作者：狄文，金明珠，上海交通大学医学院附属仁济医院妇产科

1 医疗人工智能的发展

人工智能（artificial intelligence，AI）在医疗领域的应用早在20世纪中期便开始萌芽。1952年，Haward在《Med World》期刊上提出“机器人麻醉师（robot anaesthetist）”的概念，开创性地探讨了机器在医疗工作中扮演的角色［1-2］。1955年，John McCarthy正式提出“人工智能”这一术语，将其定义为“制造智能机器的一门科学与工程（the science and engineering of making intelligent machines）”。随着机器学习（machine learning，ML）和深度学习技术的发展，AI逐渐从实验性阶段走向实际应用。ML使AI系统可以通过积累经验不断优化行为，深度学习则通过多层神经网络提升了图像和数据处理的效率。这两项技术的进步，使得AI在医学中的应用有了质的飞跃［3］。近年来，伴随大语言模型（large language models，LLMs）和生成式AI（generative AI，GAI）技术的崛起，医疗人工智能的应用进一步扩展。LMMs以自然语言处理（natural language processing，NLP）为基础，通过大规模的数据集训练，使AI能够生成具有高质量和准确性的文本内容，甚至回答复杂的医学问题。代表性的LMMs包括OpenAI的GPT-4、Google的Med-PaLM以及我国学者研发的MMed-Llama 3等［4］。它们在回答医学问题方面表现出色，已达到接近人类医生的水平，展现了其在辅助诊疗、医学教育等方面的潜力［5-6］。GAI在医疗场景中的应用涵盖多个方面，包括生成病史、解释医学影像、辅助医生制定个性化治疗方案等。GAI的引入不仅提升了医生的工作效率，也给患者提供了更友好的医疗体验［7-8］。虽然完全自主的AI临床决策在目前还很少见且存在争议。在一些特定的医疗场景中，确实有AI系统在进行相对独立的决策。IDx-DR是首个获得美国食品药品监督管理局（FDA）批准的糖尿病视网膜病变筛查的自主AI系统，它可以在没有医生参与的情况下自动检测患者是否患有轻度糖尿病视网膜病变，并在检测结果为阳性时推荐患者直接前往眼科专家处就诊［9］。2017年中国政府发布《新一代人工智能发展规划》，提出到2030年实现AI技术全球领先的战略目标，这一规划推动了AI技术在中国医疗领域的快速发展，也表明了国家对智慧医疗的重视［10］。2021年世界卫生组织（WHO）首次发布了《人工智能促进健康的伦理和治理指南》，强调了医疗健康领域应用AI的伦理规范与治理框架，意在确保AI技术的发展与应用能够符合人道主义原则，保障数据隐私、透明性和公平性［11］。随着21世纪大数据、互联网和信息技术的飞速发展，AI的应用覆盖了越来越多的医疗场景。2024年底，国家卫生健康委员会、国家中医药管理局、国家疾控局联合制定了《卫生健康行业人工智能应用场景参考指引》［12］，该指引列举了84个医疗人工智能应用场景，覆盖医疗、医药、中医药、医保、医院管理、健康管理、公共卫生、养老托育、医用机器人、药物研发、中医药产业、医学教学、医学科研共13个方面。卫生健康产业正迈入一个由人工智能引领的崭新时代。

2  AI在妇产科的应用

2.1  辅助诊疗  快速、准确的图像识别分析能力使AI在妇科肿瘤的筛查与诊断及产前筛查方面具有突出优势。子宫颈细胞学结果判读主观性强，各病理学家间的一致性低［13］。使用AI进行子宫颈细胞病理分析的准确率达到90%［14］，与资深病理学家相当。基于AI算法可以将子宫颈癌阴道镜图像病灶分割准确率提升至96%［15］。AI辅助可以将病理医生对输卵管浆液性上皮内癌（serous tubal intraepithelial carcinoma，STIC）的诊断率提高10%，且缩短1/3的阅片时间［16］。AI技术的应用有助于应对病理医生严重短缺及经验不足问题。Tanos等［17］构建了妇科人工智能诊断（gynaecological artificial intelligence diagnostics，GAID）模型，该模型诊断妇科疾病的准确率达87%，囊括不规则出血、妇科内分泌、妇科肿瘤、盆腔疼痛、泌尿生殖、性传播感染和外阴病变亚专科。在产前筛查方面，AI系统对胎儿遗传性疾病的预测准确率已显著提高。基于AI的超声筛查系统可将唐氏综合征筛查准确率提升至96%，但仍低于无创DNA检测准确率的99%［18］。

AI能够通过处理大量的临床数据，整合来自不同数据源的信息，识别疾病风险的潜在模式，有助于疾病发生风险的预测。随着技术的发展，AI模型可以持续自我优化，提升预测能力。基于年龄和51个实验室指标构建的AI模型，可准确预测卵巢癌的发生风险。该模型在内部验证集中曲线下面积（AUC）高达0.95，在两个外部验证集中的AUC为0.882和0.884［19］。此外，AI预测早产的准确率达到85%，在妊娠高血压预测中达到88%，使个体化风险评估更为精确［20］。

