# 健康人類的人工智慧
人工智慧如何改變醫學
儘管有炒作、投機和令人擔憂的預測，但很少有專家懷疑：人工智慧確實將改變世界。然而，誰將從變革中受益，以及需要付出什麼代價，仍是開放性問題。
歷史表明，技術突破在帶來機會的同時，幾乎總是伴隨著危機，迫使社會重新尋找平衡。但有一個領域，幾十年來技術進步的好處幾乎毫無爭議。這就是醫學。
ForkLog 探究了如今人工智慧的應用如何加速新藥開發、優化實驗室流程、提高診斷準確性並改變疾病治療方法。
大多數藥物通過與受體蛋白（調節細胞功能並參與身體幾乎所有過程的分子結構）相互作用來發揮作用。
人工智慧系統能夠分析受體蛋白的結構，並預測哪些化合物能夠最有效地與其相互作用且副作用最小。得益於此，過去需要多年實驗室研究的任務，如今越來越常能在數月內解決。
根據世界衛生組織（WHO）專家的估計，在未來幾年內，大多數新藥物的開發將以某種方式使用人工智慧。
2024年，諾貝爾化學獎授予大衛·貝克、德米斯·哈薩比斯和約翰·詹珀。後兩人在 Google DeepMind 工作，因開發基於機器學習的蛋白質結構預測方法（包括 AlphaFold）而獲獎。
2018年，AlphaFold 在分子預測競賽 Critical Assessment of Structure Prediction (CASP) 中獲得第一名，在最困難的類別中展現了有效性。兩年後，在下一屆 CASP 中，新版本 AlphaFold 2 獲勝。
2021年，Google DeepMind 公開了 AlphaFold2 的代碼和預測蛋白質結構數據庫。大約在同一時間，哈薩比斯創立了 Isomorphic Labs，這是 Alphabet 的子公司，致力於開發用於藥物研發的人工智慧。
2024年，Isomorphic Labs 與 Eli Lilly 和 Novartis 建立了合作夥伴關係。這些交易分別為該公司的人工智慧研究提供高達 17 億美元和 12 億美元的資金。2026年，Isomorphic Labs 也宣布與 Johnson & Johnson 合作。
2026年2月，Isomorphic Labs 推出了基於 AlphaFold 技術的通用藥物開發環境 Drug Design Engine (IsoDDE)。
目前，Isomorphic Labs 正在研究腫瘤學和免疫學領域的解決方案。儘管藉助人工智慧加速了開發，但這些項目仍處於臨床前研究階段。該公司計劃在未來幾年內開始首次人體試驗。
成立於 2012 年的 Exscientia 是最早系統性地將機器學習應用於藥物開發的公司之一。
2020年，用於治療強迫症的藥物 DSP-1181 成為首個進入臨床研究階段的、由人工智慧創造的產品。該藥物是與日本製藥公司 Sumitomo Dainippon Pharma 合作開發的，該公司負責合成和實驗室測試，並依賴 Exscientia 的理論結果。
到 2023 年，該公司已準備好 8 個候選分子，其開發速度「顯著快於」業界平均水平。
2024年，Recursion Pharmaceuticals 以 6.88 億美元的交易收購了 Exscientia。部分研究項目被關閉。
當時，有幾種藥物已進入第二階段臨床試驗——在 100-300 名患者群體中測試療效和副作用。
與 Recursion Pharmaceuticals 的合併使得 Exscientia 的人工智慧系統能夠與自動化實驗室測試平台結合使用。此外，Recursion 還基於 NVIDIA H100 建造了自己的 AI 超級計算機 BioHive-2，用於訓練專業模型。
該公司還參與了開放生成模型 Boltz-2 的開發，該模型用於預測蛋白質的三維結構。
到 2025 年，Recursion Pharmaceuticals 將重點放在四個腫瘤學項目和兩個與罕見疾病相關的項目上。幾種藥物已處於第一階段和第二階段試驗之間的過渡階段：
用於治療慢性淋巴細胞白血病的藥物 REC-3565 正在進行第一階段臨床試驗。
成立於 2014 年的 Insilico Medicine 是 AI 藥物開發領域的另一個重要參與者。
2017年，Insilico Medicine 被 Nvidia 評為社會影響力前五名的項目。
該公司在開發週期的所有階段都使用人工智慧：
