协和实验
访谈记录整理

肺癌目前是咱们国内发病率和死亡率最高的疾病，严重威胁大众健康。肺癌发病率高，病情本身也比较复杂，尤其是中晚期患者，诊断和治疗都存在不小的复杂性。第一是疾病本身复杂，比如局部病灶向外侵犯的程度、淋巴结转移情况，还有脑转移、骨转移、肝转移等远处器官转移，这类情况的诊断以及治疗方案设计难度都很大。再加上近几年靶向治疗、免疫治疗进入分子诊疗时代，如何结合最新研究为患者匹配合适的治疗方案，本身就很有挑战性。另一方面，国内人口老龄化程度不断加深，患上肺癌的老年患者越来越多，这类患者大多合并冠心病、脑血管疾病、慢性肝肾功能不全等多种基础病。当基础病叠加局部晚期或晚期肺癌时，治疗方案的选择会更加棘手。我们制定有效抗肿瘤方案的同时，还要兼顾患者身体耐受程度，所以这类病例给医生制定诊疗方案带来的挑战非常大，对专家而言也是十分棘手的病例。

AI 属于新兴技术工具，我对它的期望值一直很高。我始终坚信 AI 能为临床工作承担越来越多的工作，毕竟相关技术一直在持续迭代完善。但目前我接触到的 AI 应用和相关研究，大多只适用于相对简单的临床场景，比如肺癌影像诊断、病理诊断、基础治疗方案初步拟定。

至于这类医生本身都难以决策的高度复杂病例，AI 能否综合多维度因素，给出科学、优化的诊疗方案，这方面我暂时还没有实际接触到相关落地应用。不过我内心十分期待，也坚信 AI 后续能在这类复杂病例诊疗中发挥越来越好的作用。

现阶段 AI 在临床中大多还停留在研究层面，真正落地常态化使用的场景十分有限，主要集中在肺癌影像诊断、病理诊断领域，在复杂临床诊疗决策环节，能够起到的辅助作用还比较有限。

我希望当医生面对诊疗难题、难以做出判断时，AI 可以整合各类繁杂的临床信息，给出完整诊疗参考。常规病例的诊疗决策，普通医生、中年资医生依靠自身经验就能独立完成。但遇到诊疗难度高、病情错综复杂的病例，既要考量疾病本身，还要兼顾各类干扰患者治疗的因素，这个时候就需要 AI 从海量信息里梳理出最优、兼顾多方平衡的诊疗方案，这也是我最期待 AI 未来能够实现的核心功能。

复杂灰度肺癌病例的诊疗难点主要集中在诊断和治疗两大块。先说诊断层面：第一是病理诊断存在难度，部分特殊病灶很难获取合格标本完成病理确诊；病理确诊后还需要开展分子诊断，分子检测也需要足量标本才能制定精准靶向治疗方案，取材本身就是一大难点。第二是疾病分期判断难，想要明确患者是否发生转移、区分局部转移与远处转移、判定淋巴结转移的具体分站，目前虽然有 CT、PET-CT 等影像手段，但依旧无法完全替代病理结果。像脑转移、骨转移这类情况，有时很难精准识别。再讲治疗层面：当下肺癌治疗手段选择丰富，除传统化疗外，分子靶向治疗细分多种单靶点、复合靶点药物，还有各类免疫治疗药物，不同药物的适配条件、不良反应管控都需要细致考量，还要结合患者个人体质制定方案，这是第一层难点。其次，患者一线治疗后病情出现进展，需要更换二线治疗方案时，选择空间多、限制条件复杂，诊疗决策难度会进一步提升，这也是治疗端的一大复杂点。

MDT 的核心优势就是召集多学科团队，围绕患者完整病情，从各个专科不同角度共同研讨适配的治疗方案、不良反应处理方式，以及各重要脏器对治疗的耐受情况。以复杂肺癌为例，诊疗全程涉及影像诊断、分子病理、外科手术时机判断，区分直接手术、新辅助后手术、放疗介入时机，搭配化疗、靶向等多种药物，各类药物对应不同靶点，必须依靠多学科专家协同研判，才能形成科学完整的诊疗思路。 在落地执行层面，还有两处可以优化完善。第一，参与 MDT 的各科专家，必须是对应专业领域内具备权威经验的医师。第二，MDT 团队人员架构要保持相对稳定。单次 MDT 仅能制定阶段性方案，但患者病情会持续动态变化，尽量由同一支团队跟进患者全病程管理；同时可以根据病情灵活增补对应专科专家，比如患者合并心脏基础病就邀请心血管科专家，营养状况不佳就增加临床营养科专家，依托稳定且可动态扩容的专家团队，搭建完整、个体化的治疗方案。

传统临床决策主要依靠医患双方共同沟通完成，医生提供客观、标准化的科学诊疗建议，患者及家属带入自身生活、经济、人文层面的诉求综合考量。如果在此基础上加入 AI 辅助，AI 可以补充大量专业医学信息，辅助医患双方梳理诊疗思路，对最终形成合理诊疗方案能够起到不错的正向作用。

我认为灰度病例就是目前没有标准化临床决策路径的病例。这类病例往往需要开展多学科会诊，才能为患者制定个体化的最优治疗方案。AI 可以汇总现有以及系统内过往所有诊疗思路，再结合这名患者前后诊疗数据做对比；同时调取同类灰度病例的诊疗方案与对应的临床预后效果综合比对，从中筛选出更优质的诊疗方案供医生参考。