AI有助于预测化疗的反应，识别更有可能从化疗中获益的患者。Elfiky等［21］对26 946例肿瘤患者进行队列研究，通过ML，构建模型预测患者在开始化疗时的短期死亡风险（30d和180d）。对于接受全身化疗的患者，预测30d死亡风险可能有助于避免治疗的相关伤害，提高患者生存质量［22］。Desbois等［23］开发ML方法结合转录组和数字病理对卵巢癌免疫表型进行分子分型和表征，揭示转化生长因子（TGF-β）是介导T细胞排斥的重要因子，靶向TGF-β可能是提高卵巢癌免疫治疗疗效的潜在方法。

2.2  健康管理  在妇产科学中，女性的健康需求贯穿于一生，包括从婴幼儿期和青春期的健康管理、育龄期的生育与生殖问题、到围绝经期的疾病预防和老年期的健康干预，AI技术可以在这一过程中发挥关键作用。Ma等［24］提出“全民健康AI（universal health artificial intelligence，UHAI）”这一概念，主张AI不仅要关注特定疾病的诊断，而且还要为整体健康管理服务 。这种从“治病”到“治人”的理念转化，更符合现代妇产科学对个性化和全周期健康管理的需求。通过AI大数据技术和个性化分析，妇科医生可以更好地监控患者健康状态，及时识别潜在的健康风险，进行女性健康的全生命周期管理。

AI驱动的应用程序可以追踪月经周期，根据经期症状和周期不规律情况，帮助用户识别多囊卵巢综合征等潜在的健康问题，并在需要时提醒用户咨询医生。生育期女性可以通过可穿戴设备和健康管理应用程序监测基础体温、心率、睡眠周期等指标，预测月经周期、排卵和生育力［25-28］，帮助有生育意愿的女性进行有计划的备孕。可穿戴适体纳米生物传感器甚至可以通过原位汗液分析实现对性激素雌二醇的自动化无创监测［29］。围绝经期的症状因人而异，AI可以帮助跟踪和管理围绝经期症状，提供个性化的生活方式建议，帮助缓解围绝经期的不适症状。通过分析生活方式数据（如饮食、运动、睡眠模式）和遗传信息，预测心血管疾病、糖尿病等慢性病的发生风险，并提供个性化的预防建议，帮助医生制定个性化的健康计划，延缓或预防慢性病的发生。AI应用不仅能够帮助女性更主动地管理自己的健康，而且还能够通过个性化、数据驱动的方式，增强医生的判断力和治疗方案的有效性，进而实现从预防到干预的全周期健康管理。

2.3  医学教育  AI可以通过分析医学生的学习进度、知识掌握程度和薄弱环节，提供个性化的学习路径。AI驱动的虚拟患者模拟系统可以模拟真实患者的情况，让医学生在虚拟环境中进行诊断和治疗决策。这种情景模拟可以帮助学生学习如何与患者沟通，进行病情评估和制定治疗方案，培养他/她们的临床思维［30-31］。AI在医学教育中的应用提升了学习的个性化和互动性，提供了动态反馈和模拟练习，让医学生能够在低风险环境中累积经验，为未来医疗实践做好准备。既往研究显示，AI可以帮助提高住院医师超声诊断甲状腺癌的诊断率，缩短神经外科医生掌握软膜下切除手术的学习曲线。这些效果在具有一定专业知识背景的人群中表现得更为显著［32-33］。培养一名医生是一个漫长的过程。目前传统的医学教育，从大学通识教育到住院医师规范化培训、专科医师规范化培训结束通常需要将近15年甚至更长时间。AI的引入或许会缩短医学生冗长的培养周期。

3  妇产科医生如何正确运用AI

3.1  加强自我能力培养，保持诊疗的独立性  人工智能时代，掌握AI技术的医生是有优势的；但医生，尤其是刚进临床的医生，过度依赖AI可能对患者是不利的，同时也会导致医生决策能力和质量下降，临床技能退化以及对新的或复杂情况应对能力降低，限制自身的职业发展。Goodman等［34］研究发现，GPT-3.5在回答来自17个专业的284个医学问题时，15个问题完全回答错误，在较难问题中得分较低，可能与AI没有意识，仅对输入的循证医学证据、指南或共识进行整理汇总，尚不能较准确评价的可靠程度有关。AI不是万能的，AI会出错。只有我们自身具备足够的医学知识，才能避免掉入AI的陷阱。

医疗AI的责任归属问题一直是一个热议的话题。AI从开发到应用的过程涉及包括研发、生产、销售、医疗机构、医务人员等在内的多个主体，加之AI内部工作原理和运行过程复杂性及不确定性，应用场景的多样性、法律规范的滞后性，AI的责任认定更加困难［35］。医生不懂算法，程序员不会看病。医学决策不仅仅依赖于自身医学知识的积累，更重要的是临床思维的培养［36］。当AI将临床决策的重心转向算法建议时，人所独有的洞察力和判断力似乎就被削弱了。为了防止这种自我退化现象，我们呼吁医护人员在临床实践中合理、谨慎、适度使用AI；使用AI进行医疗活动前进行培训，充分理解AI的工作模式和局限性；始终保持人类监管及临床思维的独立性和批判性。