Insilico Medicine 早期的一項 AI 成果是治療纖維化的藥物 Rentosertib (ISM001-055)。從 AI 系統發現靶點到獲得候選分子，開發耗時 18 個月。截至 2025 年，Rentosertib 正在進行第二階段臨床試驗。
此外，2024年，由 AI 開發的用於 COVID-19 和其他病毒感染的免疫調節藥物 ISM3312 通過了第一階段試驗。用於癌症治療的 ISM3091 已獲准在患者中進行測試。
據專家估計，大約 90% 的醫療信息以 X 光片和斷層掃描圖像等形式呈現。這些數據在診斷中至關重要，但其分析是一項耗時且艱鉅的任務。
機器學習方法，尤其是卷積神經網絡，非常適合識別複雜的視覺模式。與人類視覺類似，此類系統能夠區分圖像中的對比邊緣、形狀和紋理。這使得能夠高置信度地檢測腫瘤、出血和其他異常。
用於訓練 AI 模型的數據是已知的高質量數據——帶有專家註釋的已記錄圖像集。
2024年，哈佛醫學院的研究人員推出了 AI 模型 Chief，能夠檢測多種癌症。據開發者稱，該解決方案在數字圖像上正確檢測疾病徵兆的準確率達到 94%。
2025年，美國食品藥品監督管理局 (FDA) 將阿里巴巴研究部門 Damo Academy 的模型 Damo Panda 認定為「突破性設備」。
據開發者稱，該系統能夠在症狀出現前通過斷層掃描識別胰腺癌的徵兆，這對這種疾病尤為重要。
2026年，AI 診斷領域的一項重大突破是美國非營利組織 Mayo Clinic 開發的 REDMOD 系統。
該模型也用於檢測胰腺癌，在疾病早期診斷方面超越了專業醫生。根據研究人員的說法，該系統平均在診斷前 475 天就能在斷層掃描中發現病理變化。
Google 是醫療診斷和研究領域 AI 的主要提供者之一。
該公司基於 Gemma 3 推出了 MedGemma 系列開放模型，用於分析醫療文本、圖像和音頻。
通過 Health AI Developer Foundations，開發人員可以獲得開放的權重集和 AI 工具。
Google 與多家診所和研究機構合作，專注於基礎技術的發展。
2019年，該公司推出了用於檢測和預測肺癌的模型。該模型的表現與六名認證放射科醫生組成的團隊相當或更好。
2020年，在與 Northwestern Medicine 的合作中，研究人員展示了一個用於分析乳房 X 光圖像的系統，能夠在專業水平上檢測癌症。
2024年，Google Cloud 與德國製藥公司 Bayer 宣布推出 X 光片篩查平台。該系統分析影像歷史和病歷數據，形成關於可能病理的假設。
科技巨頭 NVIDIA 和美國醫療技術公司 GE HealthCare（生產 X 光設備）正在開發自己的 AI 系統，用於自主獲取影像。
與分析現成影像的模型不同，該解決方案應減輕專業人員的常規負擔，並使診斷更加標準化。
第一階段，該系統將處理 X 光片和超聲影像。
此外，GE HealthCare 計劃使用 NVIDIA Isaac for Healthcare——一個用於開發自主醫療系統（包括外科機器人）的平台。
成立於 2016 年的 PathAI 開發了「數字病理學平台」AISight Dx，用於臨床環境中的初步診斷。
該系統提供了一個處理醫療影像的環境，能夠連接第三方算法進行數據分析。
它支持一系列獲得 CE-IVD 認證的 AI 解決方案，特別是腫瘤學診斷的「插件」：
該平台具有自動圖像分析、輔助診斷和報告撰寫的功能，但這些功能目前僅「僅供研究用途」，不得在臨床環境中使用。
AISight Dx 還提供了內置的輔助 AI 工具：
2022年，該解決方案獲得了美國 FDA 的 510(k) 批准和歐洲 CE 標誌，表明產品對消費者和環境的安全性。
2025年，PathAI 宣布與美國佛羅里達州的莫菲特癌症中心合作，將 AISight Dx 整合到診斷流程中。2026年，該公司與蘇黎世大學醫院達成了類似協議。
2026年5月，瑞士製藥公司 Roche 宣布以超過 7.5 億美元的交易收購 PathAI。
與其他行業一樣，AI 在醫學中的應用加劇了系統性問題並產生了新的問題。
基於 LLM 的 AI 助手無法避免幻覺。
在 Google 關於 Med-Gemini 模型的研究工作中發現了一個錯誤：該模型「虛構」了一個名為「基底核」的不存在的大腦區域。
