# 健康人的AI
人工智能如何改变医学
尽管有炒作、投机和令人恐惧的预测，但很少有专家怀疑：人工智能确实将改变世界。至于谁将从变化中受益，以及需要付出什么代价——这些仍然是悬而未决的问题。
历史表明，技术突破在带来机遇的同时，几乎总是伴随着危机，迫使社会重新寻找平衡。但有一个领域，几十年来技术进步的益处几乎无可争议。这就是医学。
ForkLog 探讨了如今人工智能的应用如何加速新药研发、优化实验室流程、提高诊断准确性并改变疾病治疗方法。
大多数药物通过与受体蛋白（调节细胞功能并参与机体几乎所有过程的分子结构）相互作用而起作用。
人工智能系统能够分析受体蛋白的结构，并预测哪些化合物能以最有效且副作用最小的方式与它们相互作用。因此，过去需要多年实验室研究的任务，如今越来越多地能在几个月内完成。
据世界卫生组织（WHO）专家估计，未来几年内，大多数新药将以某种方式利用人工智能进行研发。
2024年，大卫·贝克、德米斯·哈萨比斯和约翰·江珀获得诺贝尔化学奖。后两人在 Google DeepMind 工作，因开发基于机器学习的蛋白质结构预测方法（包括 AlphaFold）而获奖。
2018年，AlphaFold 在分子预测竞赛“蛋白质结构预测关键评估”（CASP）中排名第一，在最复杂的类别中展示了有效性。两年后，在下一届 CASP 中，新版本 AlphaFold 2 获胜。
2021年，Google DeepMind 公开了 AlphaFold2 的代码和预测蛋白质结构数据库。大约在同一时间，哈萨比斯创立了 Isomorphic Labs——Alphabet 的子公司，致力于开发用于药物研发的人工智能。
2024年，Isomorphic Labs 与 Eli Lilly 和 Novartis 建立合作伙伴关系。这些交易分别为该公司的人工智能研究提供高达17亿美元和12亿美元的资金。2026年，Isomorphic Labs 还宣布与 Johnson & Johnson 合作。
2026年2月，Isomorphic Labs 推出了基于 AlphaFold 技术的通用药物设计环境 Drug Design Engine（IsoDDE）。
目前，Isomorphic Labs 正在研究肿瘤学和免疫学领域的解决方案。尽管借助人工智能加快了研发速度，但这些项目仍处于临床前研究阶段。该公司计划在未来几年内开始首次人体试验。
Exscientia 成立于2012年，是首批系统地将机器学习应用于药物研发的公司之一。
2020年，用于治疗强迫症的药物 DSP-1181 成为第一个进入临床研究阶段的 AI 研发产品。该药物是与日本制药公司 Sumitomo Dainippon Pharma 合作开发的，后者负责合成和实验室测试，依据 Exscientia 的理论结果。
到2023年，该公司已准备好8个候选分子，其开发速度“显著快于”行业平均水平。
2024年，Recursion Pharmaceuticals 以6.88亿美元的交易收购了 Exscientia。部分研究项目被关闭。
当时，几种药物已进入临床试验的第二阶段——在100-300名患者组中测试有效性和副作用。
与 Recursion Pharmaceuticals 的合并使得 Exscientia 的 AI 系统能够与自动化实验室测试平台结合使用。此外，Recursion 还利用 NVIDIA H100 构建了自己的 AI 超级计算机 BioHive-2，用于训练专业模型。
该公司还参与了开源生成模型 Boltz-2 的开发，该模型用于预测蛋白质的三维结构。
到2025年，Recursion Pharmaceuticals 将精力集中在四个肿瘤学项目和两个罕见病项目上。几种药物已处于第一阶段和第二阶段试验之间的过渡阶段：
用于治疗慢性淋巴细胞白血病的药物 REC-3565 正在进行第一阶段临床试验。
Insilico Medicine 成立于2014年，是 AI 药物研发领域的另一重要参与者。
2017年，Insilico Medicine 被 Nvidia 评为社会影响力前五的项目。
该公司在研发周期的所有阶段使用人工智能：