就像刚才所说，医院 MDT 主要针对疑难病例，单靠一个科室无法敲定最优治疗方案。大家结合现有检查结果、患者症状、预期疗效等多方面信息充分研讨，各专科专家综合研判后给出统一诊疗意见，这就是 MDT 的核心优势。目前医院 MDT 有一处明显需要改进：线下召集各个专科专家并不容易。我们医院每周仅开展一次大型线下 MDT，可利用时间十分紧张，单次能够拿来讨论、制定方案的病例数量也很有限。如果可以借助 AI 提前归集整理患者全部病历资料，由 AI 先完成初步分析并输出多套备选方案，再组织各位专家开展线上研讨决策，整体诊疗效率会提升很多。

这肯定是可以的。当下 AI 发展的主流方向，就是把资料收集这类基础、繁琐的工作交由 AI 完成，核心诊疗决策依旧由临床医生把控，这也一定会是未来临床诊疗的发展趋势。

我平时会使用多款 AI 工具，包括蚂蚁阿福、好大夫，还有豆包、Deepseek 这类常用大模型。在医学知识检索、文献内容汇总上，AI 能帮我们省去大量手动查阅文献的时间，大幅提升信息检索效率。

难点本质就是循证医学理想证据，和真实临床场景之间存在落差。真实临床里要面对的问题十分多元，不只是患者病情、分子病理、分期、合并基础病这些医学层面内容，还会涉及患者个人治疗选择、诉求、支付方式，以及家庭各类相关影响因素，这就是理想诊疗标准和现实临床情况之间真实的差距。关于 AI 应用的相关建议，患者身上的个体化影响因素非常多，不只有医学指标，还包含个人、家庭、社会层面各类条件。过去仅依靠人工收集信息，本身就存在人力局限，很难把全部相关信息完整收集；即便信息全部收集齐全，多维度综合分析又是另一重难点。再加上当下循证医学证据持续更新，新型治疗药物、治疗方案越来越丰富，如何把海量方案和每一位患者的个体情况精准匹配，也是一大难题。信息完整收集、多维度综合分析、治疗方案与患者个体情况匹配，这三层临床需求，刚好是 AI 能够和临床工作深度契合、发挥价值的地方。

MDT如今已经成为各大医院常规诊疗模式。一方面，多学科集中研讨能够打破各专科信息壁垒。患者是完整的个体，除肿瘤专科相关问题外，往往伴随多种基础病，治疗期间还会面临脏器功能储备、药物不良反应、合并症管控等各类问题。MDT 模式可以集思广益，充分兼顾各类细节，为患者制定一条主线清晰、分阶段规划完整的整体诊疗路径。

同时当前 MDT 模式也存在不少短板。不同专科医生看待疾病视角不同，各自会侧重本专业相关问题，研讨过程中需要把握好平衡，该充分讨论时充分吸纳各方意见，该统一决策时集中梳理，由总负责人梳理所有专科分散建议，分清诊疗路径里的主次顺序，分阶段、分重点规划方案，围绕患者核心需求定目标：是以长期生存为核心，还是优先控制近期症状、提升生活质量，或是兼顾两者，最终实现让患者活得更长、生活质量更好的目标。

另外，目前各家医院虽然都出台了 MDT 相关执行指南，但每家医院科室优势、发展侧重各不相同，也各有短板。后续我们可以逐步拓宽 MDT 的覆盖范围，先做好院内常态化 MDT，再升级开展院际之间联合 MDT；长远来看，依托 AI、信息化技术，还能搭建跨国家、国际化的 MDT 研讨体系。

这一定会是未来的发展趋势。传统 MDT 已经打破了仅由医护单方决策的模式，纳入患者自身诉求，现在再叠加 AI 辅助，医生、患者、AI 三方协同能够打破多层信息壁垒，统一基础医疗信息认知，在此基础上形成科学、合理的诊疗方案。这种医患、人机多方协同的模式，是未来临床发展的主流方向。三方共同参与形成的诊疗决策，既能严格遵循现有循证医学证据，又能充分尊重患者个体化需求，更具人文温度，同时可以实现实时动态调整，最终达成医患共同期盼的目标，让患者活得长、活得好。除此之外，这套模式也能推动肿瘤慢病化、全生命周期管理落地，打破过去只做阶段性诊断治疗的局限，向上、向下延伸服务链条，搭建筛查、预防、诊断、治疗、康复一体化的完整慢病全病程管理体系。

与其说我主动使用各类 AI 产品，不如说现在很多患者、家属会拿着各类 AI 检索生成的结果到门诊咨询。目前大家最常使用的大多是通用大模型，像豆包、千问这类；具备一定医学基础的人群，会选择医疗垂类专用大模型。这类 AI 工具给出的参考结论，高度依赖使用者输入的基础信息、提问角度，输入内容不同，输出的参考意见也会存在差异。现阶段 AI 的数据库体量在持续扩充，但不同模型的数据来源参差不齐，输出内容的专业度、可行性、科学严谨性都无法完全保障。AI 可以依托现有循证医学证据完成初步信息梳理分析，但最终诊疗决策，依旧需要专业医护人员把控；同时结合患者、家庭的个性化诉求，综合权衡后，选出适配患者的最终诊疗方案。

