人工智能将在未来改变医学的说法忽视了现在已经发生的事情。在影像最密集的专业领域——放射学、病理学、眼科——获得北美 FDA 监管批准的工具已经可以在乳房 X 光检查中检测出肺结节、糖尿病视网膜病变、中风和可疑病变，其临床表现可与专科医生相媲美。 IDx-DR 于 2018 年获得批准，无需现场医疗解释即可诊断糖尿病视网膜病变。 Viz.ai 在头部 CT 扫描中检测到大动脉闭塞，并直接联系介入神经科团队。今天的瓶颈不是工具的能力，而是卫生系统以操作上一致的方式整合这些工具的能力。
哪些临床证据已经证实
2020 年至 2025 年间，医学成像领域的监管审批曲线显着加速。到本世纪中期，FDA 批准了 700 多种人工智能和机器学习设备用于临床，其中放射学占这些授权的绝对大部分。 《柳叶刀》、《新英格兰医学杂志》和《放射学》上发表的研究表明，乳房 X 光检查中的乳腺癌检测算法可以减少假阴性并减轻双重阅读的负担——这是多个欧洲系统的强制做法。在数字病理学中，经过训练以识别组织学切片中的肿瘤亚型的模型已经超越了经验丰富的病理学家在某些特定癌症类别中观察者间的一致性。
这并不意味着人工智能取代了放射科医生或病理学家。证据一致表明，人与算法的结合比单独使用任何一种方法都表现得更好，尤其是在大量筛查任务中，因为疲劳和注意力持续时间会导致系统错误。最可靠的用例不是替代：它是在不按比例增加专家数量的情况下扩大诊断能力。
巴西的监管和采用情况
近年来，ANVISA 遵循国际分类 ISO 13485 并与 IMDRF 指南保持一致，为医疗器械软件创建了特定的监管框架，即所谓的 SaMD（软件医疗器械）。诊断人工智能工具属于此类，需要根据相关风险进行注册或通知。巴西面临的挑战不是缺乏监管：而是国家制造商准备可靠临床档案的处理速度和技术能力。
一些巴西医疗科技初创公司的产品已经获得 ANVISA 批准或处于提前通知阶段，特别是在用于结核病和肺炎筛查的胸部 X 光检查以及眼底检查领域。医院网络和健康计划运营商开始偶尔进行试点，但从试点到系统实施的过渡仍然面临着既不是监管问题也不是技术问题：它们是基础设施和流程问题。
与PACS、医疗记录的集成以及真正的实施问题
医学成像中的任何人工智能算法都需要连接到 PACS（图像存储和通信系统），并且理想情况下还需要连接到患者的电子病历以访问临床环境。这个集成点是大多数项目失败的地方。巴西医院安装的PACS版本差异较大，支持DICOM协议，对外API开放。许多遗留系统没有标准化接口来接收或导出数据，而现代人工智能工具可以低摩擦地使用这些数据。
实际结果是，原本需要数周时间的部署往往需要数月时间——这并不是因为人工智能本身，而是因为医院的数据架构。医院 IT 团队很少熟悉所需的集成标准，而人工智能供应商往往低估了适应客户真实环境的努力。如果项目在招聘前没有映射这种隐藏的整合成本，往往会消耗预算和政治精力，而不会产生可衡量的临床结果。
民事责任和工作流程设计
在巴西，人工智能辅助诊断的法律责任问题还远未得到平息。 CFM（联邦医学委员会）已经表示，诊断行为的最终责任仍然由医生承担——这在临床上是合理的，但当算法发现放射科医生没有优先考虑或排除的情况时，就会造成操作紧张。这种情况并不是假设的：当人工智能被用作筛选工具，在报告队列中预先选择关键案例时，它就会自然出现。
工作流程设计需要在这种紧张局势变得有争议之前对其做出反应。 AI警报如何出现在放射科医生界面中？最终报告是否记录有算法协助？是否有审计跟踪记录系统标记的内容与医生得出的结论？这些问题没有单一的答案，但需要在部署之前得到回答，而不是在第一次事件发生之后。
卫生系统领导者在试点之前需要了解什么
根据论文中发布的准确性基准选择人工智能诊断工具，相当于只根据简历而不检查推荐人来雇用员工。在使用旧设备、不同采集协议以及与训练中使用的人群不同的医院生产环境中，验证数据集报告的性能很少会在不降级的情况下进行复制。在做出任何规模承诺之前，选择过程需要包括本地验证阶段——最好使用医院本身的回顾性数据。
此外，内部项目发起人与技术一样重要。放射学中的人工智能部署如果没有高级放射科医生作为临床团队中的积极倡导者，通常会因废弃而死亡：该工具存在，但没有人系统地使用它，因为它不是为实际工作流程设计的。临床认可不能通过会议上的演示来实现，而是需要医生在配置阶段的积极参与以及医院自己的数据生成的证据来实现。
最后，衡量重要的事情。大多数飞行员通过诊断准确性来定义成功。但影响卫生系统财务和临床结果的是报告时间、报告偶然发现的比率、重复测试请求的减少以及最终对临床结果的影响。这些指标更难收集，但它们是证明或否认扩张的理由。
另请阅读
- [长寿市场及其对健康计划未来的启示0
- [如何构建人工智能在工业运营中的商业案例1
- [推理芯片和 ASIC：当专业战胜通用2
- [专用芯片和通用CPU时代的终结3
- [神经拟态和仿生计算：芯片何时开始向大脑学习4
- [人工智能能源与主权：政府现在需要规划什么5