Insilico Medicine 早期的人工智能成就之一是用于治疗纤维化的药物 Rentosertib（ISM001-055）。从 AI 系统发现靶点到获得候选分子，研发耗时18个月。截至2025年，Rentosertib 正在进行第二阶段临床试验。
此外，2024年，由 AI 开发的用于 COVID-19 和其他病毒感染的免疫调节药物 ISM3312 通过了第一阶段试验。用于癌症治疗的 ISM3091 已获准在患者中进行测试。
据专家估计，约90%的医学信息以图像形式呈现，如 X 光片和断层扫描图。这些数据在诊断中至关重要，但其分析是一项耗时且复杂的任务。
机器学习方法，尤其是卷积神经网络，非常适合于识别复杂的视觉模式。与人类视觉类似，此类系统能够区分图像上的对比边缘、形状和纹理。这使它们能够以高置信度识别肿瘤、出血和其他异常。
用于训练 AI 模型的数据集质量有保障——包括大量带专家注释的记录图像。
2024年，哈佛医学院的研究人员推出了 AI 模型 Chief，能够识别多种癌症。据开发者称，该解决方案在数字图像中正确检测疾病迹象的成功率为94%。
2025年，美国食品药品监督管理局（FDA）授予阿里巴巴研究部门达摩院的模型 Damo Panda “突破性设备”称号。
据开发者称，该系统能够在症状出现前通过断层扫描识别胰腺癌迹象，这对这种疾病尤为重要。
2026年，AI 诊断领域的重大突破是由美国非营利组织梅奥诊所开发的 REDMOD 系统。
该模型也用于识别胰腺癌，在早期诊断中超越了专业医生。据研究人员称，该系统平均在诊断前475天发现断层扫描上的病理变化。
Google 是医学诊断和研究领域 AI 的主要供应商之一。
该公司提供基于 Gemma 3 的开放模型系列 MedGemma，用于分析医学文本、图像和音频。
通过 Health AI Developer Foundations，开发人员可以访问开放的权重集和 AI 工具。
Google 与多家诊所和研究机构合作，专注于基础技术的发展。
2019年，该公司推出了用于识别和预测肺癌的模型。该模型的表现与六名认证放射科医生相当或更优。
2020年，在与西北医学中心的合作中，研究人员展示了一种用于分析乳腺 X 光片的系统，能够达到专业医生的水平。
2024年，Google Cloud 与德国制药公司拜耳宣布启动 X 光片筛查平台。该系统分析图像历史记录和病史数据，形成可能的病理学假设。
科技巨头 NVIDIA 和美国医疗技术公司 GE HealthCare（生产透视设备）正在开发自己的 AI 系统，用于自主获取图像。
与分析现成图像的模型不同，该解决方案应减少专家的常规工作负担，并使诊断更加标准化。
第一阶段，该系统将处理 X 光片和超声图像。
此外，GE HealthCare 计划使用 NVIDIA Isaac for Healthcare——一个用于开发自主医疗系统（包括手术机器人）的平台。
PathAI 成立于2016年，开发了“数字病理学平台”AISight Dx，用于临床环境中的初步诊断。
该系统提供了一个处理医学图像的环境，并能够连接第三方算法进行数据分析。
支持一套基于 AI 的 CE-IVD 认证解决方案，特别是用于肿瘤诊断的“插件”：
该平台具有自动图像分析、辅助诊断和撰写报告的功能，但目前这些功能“仅供研究目的”，不允许在临床环境中使用。
AISight Dx 还提供内置的辅助 AI 工具：
2022年，该解决方案获得了美国 FDA 的 510(k) 许可和欧洲 CE 标志，表明产品对消费者和环境的安全性。
2025年，PathAI 宣布与美国佛罗里达州的莫菲特癌症中心合作，将 AISight Dx 引入诊断流程。2026年，该公司与苏黎世大学医院达成了类似协议。
2026年5月，瑞士制药公司罗氏宣布以超过7.5亿美元的交易收购 PathAI。
与其他行业一样，AI 在医学中的应用加剧了系统性问题并产生了新问题。
AI 助手，尤其是基于 LLM 的，无法避免幻觉。
在 Google 关于 Med-Gemini 模型的研究论文中发现了一个错误：该模型“编造”了一个不存在的脑区，称为“基底核”（basilar nuclei）。