站在医生的角度，这类病例的诊断难点，其实也是整个诊疗全程的难点。第一是患者病情危重程度，如果患者身体状况很差，不管是诊断还是后续治疗，操作难度都会大幅提升；第二是患者新旧疾病叠加，涉及的疾病谱系范围很广，这也是一大难点；第三，疾病临床表现不典型，容易让我们在临床判断中出现诊断偏差。还有一种情况，各项检查都已经明确清楚，但没有合适有效的治疗手段，以上这些都属于临床上复杂难处理的灰度病例。关于 AI 的采集与判断，今天梁乃新教授的分享，让我们更容易理解 AI 的定位。那些答案明确、只是执行流程繁琐的工作，可以交给 AI 处理。但临床上大量灰度病例本身没有统一、固定的标准答案，这种场景下，AI 可以为我们提供多元诊疗思路，拓宽医生的思考角度。虽然 AI 无法直接给出最终诊疗结论，但能帮我们缩小判断范围，更接近最优方案。所以临床问题的解决，一定是 AI 和医生相互配合、人机结合完成的。

MDT 最大的优势，就是把各个专科顶尖专家集中在同一时段、同一空间内共同研讨，面对疑难病例，这是最高效、判断最精准的诊疗方式。但 MDT 模式也存在明显短板，组织一场 MDT 会大量消耗医护团队的时间、精力甚至体力。同时每位专家都有自己擅长和不擅长的细分方向，患者的病症刚好契合专家擅长领域，诊疗判断会更精准，反之则存在局限，一定程度上要看患者的情况。当然 MDT 也有独特价值，它是不同专科、亚专业医生互相交流、互相学习的优质平台。但受限于专家的时间、精力、人力成本，目前 MDT 能够覆盖到的患者数量十分有限，这也是后续需要优化改进的地方。

结合我日常临床工作来看，AI 确实给我的工作带来不少便利，但同时也带来新问题。很多患者就诊前会先用 AI 查询病情，容易产生不必要的焦虑，也增加了医患沟通的复杂度，耗费医生大量问诊时间。举个简单例子，像肺小结节这类不算复杂的情况，临床判断无需进一步复诊观察，但 AI 给出的内容会让患者格外恐慌，着急来门诊就诊。面诊时即便医生告知暂无风险，患者也会拿着 AI 逐条提问，单个患者会占用很长问诊时长，甚至最后沟通效果也不理想。放到今天重点讨论的复杂灰度病例领域，目前 AI 能发挥的作用还比较有限，这类场景也正是我们后续需要大量投喂临床数据、持续优化模型的方向。至于未来 AI 能给患者带来更多帮助，还是新增更多困扰，还有待长期观察。其实 AI 工具很早就有，早年我们会用百度、搜狗检索资料，现在更多使用 Deepseek、豆包，我近期用豆包会多一些。举个实际场景，如果患者需要用到我专科以外的药物，我对这款药不熟悉，通过豆包就能快速查到药物适用场景、标准剂量、需要重点关注的毒副作用，检索十分便捷。如果需要搭配多种药物联合使用，AI 也能提供参考。比如患者肾功能损伤，同时合并呼吸道革兰氏阴、阳性菌感染，想要选用对肾脏负担小的抗生素，AI 可以给出对应的用药提示，对临床医生来说实用性很强。

我认为两者差别还是很大的，好在生成内容可以人工解读调整。但输出内容面向的人群不同，感受也不一样。拿我们临床医生举例，AI 表述普遍过于冗长，一件简单的事会堆砌大量文字。上午我就看到一个简单问题，只需要区分选择 SBRT 还是全脑放疗，一句话就能说清，AI 却输出四五十个字以上，大幅增加我们的阅读负担。我理解 AI 语言有自身的规范要求，但还是希望后续优化可以兼顾两端，一方面贴合临床通用专业术语，另一方面简化表述，同时兼顾通俗性，让普通患者也能看懂。

如果用通俗的语言解读肺癌诊疗中的灰度病例，首先要通俗拆解这个概念。说实话，在参与本次活动之前，我并不了解人工智能领域将这类病例定义为灰度病例，也是通过今天的学习，我才清晰理解了灰度病例的核心内涵。简单来说，灰度病例指的是诊断、治疗过程无法完全被现有教科书、诊疗指南以及专家共识覆盖的病例。从临床实际来看，肺癌诊疗领域中，超过一半的临床病例都属于灰度病例，不在标准化指南与共识的覆盖范围内。究其原因，各类诊疗指南、专家共识，都是从单一疾病维度出发制定标准，仅覆盖标准化、典型化的病例情况。但肺癌是中老年高发肿瘤，绝大多数患者都伴随各类基础共病，患者就诊时的身体状态、耐受程度，往往和指南中标准化的治疗适配条件存在差异。这也是灰度病例产生的核心原因：这类病例无法套用统一的标准化诊疗方案，必须实施个体化诊疗。临床制定诊疗策略时，需要综合患者发病时的身体状态、治疗预期，以及患者身体耐受能力、家庭经济承受能力等多重维度，为患者量身定制个性化治疗方案。事实上，灰度病例是肺癌临床诊疗中更普遍的状态，几乎每一位患者，都存在教科书、指南和共识无法完全覆盖的个体化客观情况，这也是临床灰度病例诊疗的核心难点。

