。近年来，多模态AI研究呈指数级增长，影像+文本、影像+基因组学、病理+多组学等组合成为研究热点。研究证实，融合多模态信息的模型在诊断准确性和鲁棒性上显著优于单模态基线。

3 核心应用领域现状

3.1 医学影像辅助诊断：AI渗透最深、证据最密集的领域

医学影像是AI临床应用的“主战场”。以卷积神经网络为核心的深度学习算法，在肺结节检测、乳腺癌筛查、脑卒中评估等任务中已实现广泛部署。

肺结节智能筛查：我国肺结节患者约1.2亿人，传统人工阅片效率低、漏诊风险高。华中科技大学同济医院放射科自2016年起构建“基于影像AI的精准诊疗系统”，覆盖肺、冠状动脉、脑卒中、乳腺等十余类病症。其中肺AI分析模块使科室工作效率提升40%，肺结节智能三维手术规划系统实现微小病灶自动检出与精准重建。该系统已获评2025年湖北省人工智能典型应用案例。

乳腺癌影像诊断：2019年一项 landmark 研究证实，AI系统在乳腺X线摄影中对良恶性病变的鉴别能力与101名放射科医师的平均水平相当。近年来，多模态AI系统进一步提升了诊断性能——BMU-Net融合超声、钼靶及临床文本信息，在乳腺癌风险分层中准确率达90.1%，接近病理活检水平。

冠状动脉腔内影像：哈尔滨医科大学附属第二医院于波教授团队开发的AI钙化分析系统，基于OCT图像对钙化斑块进行三维重建与量化评分，敏感性与特异性均超90%，可预测支架膨胀不全风险。浙江大学蒋峻团队研发的OFR算法，单次OCT回拉即可高精度拟合FFR值（与有创FFR相关系数r>0.92，AUC达0.96），实现解剖-功能一体化评估。

系统综述证据：2025年发表的一篇系统综述纳入150项研究，结果显示诊断影像学是AI应用评分最高的领域（9.0/10），在肺癌结节分类任务中AUC最高达0.94，部分算法表现超越资深医师。

3.2 临床决策支持系统：从风险预测到智能体协同

临床决策支持系统旨在整合患者多维度数据，为医生提供诊断建议、治疗选择和风险预警。

急诊神经科决策支持：一项基于1368例急诊神经科患者的研究显示，Neuro AI集成大语言模型（Gemini 1.5-pro）与机器学习（XGBoost、逻辑回归），采用检索增强生成（RAG）和集成学习架构，预测入院准确率AUC达0.88，神经科专科入院AUC达0.86，长期死亡风险AUC达0.93。模型预测与三名资深神经科医师专家共识高度相关（Pearson r=0.79，P<0.001）。

处方优化与指南形式化：STOPP/START标准是老年人合理用药的国际准则，但将自然语言指南转化为可执行代码一直是技术难点。研究者利用DeepSeek和GPT-4o-mini，结合RAG技术，实现了医学实体自动抽取、代码映射（ICD-10、LOINC、ATC）及Python代码生成，药物、疾病、观察指标映射F1-score分别达0.90、0.92、1.0。

肿瘤心脏病风险预测：Mayo Clinic开发的PrevCardioOncAI系统基于3835例癌症幸存者的89项临床特征，预测心衰（AUROC 0.845）、房颤（0.783）及复合心血管事件（0.806），模型具备跨机构迁移能力。

3.3 病理智能诊断：从形态学到分子表型关联

数字病理与AI的结合正在改变病理科工作模式。AI系统可辅助肿瘤检测、分级、生物标志物预测，甚至从H&E切片中推断分子分型。

可溯源病理分析：上海交通大学与新华医院联合开发的DeepRare系统，虽聚焦罕见病诊断，但其“中枢-分身”可溯源架构同样适用于病理-临床表型关联分析。系统整合海量医学文献与临床病例，通过“假设-验证-自我反思”的类人类“慢思考”推演诊断线索，每一结论均附带完整证据链。纯表型诊断首位准确率达57.18%，较国际最佳模型提升23.79个百分点；引入基因测序数据后复杂病例综合首位诊断准确率突破70.6%。