这个幻觉来源于两个真实解剖名称：基底核（basal ganglia）和基底动脉（basilar artery）。开发人员将其归因于打字错误，但几位专家称这一事件是 AI 助手在医学中应用风险的一个令人担忧的例子。
斯坦福大学的研究人员发现，AI 模型能够令人信服地根据医学图像诊断疾病，而无需访问实际图像。
其中一个分析过的系统在“盲目”情况下在放射学测试中表现出色。GPT-5、Gemini 3 Pro 和 Claude Opus 4.5 模型“自信地描述了不存在的图像上的视觉细节”。
根据同年6月发表的一项研究，在医疗背景下，GPT-4 对患者问题的回答中有7.1%是不正确的，可能导致重大伤害。在156个案例中，有一个错误危及生命。
根据2025年的数据，用于根据与患者对话结果自动生成文档的工具在70%的临床记录中引入了错误。模型在对话转录中添加了虚假事实，遗漏了要点并混淆了概念。
除了 LLM 编造器官外，它们的逻辑不透明性使得人类难以分析得出某些结论的方式。
数据集缺乏代表性可能会在训练出的模型中形成偏见并依赖于虚假的相关性。
此外，AI 助手典型的问题，如用户认知依赖和隐私，在医疗背景下只会加剧。
WHO 专家将人工智能在医学中的应用归类为高风险领域。
根据欧盟 AI 法案，自2026年8月起，此类 AI 系统必须遵守一系列特殊要求，涉及风险管理、报告和人工监督。
尽管存在挑战和潜在风险，WHO 对人工智能在医学中的前景持积极态度，前提是有适当的规则和政府监管。
美国 FDA 也对医疗 AI 的前景表示乐观，尽管承认现有法规已过时。在美国，此类系统被正式归类为“作为医疗设备的软件”（Software as a Medical Device）。
2025年，FDA 发布了一套指南，涉及 AI 产品的生命周期、风险管理和营销。
51.17万 热度
138万 热度
58.63万 热度
383.93万 热度
5549.32万 热度
健康人的AI - ForkLog
人工智能如何改变医学
尽管有炒作、投机和令人恐惧的预测，但很少有专家怀疑：人工智能确实将改变世界。至于谁将从变化中受益，以及需要付出什么代价——这些仍然是悬而未决的问题。
历史表明，技术突破在带来机遇的同时，几乎总是伴随着危机，迫使社会重新寻找平衡。但有一个领域，几十年来技术进步的益处几乎无可争议。这就是医学。
ForkLog 探讨了如今人工智能的应用如何加速新药研发、优化实验室流程、提高诊断准确性并改变疾病治疗方法。
药物研发
大多数药物通过与受体蛋白（调节细胞功能并参与机体几乎所有过程的分子结构）相互作用而起作用。
人工智能系统能够分析受体蛋白的结构，并预测哪些化合物能以最有效且副作用最小的方式与它们相互作用。因此，过去需要多年实验室研究的任务，如今越来越多地能在几个月内完成。
据世界卫生组织（WHO）专家估计，未来几年内，大多数新药将以某种方式利用人工智能进行研发。
AlphaFold 和 Isomorphic Labs
2024年，大卫·贝克、德米斯·哈萨比斯和约翰·江珀获得诺贝尔化学奖。后两人在 Google DeepMind 工作，因开发基于机器学习的蛋白质结构预测方法（包括 AlphaFold）而获奖。
2018年，AlphaFold 在分子预测竞赛“蛋白质结构预测关键评估”（CASP）中排名第一，在最复杂的类别中展示了有效性。两年后，在下一届 CASP 中，新版本 AlphaFold 2 获胜。
2021年，Google DeepMind 公开了 AlphaFold2 的代码和预测蛋白质结构数据库。大约在同一时间，哈萨比斯创立了 Isomorphic Labs——Alphabet 的子公司，致力于开发用于药物研发的人工智能。
2024年，Isomorphic Labs 与 Eli Lilly 和 Novartis 建立合作伙伴关系。这些交易分别为该公司的人工智能研究提供高达17亿美元和12亿美元的资金。2026年，Isomorphic Labs 还宣布与 Johnson & Johnson 合作。
2026年2月，Isomorphic Labs 推出了基于 AlphaFold 技术的通用药物设计环境 Drug Design Engine（IsoDDE）。