医院的MDT优势肯定是非常巨大的。就像刚刚说到的，如果一个病人要做到诊断和治疗的个体化，事实上每一个病人都应该在MDT模式下开展下一步的诊断和治疗。医院诊疗中，如果没有MDT这个模式，病人就需要在肿瘤科、胸部肿瘤外科，以及自身共病涉及的相关内科，比如心内科、神经内科等多个科室之间反复奔走。现在医院的挂号流程本身就比较复杂，病人需要在三五个甚至七八个科室之间奔走，才能获取最终的诊疗方案，耗费的时间和精力是非常巨大的。尤其是肺癌的老年患者，很多人不会使用互联网挂号、智能化就医工具，根本没办法独立完成整套就医流程。所以MDT模式最大的好处，首先就是省去了患者在诊疗过程中大量繁琐的流程。同时，由医生团队帮患者统筹决策，判断需要哪些科室参与，以最快的速度完成整套诊疗流程，这是MDT在速度和效率上的第一大优势。第二点，如果患者逐个科室单独就诊，各个专科医生大多只会从自己的专科角度考虑疾病诊治，会忽略其他专科的相关问题，也很难统筹不同治疗措施的实施顺序，以及各项治疗之间可能存在的矛盾和风险。而通过MDT多学科集中讨论的模式，能够对患者的整体病情、合并病症、全程治疗进行最优的统筹管理，最有利于患者快速进入适合自身、助力病情康复的治疗阶段。

MDT还有第三个优势，大部分医院的MDT讨论，都会让患者和家属一起到场参与。讨论后形成的诊疗决策，会更容易被患者和家属接受，也更方便落地执行。能够最大程度提升医疗团队、患者以及家属之间的协作度，对后续治疗的顺利推进有非常大的帮助。尤其是这一点，在人工智能时代，是人工智能完全无法取代的。医疗工作大概30%是技术，但是70%是温度，这份人文温度是人工智能达不到的。目前MDT模式可以改进的地方其实非常多。当下不少医院的MDT形式化问题比较突出，很多只是完成了形式上的讨论，形成了纸面的诊疗决策，但后续由谁执行、执行的标准、MDT方案落地的匹配度和严格程度，都没有明确的界定和保障，存在很多争议和漏洞。除此之外，MDT的形成机制、由谁主导、患者如何在医院及时精准地获得MDT诊疗机会，这些机制和流程，都是目前需要持续优化和改进的地方。

肯定是可以的。但是结合我参与MDT诊疗的过程来看，人工智能目前能够在MDT当中扮演什么样的角色，我还不是非常清晰。即便通过今天一整天的学习，了解到现阶段MDT模式下的AI模型，可以用于评审、验证诊疗方案，但体验过后，我反而产生了一些疑问。因为至少在今天看到的内容里，AI模型针对复杂疾病产出的治疗决策路径、整套决策过程，和我们真实的MDT临床诊疗差距非常大，能够达到的实际落地效果还差得很远。所以我认为，即便未来我们希望人工智能在MDT模式中为医生提供更多辅助，但就目前的形式来看，当下的AI已经不只是单纯辅助，而是尝试作为MDT主体去训练诊疗决策，我觉得这个落地距离还非常远。如果想要真正落地应用，让AI适配MDT场景，我认为AI应该从客观资料整理、资料收集这类固定、繁琐、细碎的基础工作入手，反而会更容易、更快速落地。需要开展MDT会诊的患者，普遍病情复杂、合并症较多，这类患者诊疗需要整合大量医疗资料，而且这些资料必须在MDT会诊开始之前全部收集齐全。但很多患者并不具备这样的能力，不清楚参与MDT会诊需要准备哪些资料，也不了解前期需要完成哪些准备工作。我认为人工智能可以在患者端发挥作用，在患者需要参与MDT会诊时，由AI协助完成前期全套医疗资料的收集整理，整理出符合MDT会诊要求的完整资料。这是我针对这个问题，想到的一个比较细分、能够快速落地的应用方向，当然AI在MDT场景的价值，肯定不止这一点。

说实话，到目前为止，我个人其实没有实际使用过专业的临床医疗AI产品。但是如果大家关注阿福平台的话，会看到平台上上线了多个大型AI智能体，其中就有王俊院士团队智能体。我们团队前期配合阿里、蚂蚁做了将近两年的前期研发工作，才将这款智能体落地上线到阿福平台。智创AI诊断功能上线之后，我个人就没有再深度使用了，因为这款产品更多是面向患者端的工具。主要是供患者自主提问，比如患者上传影像片子、发现自己有磨玻璃结节后，会在平台咨询结节代表什么、需不需要就医等问题，产品核心是解答患者的各类健康疑问，所以我个人的实际使用体感并不多。在全程参与模型建设、打磨产品的过程中，我也清晰感受到了目前医疗AI的局限，它很难真正落地赋能医生的临床工作。相比Deepseek这类通用大模型，这款医疗AI的专业度确实更高，因为我们前期为它投喂了大量医疗专业知识、临床资料和专科内容。但它依旧存在明显短板，没办法切实辅助临床工作，比如无法协助医生将线上咨询的患者精准导流到线下就诊，也没办法帮医生筛选出平台内需要紧急线下诊治的高危患者。这些临床刚需的核心功能，目前的医疗AI都还无法实现。所以结合我参与研发、接触产品的这些经验来看，目前医疗人工智能和临床医生实际工作的适配度还非常低，医生和AI之间的适配鸿沟还很远，需要很长的时间去逐步弥合、完善和落地。