這個幻覺是基於兩個真實的解剖學名稱：基底神經節和基底動脈。開發人員將其歸因於打字錯誤，但幾位專家稱此事件為在醫學中引入 AI 助手的風險的令人擔憂的例子。
斯坦福大學的研究人員發現，AI 模型能夠在沒有實際訪問影像的情況下，令人信服地根據醫療影像診斷疾病。
其中一個被分析的系統在放射學測試中「盲目地」表現出高水準。GPT-5、Gemini 3 Pro 和 Claude Opus 4.5 模型「自信地描述了」不存在的圖像上的「視覺細節」。
根據同年 6 月發表的一項研究，在醫療背景下，GPT-4 對患者問題的回答中有 7.1% 是不準確的，可能導致重大傷害。在 156 個案例中，有一個錯誤會危及生命。
根據 2025 年的數據，用於根據患者對話結果自動撰寫文件的工具在 70% 的臨床記錄中引入了錯誤。模型在對話轉錄中添加了虛假事實、遺漏要點並混淆概念。
除了 LLM 虛構器官外，它們的邏輯不透明性也使得人類難以分析其結論是如何得出的。
數據集中缺乏代表性可能導致在訓練模型時形成偏見和對虛假相關性的依賴。
此外，AI 助手常見的用戶認知依賴和數據隱私問題在醫療保健環境中只會更加嚴重。
WHO 專家將人工智慧在醫學中的應用歸類為高風險領域。
根據歐洲 AI Act 法案，自 2026 年 8 月起，此類 AI 系統必須符合與風險管理、報告和人類監督相關的一系列特殊要求。
儘管存在困難和潛在的實施風險，WHO 對人工智慧在醫學中的前景持積極態度，前提是有適當的法規和政府監管。
美國 FDA 也對醫療 AI 的前景表示樂觀，儘管他們承認現有法規已過時。在美國，此類系統形式上被歸類為 Software as a Medical Device 類別的軟體。
2025年，FDA 發布了一套與 AI 產品生命週期、風險管理和營銷相關的建議。
23.63萬 熱度
55.5萬 熱度
2198.12萬 熱度
221.05萬 熱度
101.81萬 熱度
健康人的AI - ForkLog
人工智慧如何改變醫學
儘管有炒作、投機和令人擔憂的預測，但很少有專家懷疑：人工智慧確實將改變世界。然而，誰將從變革中受益，以及需要付出什麼代價，仍是開放性問題。
歷史表明，技術突破在帶來機會的同時，幾乎總是伴隨著危機，迫使社會重新尋找平衡。但有一個領域，幾十年來技術進步的好處幾乎毫無爭議。這就是醫學。
ForkLog 探究了如今人工智慧的應用如何加速新藥開發、優化實驗室流程、提高診斷準確性並改變疾病治療方法。
藥物開發
大多數藥物通過與受體蛋白（調節細胞功能並參與身體幾乎所有過程的分子結構）相互作用來發揮作用。
人工智慧系統能夠分析受體蛋白的結構，並預測哪些化合物能夠最有效地與其相互作用且副作用最小。得益於此，過去需要多年實驗室研究的任務，如今越來越常能在數月內解決。
根據世界衛生組織（WHO）專家的估計，在未來幾年內，大多數新藥物的開發將以某種方式使用人工智慧。
AlphaFold 與 Isomorphic Labs
2024年，諾貝爾化學獎授予大衛·貝克、德米斯·哈薩比斯和約翰·詹珀。後兩人在 Google DeepMind 工作，因開發基於機器學習的蛋白質結構預測方法（包括 AlphaFold）而獲獎。
2018年，AlphaFold 在分子預測競賽 Critical Assessment of Structure Prediction (CASP) 中獲得第一名，在最困難的類別中展現了有效性。兩年後，在下一屆 CASP 中，新版本 AlphaFold 2 獲勝。
2021年，Google DeepMind 公開了 AlphaFold2 的代碼和預測蛋白質結構數據庫。大約在同一時間，哈薩比斯創立了 Isomorphic Labs，這是 Alphabet 的子公司，致力於開發用於藥物研發的人工智慧。
2024年，Isomorphic Labs 與 Eli Lilly 和 Novartis 建立了合作夥伴關係。這些交易分別為該公司的人工智慧研究提供高達 17 億美元和 12 億美元的資金。2026年，Isomorphic Labs 也宣布與 Johnson & Johnson 合作。