3.4 内镜与介入诊疗：实时智能导航

AI在内镜诊疗中的应用正从“离线分析”走向“实时术中导航”。

胃肠内镜：AI辅助息肉检出系统可实时标注可疑病灶，多项研究证实其可提高腺瘤检出率，降低间期癌风险。

血管内介入：国产腔内影像设备在AI模块设计上更契合中国术者操作习惯，IVUS/OCT的AI功能已整合至设备基础软件包，不增加额外耗材费用或手术时长，术者培训周期通常不超过1-2台手术。

3.5 罕见病诊断：AI破解“确诊难”全球性难题

罕见病因病例稀少、症状多样，确诊周期长、漏诊率高，是医疗AI最具社会价值的应用场景。

上海交通大学与新华医院联合团队研发的DeepRare系统，是全球首个智能体式罕见病循证推理诊断系统。其核心创新在于：

• 架构创新：“中枢-分身”可溯源Agentic AI架构，打破数据孤岛，深度整合医学文献与临床病例
• 推理创新：摒弃传统AI“模式匹配快思考”，拥有人类医生的“慢思考”能力，通过“假设-验证-自我反思”迭代推演
• 可解释创新：全流程“白盒推理”，每一结论附带完整证据链，破解AI信任危机

系统上线半年即吸引超1000名全球专业用户注册，覆盖600余家医疗科研机构，已在新华医院部署并纳入全院罕见病诊疗质控流程。团队已启动“万人临床验证计划”，推动中国AI诊断方案惠及全球。

4 关键技术突破

4.1 多模态融合：从后期拼接走向原生对齐

多模态融合是当前医疗AI最活跃的技术方向。传统方法多为“后期融合”——各模态独立编码后拼接特征；新兴范式则追求“原生对齐”，在模型底层实现跨模态信息交互。

HealthGPT的统一架构：浙江大学联合多家机构研发的HealthGPT，率先打破医学影像“解读”与“生成”分离的技术壁垒。其创新点包括：①异构低秩适应（H-LoRA）技术，为解读与生成任务分设独立知识模块，确保两类任务互不干扰；②分层视觉感知与特征解耦，将整体语义与细节特征分层建模，解读阶段捕捉病理特征，生成阶段还原高保真图像细节。在国际权威OmniMedVQA基准上，HealthGPT以38亿参数小模型即达68.5%准确率，大模型突破74.4%，远超同类系统。

BMU-Net的随机掩码训练：该模型可灵活处理不同模态输入（超声、钼靶、临床文本），采用随机掩码训练策略应对临床数据缺失问题，在多中心前瞻验证中准确率达90.1%。

4.2 可解释性：从“黑箱”到“透明诊室”

可解释性不足是制约医疗AI临床采纳的核心障碍。近期研究从两个方向突破：

证据溯源：DeepRare的“中枢-分身”架构使每一诊断结论附带完整证据链，医生可追溯推理过程，系统推理报告获新华医院专家95.4%高度认可。

RAG增强检索：在Neuro AI和STOPP/START形式化研究中，RAG技术通过实时检索相似历史案例或权威指南，将生成内容锚定于可验证证据，显著降低幻觉风险。

4.3 轻量化部署：从云端到边缘

大模型的高算力需求与临床环境的资源约束存在矛盾。近期研究通过知识蒸馏、模型量化、参数高效微调等技术，推动模型轻量化：

• VIBE蒸馏框架将6.81亿参数教师模型压缩至1900万学生模型，在保持97%性能的同时将特征提取时间缩短2.5倍
• HealthGPT以38亿参数实现超越百亿级模型的性能，为边缘部署创造条件

5 临床部署与实践案例

5.1 同济医院：影像AI全流程整合

同济医院放射科以“基于影像AI的精准诊疗系统”为核心，构建了覆盖智能预约、智能阅片、智能报告分派、数字孪生指挥中心的完整闭环：

• 智能预约系统：自助预约率80.8%，设备资源使用率提升10.26%，平均等待时间缩短40%
• 智能报告分派：AI算法优化200余名医师的任务匹配，报告平均出具时间缩短13.9%
• 数字孪生指挥中心：实时监控核心指标，CT平扫实现随时预约、24小时内应检