确实是就在评审过程当中，我们这个专家们都在聊，看这个差异很大，哎呦我刚才忘记了好多的例子，你比如说这个我们都说治疗失败之后，后后线的可能的选择，这可能比如说是我们，呃这个这个更常用的语言，但是在你看刚才所有的这些智能体的语言里面，它会是什么下游的分流，还有就是从诊断到治疗到，判断到后面路径的选择，我觉得几乎每一个描述都不是我们医疗常用的语言，我要花挺长的时间去理解它到底想传递的意思的。所以我刚才中午吃饭的时候，大家都还在开玩笑啊，我觉得应该给这些智能体5年，本科教育的教材都先放进去，让他们习惯一下医生们是怎么对话的，让他们去输出，我觉得说那个话可能更符合医疗习惯一点。不然我我今天完成题的速度可能是全场最慢的。我觉得很呃后面的这个模块下午这个模块还好一点。因为我基本上虽然晦涩，但我能懂，但是在上午这个模块的时候说实话，我觉得大多数专家应该都没太明白。上午这一个模块是需要我把，自己放在AI的这个角度去理解这一个问题它在诊疗，过程当中存在的必要性的所以包括这个语言之间agent之间的语言交流，包括我觉得我们跟开发、团队之间的沟通和交流，都还是很需要更多的磨合。

我理解这种复杂的或者灰度病例，它难就难在没有标准答案，也没有太多指南或者既有的经验，能够给我们提供非常标准的治疗依据。这也说明这类病例大概率是经历了多线治疗，或者存在很多合并症，才造成了诊疗难度。总而言之就是没有标准答案，需要专家结合自身临床经验以及病人的整体情况，做出相对个体化的治疗决策。我理解我们今天开展的工作，就是通过AI来辅助这类没有标准答案、治疗难度大的病例。AI最大的优势，就是能够获取海量信息。针对这类复杂病例，不同专家给出的治疗方案不一样，最终的治疗结局也不同，有疗效好的也有疗效不佳的。所以AI首先要做的，就是采集、梳理这类复杂病例的诊疗数据，总结不同治疗方式对应的患者预后情况。AI的学习能力非常强，能够比人工查阅文献获取更多复杂病例的相关信息，通过自主学习和整理，为临床医生提供参考，相对来说指导性会更强。

MDT就是多学科专家聚集在一起，针对单一病例开展集中讨论。之所以启动MDT模式，是因为患者的诊断和治疗需要多个学科参与、涉及多个专科领域。我认为线下多学科MDT讨论的优势很明显，医生之间线下沟通，比线上交流更充分，获取的信息也更全面，能够实现充分的信息互通，最终形成相对更准确的诊疗决策。参与MDT会诊的人员，都是对应疾病领域经验丰富的专科医生，能够为病例诊疗提供专业支撑。同时我也发现，MDT诊疗中，前期的病例资料收集工作至关重要。我们今天审阅病历时就发现，很多病例存在信息缺失的问题，这会导致诊疗判断存在不确定性。所以MDT诊疗不只是单纯的现场讨论，前期充足、完整的患者资料收集，是保障MDT诊疗效果的重要前提，这也是目前可以优化完善的地方。

我认为是可以的。现在AI应用越来越普及，很多患者就诊时，都会拿着Deepseek等AI工具给出的诊疗参考意见咨询医生。但单纯依靠AI决策存在很大局限性，患者向AI提供的信息不够专业、不够全面，会导致AI输出的参考信息不一定具备代表性和真实性，必须经过专业医生的甄别和考量。融入AI的MDT诊疗模式，相比传统MDT，能够帮助我们获取更多专业知识和诊疗参考，同时经由专业医疗团队甄别、研判AI内容，将AI作为辅助决策工具，三者相互配合、相互成就，最终形成的诊疗方案会更加准确、全面，能够更好地服务患者。

我个人实际使用的医疗AI产品并不多。目前市面上真正成熟、可以直接赋能临床医生的AI软件其实很少。我接触过的仅局限于一些面向基层的、基础的AI辅助诊断工具。现阶段，能够真正落地、成熟应用的AI临床辅助决策产品基本没有，目前行业内也还处于搭建和探索阶段。我们团队目前也在申报相关课题，开展这方面的研究工作。所以目前我能想到的、可以实际落地使用的成熟医疗AI软件，暂时还没有。

我认为两者的差异还是非常大的。医务工作者日常使用的专业词汇、临床用语，都有固定的专业习惯和行业语境。我们今天评审内容的时候也能明显发现，AI输出的语言、措辞和临床专业用语有很明显的区别，很容易分辨出来是机器生成的。所以未来AI想要更好地服务医务工作者，最关键的一点就是要适配临床场景，学习、贴合我们的临床专业词汇和行业用语，让AI输出的内容更贴近临床、更方便医生理解。就像今天的测评过程中，很多AI生成的内容，我完全看不懂问题指向、摸不透答题逻辑，这就是机器语言和临床语言不匹配导致的，二者在专业词汇、表达语境上存在很大的差距。