2026年2月，Isomorphic Labs 推出了基於 AlphaFold 技術的通用藥物開發環境 Drug Design Engine (IsoDDE)。
目前，Isomorphic Labs 正在研究腫瘤學和免疫學領域的解決方案。儘管藉助人工智慧加速了開發，但這些項目仍處於臨床前研究階段。該公司計劃在未來幾年內開始首次人體試驗。
Exscientia 與 Recursion Pharmaceuticals
成立於 2012 年的 Exscientia 是最早系統性地將機器學習應用於藥物開發的公司之一。
2020年，用於治療強迫症的藥物 DSP-1181 成為首個進入臨床研究階段的、由人工智慧創造的產品。該藥物是與日本製藥公司 Sumitomo Dainippon Pharma 合作開發的，該公司負責合成和實驗室測試，並依賴 Exscientia 的理論結果。
到 2023 年，該公司已準備好 8 個候選分子，其開發速度「顯著快於」業界平均水平。
2024年，Recursion Pharmaceuticals 以 6.88 億美元的交易收購了 Exscientia。部分研究項目被關閉。
當時，有幾種藥物已進入第二階段臨床試驗——在 100-300 名患者群體中測試療效和副作用。
與 Recursion Pharmaceuticals 的合併使得 Exscientia 的人工智慧系統能夠與自動化實驗室測試平台結合使用。此外，Recursion 還基於 NVIDIA H100 建造了自己的 AI 超級計算機 BioHive-2，用於訓練專業模型。
該公司還參與了開放生成模型 Boltz-2 的開發，該模型用於預測蛋白質的三維結構。
到 2025 年，Recursion Pharmaceuticals 將重點放在四個腫瘤學項目和兩個與罕見疾病相關的項目上。幾種藥物已處於第一階段和第二階段試驗之間的過渡階段：
用於治療慢性淋巴細胞白血病的藥物 REC-3565 正在進行第一階段臨床試驗。
Insilico Medicine
成立於 2014 年的 Insilico Medicine 是 AI 藥物開發領域的另一個重要參與者。
2017年，Insilico Medicine 被 Nvidia 評為社會影響力前五名的項目。
該公司在開發週期的所有階段都使用人工智慧：
Insilico Medicine 早期的一項 AI 成果是治療纖維化的藥物 Rentosertib (ISM001-055)。從 AI 系統發現靶點到獲得候選分子，開發耗時 18 個月。截至 2025 年，Rentosertib 正在進行第二階段臨床試驗。
此外，2024年，由 AI 開發的用於 COVID-19 和其他病毒感染的免疫調節藥物 ISM3312 通過了第一階段試驗。用於癌症治療的 ISM3091 已獲准在患者中進行測試。
診斷與研究
據專家估計，大約 90% 的醫療信息以 X 光片和斷層掃描圖像等形式呈現。這些數據在診斷中至關重要，但其分析是一項耗時且艱鉅的任務。
機器學習方法，尤其是卷積神經網絡，非常適合識別複雜的視覺模式。與人類視覺類似，此類系統能夠區分圖像中的對比邊緣、形狀和紋理。這使得能夠高置信度地檢測腫瘤、出血和其他異常。
用於訓練 AI 模型的數據是已知的高質量數據——帶有專家註釋的已記錄圖像集。
2024年，哈佛醫學院的研究人員推出了 AI 模型 Chief，能夠檢測多種癌症。據開發者稱，該解決方案在數字圖像上正確檢測疾病徵兆的準確率達到 94%。
2025年，美國食品藥品監督管理局 (FDA) 將阿里巴巴研究部門 Damo Academy 的模型 Damo Panda 認定為「突破性設備」。
據開發者稱，該系統能夠在症狀出現前通過斷層掃描識別胰腺癌的徵兆，這對這種疾病尤為重要。
2026年，AI 診斷領域的一項重大突破是美國非營利組織 Mayo Clinic 開發的 REDMOD 系統。
該模型也用於檢測胰腺癌，在疾病早期診斷方面超越了專業醫生。根據研究人員的說法，該系統平均在診斷前 475 天就能在斷層掃描中發現病理變化。
Google 的倡議
Google 是醫療診斷和研究領域 AI 的主要提供者之一。
該公司基於 Gemma 3 推出了 MedGemma 系列開放模型，用於分析醫療文本、圖像和音頻。
通過 Health AI Developer Foundations，開發人員可以獲得開放的權重集和 AI 工具。
