共计 1380 个字符，预计需要花费 4 分钟才能阅读完成。
新加坡研究人员展示了一项突破性进展：通过调整预训练 AI 模型，成功解决了资源有限国家在医疗领域面临的数据稀缺难题。同时，他们倡议组建国际联盟，就医学人工智能的治理框架达成全球共识，以促进技术安全、合乎伦理地应用。
杜克 - 新加坡国立大学医学院的团队应用了迁移学习方法，将针对某项任务开发的模型作为新任务的起点，用于预测心脏骤停后的患者预后。这项研究发表在《npj Digital Medicine》上，直接回应了中低收入国家在 AI 应用中的一个核心挑战：缺乏从头开始训练算法所需的大量高质量数据。
为了验证迁移学习的有效性，研究人员使用了最初在日本基于 46,918 名院外心脏骤停患者数据构建的脑功能恢复预测模型。将该模型调整后应用于越南，在一个由 243 名患者组成的较小群体中进行测试，结果令人振奋。
诊断准确性获得了大幅提升。当直接将原始的日本模型应用于越南情境时，其区分高风险与低风险患者的准确率仅为 46%。然而，经过调整的迁移学习模型准确率达到了约 80%。杜克 - 新加坡国立大学生物医学数据科学中心副教授刘楠指出：“研究表明，AI 模型无需为每个新环境从头开始重建。通过安全有效地调整现有工具，迁移学习可以降低成本、缩短开发时间，并有助于将 AI 的优势扩展到资源较少的医疗系统中。”
尽管 AI 在医疗领域的潜力巨大，但全球应用仍不均衡。另一项发表于《Nature Health》的研究显示，虽然 63% 的受访医疗保健提供者使用 AI 工具，但高收入和中高收入国家的应用更为普遍。该研究强调了大型语言模型在改善中低收入国家医疗可及性、诊断和临床决策方面的潜力，这些国家仍面临基础设施和专业知识有限等障碍。
例如，在塞拉利昂，社区卫生工作者使用智能手机应用程序通过血涂片样本检测疟疾感染，这是一种比传统显微镜系统更具成本效益的方法。在南非，聊天机器人为孕妇提供产前建议。伦敦大学学院的专家表示：“在专科医生最稀缺的环境中，LLMs 拥有最大的变革医疗保健的机会，但全球卫生界需要紧急合作，以确保在应用最具挑战性的地区支持其实施。”
杜克 - 新加坡国立大学的研究人员补充，将 AI 整合到医疗保健中时，赋权于人应成为优先事项。增强数字素养并建立使用这些工具的信心，将确保 AI 支持而非扰乱劳动力。量身定制的技能发展路径可以帮助资源不足的从业者适应并取得成功。
建立国际治理框架的紧迫呼吁
尽管 AI 工具有潜力改善医疗服务，但治理框架对于该技术安全、合乎伦理的实施至关重要。目前，医疗技术法规通常未能解决 AI 特有的风险，如隐私问题、模型幻觉、安全性以及对新工具进行监督的必要性。
为解决这些问题，由杜克 - 新加坡国立大学领导的研究人员提议成立一个名为“医学智能系统 - 生成模型监管监督、领导与问责伙伴关系”的国际联盟。该联盟旨在为监管新工具、监测其影响、建立安全护栏以及使其适应资源有限的环境提供指导。它将汇集全球医疗保健领导者、监管机构、伦理学家和患者团体，在就医疗 AI 治理达成全球共识之前，审查现有研究。
杜克 - 新加坡国立大学 AI 与医学科学倡议负责人表示：“通过明确的监督和清晰定义的指导方针，医疗系统可以充满信心地利用 AI 的诸多优势来改善健康结果，同时避开潜在的陷阱。从政策制定者到患者团体，所有利益相关者都扮演着至关重要的角色。”这一倡议标志着在弥合全球医疗人工智能鸿沟的道路上，迈出了从技术方案到治理协同的关键一步。