这个问题问到了核心。今天我们开展的所有工作都是有完整背景和缘由的。当下AI对医疗行业，既是助力辅助，也存在相应挑战，更是全新的机遇，如何让AI和临床医疗深度结合，是目前行业普遍在探索的问题。整体来看，AI与医疗的融合探索大致分为几个阶段。第一阶段，大家主要探索AI能否作为临床工作的辅助工具、辅助手段。早期的AI医生、线上互联网医院等都做过相关尝试，但普遍存在准确性、安全性不足的问题。直到近年大模型能力大幅提升，海外各类大语言模型，无论是GPT还是其他主流模型，都在疾病诊断准确率上做出了很多突破，让AI在临床诊断环节的精准度有了明显提升。但诊断准确率提升，并不代表AI医疗就已经成熟，更不意味着临床医生会被AI替代，我并不认同这个观点。我从求学到工作，一直都在北京协和医院，医院的传承和前辈一直教导我们，行医要如临深渊、如履薄冰。之所以有这样的准则，是因为医疗工作中，安全性的优先级往往高于有效性。一项医疗方案哪怕疗效再好，如果安全性无法保障，也是不可取的。我们团队和未来医生团队合作开展MCE相关项目，正是基于这样的临床理念。此前我们自研医疗大模型时发现，单纯对比诊断的准确性、有效性，我们的模型和行业头部大模型基本处于同一水平，没有本质差距。后续我们研讨后确立了全新的评估思路，不再单一维度评判AI能力，而是将安全性与有效性纳入双重评估维度，且优先侧重医疗安全性。调整评估标准后我们发现，在这套双轨评估体系下，我们的模型相较于其他主流大模型，形成了明显差异化优势，综合表现更贴合临床需求。去年年底，我们团队相关研究成果成功发表于《NPG Digital Medicine》顶刊，获得了行业同行评议的认可，这也印证了兼顾安全与有效，是AI医疗落地的核心方向。但做到安全和有效，并不是AI医疗临床落地的终点。我在协和长期深耕的临床工作，核心就是疑难杂症、复杂合并症与并发症的诊疗处理，这也是目前临床中最需要突破、最需要团队协作探索的领域。临床之所以需要MDT多学科会诊，正是因为很多患者的诊疗存在疑难性、复杂性和不确定性，需要多科室专家协同研判、共同决策。而这些疑难、复杂、不确定的诊疗场景，就是临床典型的灰度区域。从临床现状来看，肺癌诊疗虽然有大量指南、共识作为参考依据，但真实临床病例不会完全按照指南和教科书的标准发病，每一位患者都存在独特的个体化差异。如何在患者个体化差异的基础上，落地循证医学理念、运用前沿研究成果，同时平衡医疗的安全性与有效性、规范性与前沿性，这是临床灰度区域亟待解决的核心问题，也是我们开展本次MCE研究的核心临床诉求。本次我们专门邀请了内科、外科、呼吸科、病理科、影像科、核医学科、放疗科等MDT核心科室专家，开展专项评审研讨，核心目的不只是讨论单个病例，更多是提炼灰度病例的共性特征。我们希望通过多学科专家协同研讨，探索出一套标准化方式：如何更全面地收集灰度病例临床信息、更精准地完成疾病诊断、更合理地制定治疗方案，在结合传统诊疗证据与前沿研究进展的基础上，为患者做出兼具科学性、安全性、有效性与性价比的最优诊疗决策，这也是本次MCE评审研究与后续实验，最核心的学术价值与临床意义。

今天各位专家齐聚一堂参与评审，我确实感触很深。本次参会的既有多学科领域的资深专家，也有协和本院的专家，还有京津冀地区的知名专家，大家共同交流探讨，让我有了很多新的收获。第一，当我们把灰度病例展示给各位专家时，几乎所有专家都认为，依托自身的知识体系和决策逻辑，现有病例信息是不够完备的。其实这就是临床工作的常态。有专家提到，信息不完整，就很难开展后续规范诊疗，而这正是真实临床世界的现状。今天我们展示的全部都是真实世界病例，基于这次评审，各位专家也给出了很好的方向建议。未来我们在关注这些不完美的真实世界病例的同时，可以借此搭建一套针对疑难、复杂肺部肿瘤病例的完整诊疗框架，帮助医生依托三条核心原则开展规范化诊疗，也就是先诊断后治疗、先评估后治疗、先检测后治疗。只有落实好这三条原则，我们才能进一步研判病例的复杂性、界定临床灰度区间。各位专家都有着丰富的临床经验和成熟的诊疗工作套路，这些经验的共性交集，能够搭建起一套通用的诊疗知识框架和知识体系，未来不管是医生临床决策，还是患者就医问诊，都能依托这套框架规避不必要的诊疗偏差和失误，这是我本次最大的收获之一。第二，我深刻感受到临床团队和AI团队的融合难度。我自己亲身经历过两个团队的磨合过程，未来医生的AI团队非常专业，但跨领域沟通存在天然壁垒。AI团队耳熟能详的专业术语、行业缩写、专属话术，对我们临床医生而言是完全陌生的内容；而我们临床行业默认的常规表述、专业暗语，AI也无法识别。所以，专业名词、术语体系的统一和互认，是双方融合需要跨过的第一道关卡。除此之外，两个团队的工作起点和核心目标也存在差异，临床医生以现有病例资料为基础，核心目标是治病救人；AI团队同样依托现有资料，但核心目标是校验各时间节点的决策是否科学。二者大方向一致，但关注重点、表述方式、逻辑侧重点完全不同。今天很多专家提出的问题和建议，让我更加确定，未来更多临床医生参与AI体系搭建时，统一语言体系、统一逻辑语境是重中之重。第三，我们原本认为本次选用的临床病例已经相对完备，但经过各位专家审核后发现，病例资料存在很多不足和漏洞，存在大量关键信息遗漏、内容缺失的问题。专家也明确指出，目前仅有文字描述，缺少影像图片等关键支撑资料，这也是后续AI团队需要重点完善的工作。我们需要推动模型从单模态的大语言模型，升级为多模态数据融合模型，只有实现多模态数据整合，才能真正贴近、模拟真实的MCE诊疗场景。不同科室专家的诊疗视角也存在差异，比如外科和内科医生看CT影像、看片子的侧重点完全不同。今天我也拜托各位影像专家，后续协助我们搭建一套标准化的肺部肿瘤影像描述框架，完善基础特征梳理工作，为后续模型研判、临床决策筑牢基础。总结来说，我最大的感悟是，人工智能的核心不在于“智能”，而在于“人工”。前期人工梳理的资料是否全面、准确、详实、多模态，直接决定了后续模型的智能效果。如果前期基础资料不完善、数据有缺失，后续模型的智能能力再强，也会出现大量幻觉、判断偏差和决策错误。深耕这项工作越久，我越能体会到临床医生日常基础诊疗工作的重要性，也更加明白完善临床基础信息、规范诊疗资料，是医疗AI落地临床的核心根基。