5.2 新华医院：DeepRare从科研到质控

DeepRare系统已在新华医院完成院内部署，即将作为“数字质控员”纳入全院罕见病诊疗质控流程。系统与头部基因检测机构深度合作，通过API接入实现临床解读报告自动化生成，降低基因检测解读成本。

5.3 欧洲大学医院：LLM全院级部署

欧洲某大学医院在Epic EHR系统中集成了基于Qwen3-235B的LLM助手，采用本地化部署确保GDPR合规。全院推广至1028名用户，5个月内产生14910次对话，最常见任务为信息摘要、检索与文书起草（合计超70%）。

6 挑战与制约

6.1 可解释性与信任

尽管可溯源架构取得突破，但多数商用AI系统仍属“黑箱”。医生在高压环境中需要理解AI结论的推导逻辑，才能建立信任。

6.2 数据异质性与泛化能力

不同机构的设备型号、扫描协议、患者人群存在差异，模型性能可能大幅下降。MultiXpert研究显示，传统单中心监督学习模型在多中心数据上性能下降13.9%-22.6%。

6.3 算法偏见与公平性

AI模型可能在性别、种族、社会经济地位等维度上表现不一致。系统综述显示，仅4项研究评估了性能偏差问题。数字鸿沟可能加剧医疗不平等——低收入群体或因设备接入限制而无法受益。

6.4 监管与法律滞后

FDA已起草AI医疗设备监管指南，提出全生命周期产品管理要求，但各国监管框架仍不统一。医疗责任界定（AI建议错误由谁担责）、数据隐私保护等问题亟待法律明确。

6.5 临床验证不足

多数AI研究为回顾性设计，前瞻性、多中心随机对照试验稀缺。2025年系统综述显示，仅少数研究报告了真实世界临床结局。

7 未来趋势展望

7.1 多模态深度融合：从“看懂”到“理解”

未来AI系统将不再满足于单一模态分析，而是实现影像、文本、基因组学、生理信号的全方位融合。HealthGPT已展示统一架构的可能性，下一步将向“视觉-语言-知识”三元对齐演进。

7.2 智能体化：从工具到协作者

DeepRare、RiskAgent等多智能体系统的出现，标志着AI从“被动响应工具”向“主动协作者”转变。未来系统可自主分解复杂任务、调用外部工具、反思验证结果，成为医生的“数字决策伙伴”。

7.3 生成式AI：从诊断到干预

生成式AI不仅可辅助诊断，还可生成合成影像用于教学、数据增强，甚至生成个性化治疗建议。HealthGPT已实现CT与MRI的跨模态生成，未来有望在资源匮乏场景中“补全”缺失模态。

7.4 联邦学习与隐私计算

在不集中传输数据的前提下进行多中心联合训练，是破解数据孤岛与隐私保护矛盾的关键路径。联邦学习已在肿瘤AI分诊、罕见病建模等场景中验证可行性。

7.5 人机协同新范式

AI不会替代医生，但会用AI的医生将替代不用AI的医生。未来诊断模式将是“人类医生主导，AI增强支持”——AI负责信息整合、模式识别、风险预警，医生负责综合判断、共情沟通、最终决策。

8 结论

人工智能技术正以前所未有的深度和广度融入医疗辅助诊断领域。从医学影像到临床决策，从病理分析到罕见病诊疗，AI已从实验室走向临床一线，在提升效率、改善质量、促进公平方面展现出巨大潜力。以DeepRare、HealthGPT、Neuro AI为代表的突破性成果，标志着医疗AI正从“单任务黑箱”迈向“可解释智能体”的新阶段。

然而，技术成熟度与临床可接受度之间仍存差距。可解释性、数据异质性、算法偏见、监管滞后等挑战，提醒我们需以审慎而积极的态度推进技术创新与临床转化。未来，人机协同的智能增强诊断模式将成为主流，AI将在解放医生生产力的同时，赋能其更高阶的临床决策能力，最终实现“让优质医疗服务惠及每一个人”的终极愿景。