3.2  充分知情同意，正确引导患者使用AI  AI的可解释性可影响患者对AI的信任程度。近年来，GAI被广泛应用于医疗文书的生成和患者沟通的优化。通过NLP技术，GAI可以简化和个性化知情同意书、健康报告等文书内容，提高患者的理解度。以缩宫素诱导分娩这样常见的产科操作为例，在知情同意时既要充分告知风险，但有时知情同意书过于复杂，患者不易理解或错误理解。Grünebaum等［8］使用GAI简化缩宫素诱导分娩的知情同意书，GAI生成的同意书通过迭代提示和专家精炼，自动调整内容以满足可读性标准，同时保留关键信息。使用GAI后，知情同意书的可读性显著提高，患者的理解度和满意度提升，促进共同决策。AI生成的回复在质量和同理心方面可能优于人类医生［37］。

但GAI有时会生成看似真实但实际上错误的信息，医学知识欠缺的患者可能难以分辨［38］。我们尝试将同一虚拟患者、同样的临床资料输入GPT-4询问后续治疗方案，仅在开头表明不同身份（以医生、患者本人、患者家属、保险公司4个不同身份）时，GPT-4对于患者的疾病评估（IA或IC）、治疗方案（是否推荐化疗）及解释截然不同。这可能降低患方对AI和医生的信任程度，影响后续治疗的开展。所以在诊疗过程中，医生使用AI应取得患者的书面知情同意，同时对患者进行宣教，告知其AI的局限性，加强随访，避免患者因自行使用AI系统，忽视病情，延误诊治。

3.3  开展高质量临床研究，助力AI落地  截至2024年8月，FDA批准了950项AI/ML医疗设备。而FDA批准的这些AI/ML医疗设备中，少数是基于随机对照研究（randomized controlled，RCT），往往是单中心、回顾性的，且对样本量和入组人群的种族、民族等信息报告不完全。Han等［39］统计了2018—2023年共有86项基于AI的随机对照研究，其中26项（30%）是在中国进行的，54项（63%）是单中心，59项（69%）是探索AI在医学成像中的应用，7项（8%）是评估AI辅助临床决策能力。即使我们已认识到AI在妇产科领域潜在的应用前景，但妇产科领域对于AI应用和探索，仍处于起步阶段。迄今为止仅有1项KIDScore D3辅助生殖胚胎筛选系统是妇产科领域，尚无RCT研究结果发布。呼吁妇产科医生牵头开展多中心、大样本、高质量的RCT研究，研究设计和开展的过程中遵循CONSORT-AI等规范，以期更真实、规范、准确地评估AI在辅助临床实践中的优缺点。

3.4  算法之外是理，理越辩越明  早在50多年前，我们就已经意识到人工智能将对医疗健康领域带来巨大变革。在1970年、1987年《新英格兰医学杂志》就有讨论医学人工智能的应用与挑战的文章。但似乎医学与AI的融合并不那么令人满意。AI在医疗领域谈论最多的两个问题就是“AI是否会代替医生”和“AI出错谁来买单”。就像谈论AI自动驾驶的时候，总免不了提到“电车难题”。自动驾驶决策的伦理困境，算法透明性与责任归属，数据偏见和公平性问题，个体与集体利益的冲突，公共信任与伦理规范，似乎也是医疗AI发展的瓶颈问题：医疗资源有限时，如何分配？就诊到底是先来后到还是事急从权？能否牺牲个人隐私以优化群体疾病预测和防控？是否优先治疗数据中占多数的患者类型，而忽视少见或边缘化的患者需求？AI的道德边界在哪？道德是否是统一标准？是否要打开算法黑箱？如何打开？医学不仅仅是门科学，还是哲学、人文学、伦理学、社会学。AI要在医疗领域真正落地需要更贴近医学，贴近患者，贴近医务工作者。这些算法之外的问题，似乎还没有定论，但相信理总会越辩越明。

4  结语

临床诊治推行“四化”——规范化、个体化、人性化、多元化。人工智能开启数智健康新时代，未来医疗实践必将与人工智能深度融合。如果说规范化保障安全，个体化追求精准，人性化传递关怀，多元化响应需求，那么智能化全面提升效能。AI驱动的妇产科智能化发展，是理念，是方向，不仅仅是技术的堆砌。在智能化的过程中，我们注重技术的融合与创新，注重数据的分析与应用，注重流程的优化与再造。智能化的医疗服务，旨在通过AI等智能技术的应用，实现对患者全生命周期的健康监护，提供更加精准、高效、便捷的医疗服务，最终实现医疗服务的全面智能化。

参考文献略。

来源：狄文，金明珠.人工智能技术在妇产科应用中的思考与挑战[J].中国实用妇科与产科杂志，2025,41(1)：11-14.

(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)