我觉得这是一个特别好的问题。我想说几点。第一，不学习AI的医生一定会被淘汰。不是AI淘汰医生，而是AI淘汰不会使用AI的医生，这是第一点。第二，现在很多医生自己不用AI，但是患者和家属都在用，大家拿着豆包、阿福、GPT这些工具的结果来找医生就诊。如果医生不会用AI，要么没办法专业解答患者的疑问，要么就做不到用专业认知去对标、去制衡AI信息。临床上经常出现这种情况，病人拿着AI给出的答复过来咨询，我们觉得AI的答案不一定准确，但换一个AI查询，答案又不一样，很多病人往往是被AI的结论说服，而不是被医生的专业理论说服。所以我认为，大家不要神化AI，但也绝对不能忽略AI。未来各行各业都会和AI结合，医疗行业也是如此，我们要把AI当成一种增强工具、赋能工具，而不是让它替代医生，这一点非常关键。第三，我认为AI也会淘汰只会用AI的医生。什么意思呢？如果我们自身具备主动思考的能力，有自己的诊疗思路，只是借助AI提升信息检索、问题梳理的效率，那AI对我们就是正向增强。但如果我们完全放弃思考，不再梳理诊疗过程、心中没有自己的诊疗方案，完全依赖AI、照搬AI的所有结论，这是彻头彻尾的错误，也会带来灾难性的临床后果。我记得张文宏老师曾说，不太建议医学生过早使用AI，我理解他的初衷，就是担心从业者在学习初期，丧失自主思考的原生能力，单纯依赖AI工具。所以在AI时代，我们不仅不能弱化医生的思考能力，反而要极大强化思考能力。这种思考不只是对病情客观事实的逻辑研判，更多还要包含情感思考、人文思考。我们面对的是活生生的患者，不是冰冷的机器，看病不是维修设备，人文温度是无法被替代的。我在参与本次项目的过程中，越来越深刻地感受到，我们在学习和工作中，一定要学会借助AI辅助工作，但必须严格限定AI的使用边界。我现在也会每日自省、三省吾身，复盘自己今天还保留了多少主动思考，而不是一味依靠AI、让AI替代自己的思维，这是最本质的区别。无论是临床工作还是日常学习，主动思考的能力绝对不能丢掉，只有这样，我们才能真正用好AI这个工具。落实到我们的MCE项目，我心里也有清晰的定位，后续我也会和团队重点沟通。我们的AI一定要严格定义为医生的辅助决策系统，项目的出发点决定最终成果。如果我们的定位是让AI替代医生，那这个项目大概率做不好、也做不长久；但如果我们始终立足医生的知识体系、思维导图和临床逻辑决策系统，让AI在每一个诊疗环节切实辅助医生、赋能临床，真正落地临床价值，那我们的研究和产品就是成功的。