目前，Isomorphic Labs 正在研究肿瘤学和免疫学领域的解决方案。尽管借助人工智能加快了研发速度，但这些项目仍处于临床前研究阶段。该公司计划在未来几年内开始首次人体试验。
Exscientia 和 Recursion Pharmaceuticals
Exscientia 成立于2012年，是首批系统地将机器学习应用于药物研发的公司之一。
2020年，用于治疗强迫症的药物 DSP-1181 成为第一个进入临床研究阶段的 AI 研发产品。该药物是与日本制药公司 Sumitomo Dainippon Pharma 合作开发的，后者负责合成和实验室测试，依据 Exscientia 的理论结果。
到2023年，该公司已准备好8个候选分子，其开发速度“显著快于”行业平均水平。
2024年，Recursion Pharmaceuticals 以6.88亿美元的交易收购了 Exscientia。部分研究项目被关闭。
当时，几种药物已进入临床试验的第二阶段——在100-300名患者组中测试有效性和副作用。
与 Recursion Pharmaceuticals 的合并使得 Exscientia 的 AI 系统能够与自动化实验室测试平台结合使用。此外，Recursion 还利用 NVIDIA H100 构建了自己的 AI 超级计算机 BioHive-2，用于训练专业模型。
该公司还参与了开源生成模型 Boltz-2 的开发，该模型用于预测蛋白质的三维结构。
到2025年，Recursion Pharmaceuticals 将精力集中在四个肿瘤学项目和两个罕见病项目上。几种药物已处于第一阶段和第二阶段试验之间的过渡阶段：
用于治疗慢性淋巴细胞白血病的药物 REC-3565 正在进行第一阶段临床试验。
Insilico Medicine
Insilico Medicine 成立于2014年，是 AI 药物研发领域的另一重要参与者。
2017年，Insilico Medicine 被 Nvidia 评为社会影响力前五的项目。
该公司在研发周期的所有阶段使用人工智能：
Insilico Medicine 早期的人工智能成就之一是用于治疗纤维化的药物 Rentosertib（ISM001-055）。从 AI 系统发现靶点到获得候选分子，研发耗时18个月。截至2025年，Rentosertib 正在进行第二阶段临床试验。
此外，2024年，由 AI 开发的用于 COVID-19 和其他病毒感染的免疫调节药物 ISM3312 通过了第一阶段试验。用于癌症治疗的 ISM3091 已获准在患者中进行测试。
诊断与研究
据专家估计，约90%的医学信息以图像形式呈现，如 X 光片和断层扫描图。这些数据在诊断中至关重要，但其分析是一项耗时且复杂的任务。
机器学习方法，尤其是卷积神经网络，非常适合于识别复杂的视觉模式。与人类视觉类似，此类系统能够区分图像上的对比边缘、形状和纹理。这使它们能够以高置信度识别肿瘤、出血和其他异常。
用于训练 AI 模型的数据集质量有保障——包括大量带专家注释的记录图像。
2024年，哈佛医学院的研究人员推出了 AI 模型 Chief，能够识别多种癌症。据开发者称，该解决方案在数字图像中正确检测疾病迹象的成功率为94%。
2025年，美国食品药品监督管理局（FDA）授予阿里巴巴研究部门达摩院的模型 Damo Panda “突破性设备”称号。
据开发者称，该系统能够在症状出现前通过断层扫描识别胰腺癌迹象，这对这种疾病尤为重要。
2026年，AI 诊断领域的重大突破是由美国非营利组织梅奥诊所开发的 REDMOD 系统。
该模型也用于识别胰腺癌，在早期诊断中超越了专业医生。据研究人员称，该系统平均在诊断前475天发现断层扫描上的病理变化。
Google 的举措
Google 是医学诊断和研究领域 AI 的主要供应商之一。
该公司提供基于 Gemma 3 的开放模型系列 MedGemma，用于分析医学文本、图像和音频。
通过 Health AI Developer Foundations，开发人员可以访问开放的权重集和 AI 工具。