Google 與多家診所和研究機構合作，專注於基礎技術的發展。
2019年，該公司推出了用於檢測和預測肺癌的模型。該模型的表現與六名認證放射科醫生組成的團隊相當或更好。
2020年，在與 Northwestern Medicine 的合作中，研究人員展示了一個用於分析乳房 X 光圖像的系統，能夠在專業水平上檢測癌症。
2024年，Google Cloud 與德國製藥公司 Bayer 宣布推出 X 光片篩查平台。該系統分析影像歷史和病歷數據，形成關於可能病理的假設。
NVIDIA 和 GE HealthCare 的放射機器人
科技巨頭 NVIDIA 和美國醫療技術公司 GE HealthCare（生產 X 光設備）正在開發自己的 AI 系統，用於自主獲取影像。
與分析現成影像的模型不同，該解決方案應減輕專業人員的常規負擔，並使診斷更加標準化。
第一階段，該系統將處理 X 光片和超聲影像。
此外，GE HealthCare 計劃使用 NVIDIA Isaac for Healthcare——一個用於開發自主醫療系統（包括外科機器人）的平台。
PathAI 診斷平台
成立於 2016 年的 PathAI 開發了「數字病理學平台」AISight Dx，用於臨床環境中的初步診斷。
該系統提供了一個處理醫療影像的環境，能夠連接第三方算法進行數據分析。
它支持一系列獲得 CE-IVD 認證的 AI 解決方案，特別是腫瘤學診斷的「插件」：
該平台具有自動圖像分析、輔助診斷和報告撰寫的功能，但這些功能目前僅「僅供研究用途」，不得在臨床環境中使用。
AISight Dx 還提供了內置的輔助 AI 工具：
2022年，該解決方案獲得了美國 FDA 的 510(k) 批准和歐洲 CE 標誌，表明產品對消費者和環境的安全性。
2025年，PathAI 宣布與美國佛羅里達州的莫菲特癌症中心合作，將 AISight Dx 整合到診斷流程中。2026年，該公司與蘇黎世大學醫院達成了類似協議。
2026年5月，瑞士製藥公司 Roche 宣布以超過 7.5 億美元的交易收購 PathAI。
問題與限制
與其他行業一樣，AI 在醫學中的應用加劇了系統性問題並產生了新的問題。
基於 LLM 的 AI 助手無法避免幻覺。
在 Google 關於 Med-Gemini 模型的研究工作中發現了一個錯誤：該模型「虛構」了一個名為「基底核」的不存在的大腦區域。
這個幻覺是基於兩個真實的解剖學名稱：基底神經節和基底動脈。開發人員將其歸因於打字錯誤，但幾位專家稱此事件為在醫學中引入 AI 助手的風險的令人擔憂的例子。
斯坦福大學的研究人員發現，AI 模型能夠在沒有實際訪問影像的情況下，令人信服地根據醫療影像診斷疾病。
其中一個被分析的系統在放射學測試中「盲目地」表現出高水準。GPT-5、Gemini 3 Pro 和 Claude Opus 4.5 模型「自信地描述了」不存在的圖像上的「視覺細節」。
根據同年 6 月發表的一項研究，在醫療背景下，GPT-4 對患者問題的回答中有 7.1% 是不準確的，可能導致重大傷害。在 156 個案例中，有一個錯誤會危及生命。
根據 2025 年的數據，用於根據患者對話結果自動撰寫文件的工具在 70% 的臨床記錄中引入了錯誤。模型在對話轉錄中添加了虛假事實、遺漏要點並混淆概念。
除了 LLM 虛構器官外，它們的邏輯不透明性也使得人類難以分析其結論是如何得出的。
數據集中缺乏代表性可能導致在訓練模型時形成偏見和對虛假相關性的依賴。
此外，AI 助手常見的用戶認知依賴和數據隱私問題在醫療保健環境中只會更加嚴重。
WHO 專家將人工智慧在醫學中的應用歸類為高風險領域。
根據歐洲 AI Act 法案，自 2026 年 8 月起，此類 AI 系統必須符合與風險管理、報告和人類監督相關的一系列特殊要求。
儘管存在困難和潛在的實施風險，WHO 對人工智慧在醫學中的前景持積極態度，前提是有適當的法規和政府監管。
美國 FDA 也對醫療 AI 的前景表示樂觀，儘管他們承認現有法規已過時。在美國，此類系統形式上被歸類為 Software as a Medical Device 類別的軟體。
2025年，FDA 發布了一套與 AI 產品生命週期、風險管理和營銷相關的建議。