Google 与多家诊所和研究机构合作，专注于基础技术的发展。
2019年，该公司推出了用于识别和预测肺癌的模型。该模型的表现与六名认证放射科医生相当或更优。
2020年，在与西北医学中心的合作中，研究人员展示了一种用于分析乳腺 X 光片的系统，能够达到专业医生的水平。
2024年，Google Cloud 与德国制药公司拜耳宣布启动 X 光片筛查平台。该系统分析图像历史记录和病史数据，形成可能的病理学假设。
NVIDIA 和 GE HealthCare 的 AI 放射科机器人
科技巨头 NVIDIA 和美国医疗技术公司 GE HealthCare（生产透视设备）正在开发自己的 AI 系统，用于自主获取图像。
与分析现成图像的模型不同，该解决方案应减少专家的常规工作负担，并使诊断更加标准化。
第一阶段，该系统将处理 X 光片和超声图像。
此外，GE HealthCare 计划使用 NVIDIA Isaac for Healthcare——一个用于开发自主医疗系统（包括手术机器人）的平台。
PathAI 诊断平台
PathAI 成立于2016年，开发了“数字病理学平台”AISight Dx，用于临床环境中的初步诊断。
该系统提供了一个处理医学图像的环境，并能够连接第三方算法进行数据分析。
支持一套基于 AI 的 CE-IVD 认证解决方案，特别是用于肿瘤诊断的“插件”：
该平台具有自动图像分析、辅助诊断和撰写报告的功能，但目前这些功能“仅供研究目的”，不允许在临床环境中使用。
AISight Dx 还提供内置的辅助 AI 工具：
2022年，该解决方案获得了美国 FDA 的 510(k) 许可和欧洲 CE 标志，表明产品对消费者和环境的安全性。
2025年，PathAI 宣布与美国佛罗里达州的莫菲特癌症中心合作，将 AISight Dx 引入诊断流程。2026年，该公司与苏黎世大学医院达成了类似协议。
2026年5月，瑞士制药公司罗氏宣布以超过7.5亿美元的交易收购 PathAI。
问题与限制
与其他行业一样，AI 在医学中的应用加剧了系统性问题并产生了新问题。
AI 助手，尤其是基于 LLM 的，无法避免幻觉。
在 Google 关于 Med-Gemini 模型的研究论文中发现了一个错误：该模型“编造”了一个不存在的脑区，称为“基底核”（basilar nuclei）。
这个幻觉来源于两个真实解剖名称：基底核（basal ganglia）和基底动脉（basilar artery）。开发人员将其归因于打字错误，但几位专家称这一事件是 AI 助手在医学中应用风险的一个令人担忧的例子。
斯坦福大学的研究人员发现，AI 模型能够令人信服地根据医学图像诊断疾病，而无需访问实际图像。
其中一个分析过的系统在“盲目”情况下在放射学测试中表现出色。GPT-5、Gemini 3 Pro 和 Claude Opus 4.5 模型“自信地描述了不存在的图像上的视觉细节”。
根据同年6月发表的一项研究，在医疗背景下，GPT-4 对患者问题的回答中有7.1%是不正确的，可能导致重大伤害。在156个案例中，有一个错误危及生命。
根据2025年的数据，用于根据与患者对话结果自动生成文档的工具在70%的临床记录中引入了错误。模型在对话转录中添加了虚假事实，遗漏了要点并混淆了概念。
除了 LLM 编造器官外，它们的逻辑不透明性使得人类难以分析得出某些结论的方式。
数据集缺乏代表性可能会在训练出的模型中形成偏见并依赖于虚假的相关性。
此外，AI 助手典型的问题，如用户认知依赖和隐私，在医疗背景下只会加剧。
WHO 专家将人工智能在医学中的应用归类为高风险领域。
根据欧盟 AI 法案，自2026年8月起，此类 AI 系统必须遵守一系列特殊要求，涉及风险管理、报告和人工监督。
尽管存在挑战和潜在风险，WHO 对人工智能在医学中的前景持积极态度，前提是有适当的规则和政府监管。
美国 FDA 也对医疗 AI 的前景表示乐观，尽管承认现有法规已过时。在美国，此类系统被正式归类为“作为医疗设备的软件”（Software as a Medical Device）。
2025年，FDA 发布了一套指南，涉及 AI 产品的生命周期、风险管理和营销。