说实话，这个问题维度比较广，也不只是单纯从我临床医生的角度出发，我有几方面真实的感受和想法。首先，我们做医疗AI这件事，初心一定是好的，不管是为患者、家属服务，还是辅助临床医生工作，最终都是为了优化临床诊疗。但目前行业存在一个核心根本问题，就是付费机制不明确，谁来为前期的医疗知识沉淀、数据积累，以及后续的产品迭代维护买单，这是关键。可以参考国际上的垂类大模型，比如Open Evidence这类平台，主要由药企承担相关费用。但国内目前没有明确的付费主体，到底是国内药企、医保政府部门，还是患者个人来承担这部分成本，始终没有定论。如果这个根本性问题得不到解决，没有对应的付费、保险机制做支撑，行业后续发展一定会遇到明显瓶颈，很难长期持续推进。其次是我个人的认知变化。最开始接触AI时，我觉得人工智能非常神奇，抱有很高的期待。临床上我们在协和接触大量疑难、复杂、少见病例，最开始希望AI能在这类复杂病例诊疗上，给我们提供有效的辅助，实际使用中也确实能给到一定帮助。但随着合作深入，我愈发意识到我之前提到的观点，相比于智能本身，前期的人工积累、人工梳理才是核心。只有精准、完备、详实的人工基础数据，才能支撑起优质的智能输出。熟悉AI能力之后，我现在更加重视临床日常工作的点滴数据积累。我会觉得，我们日常给患者做更全面的检查、更细致的评估、更完备的病历记录，都是在为AI积累优质的临床素材，能为后续同类患者的精准诊疗打下基础。单靠个人力量很有限，但如果每一位临床医生都能秉持这样的工作理念，持续积累临床数据，将会形成非常宝贵的行业资源，这是我在合作中很重要的一点认知提升。第三，AI智能层面本身也在持续进步，有很多值得肯定的地方。我们此前发表的相关研究文章，就是很好的印证。行业内大多聚焦AI诊疗的有效性，而我们率先兼顾了有效性与安全性，这篇文章的发表只是表象，核心是我们的研究思路、临床理念得到了认可，这也是AI迭代升级的关键价值。现阶段，我们进一步挑战临床灰度病例的诊疗难题，希望借助AI的能力，让诊疗思考更全面、判断更精准、方案更严谨。在和未来医生团队的深度合作中，我们梳理出了AI辅助灰度病例诊疗的核心逻辑。无论是浅灰度还是深灰度的复杂病例，AI给出的诊疗建议，本质是三种方案的组合。第一是循证标准方案，也就是规范化的指南治疗路径，无论患者在何种医疗机构就诊，专科医生依据指南，都应执行的标准化治疗方案。第二是前沿创新方案，对标最新的学术会议成果，比如刚落幕的ASCO、即将召开的ESMO等国际顶尖会议的最新诊疗进展，这类前沿内容，很多临床医生无法及时全面学习掌握，而AI可以很好地补齐这一短板。第三是个体化平衡方案。即便掌握了标准路径和前沿路径，我们也不能直接将最新方案套用在患者身上，需要结合治疗安全性、药物可及性、家庭经济条件等多重因素综合考量。在标准化治疗和前沿创新治疗之间找到平衡，为患者制定适配的个体化方案。这种平衡的研判，既可以由医生完成，也可以由AI系统辅助完成。所以在我看来，对AI的认知要去魅，褪去智能化的神话滤镜后，我们才能清晰看到它的核心价值，它是临床工作中非常强悍的辅助帮手。AI应用的核心，就是践行医疗的平衡艺术，也是中国传统哲学中的平衡理念，在各类诊疗变量中找到最优解。除此之外，AI也重塑了医患决策的模式。以往遇到疑难复杂、无明确标准方案的病例，只能依靠医患双方沟通、共同决策。而现在很多患者会主动借助豆包、GPT等AI工具查询病情，拿着AI结论主动和医生沟通，倒逼医生参与AI协同决策。也有很多主动学习的医生，会自主借助AI检索未知基因突变、最新治疗药物，主动优化诊疗方案。我认为未来的理想形态，是患者、医生、AI三者协同作战、共同决策，形成全新的诊疗闭环。大家可以更科学、更理性地看待AI在临床诊疗中的价值，这也是我对未来医生平台、对医疗AI行业的核心期待，希望未来能持续深耕，让三者协同的诊疗模式落地普及，更好地服务临床、服务患者。

在本次复杂肺结节MCE方法学研究项目的推进过程中，我最大的感受是，这项研究真正打通了临床一线诊疗与AI算法研究之间的壁垒。同时我们在项目落地过程中，也遇到了诸多挑战，海量病例的筛选、病例标注工作，以及AI算法的持续迭代更新，都是我们面临的核心难点。但在逐步攻克这些挑战的过程中，我们也切实看到了AI在临床诊疗中的巨大优势，AI能够精准识别各类微小病灶。待本项目全部完成后，能够进一步精简、优化临床诊疗方案，为临床诊疗工作提供极大助力。总体而言，克服一系列难题后，我们能确定AI在临床诊疗领域具备极高的应用价值，值得广大医务工作者持续深耕探索。经过全程研究实践，我们发现依托人机协同的模式，能够为疾病全周期、综合性的诊疗管理提供极大帮助，以数字化技术赋能临床、下沉基层，为广大患者提供更高质量的医疗服务。本次研究最大的难点在于，不同AI模型的运算逻辑不同，输出的诊疗方法、诊疗策略也各不相同，各有逻辑短板。同时，不同临床专家拥有各自的诊疗思维与临床经验，和AI生成的诊疗内容必然存在一定偏差。如何从众多方案中筛选出最优诊疗路径，是后续需要通过算法迭代优化、联合全国更多临床专家参与病例标注，持续完善攻克的问题。事实上，研发出一款真正能落地、能让医生好用、实用的医疗AI，必须经过大量临床医生的反复验证，这也是本次研究耗时最久、难度最高的环节。目前市面上绝大多数AI产品都没有经历过这套完整的临床验证流程，缺乏和临床医生的深度适配与互动，这也是商用医疗AI难以贴合临床真实场景的核心原因。

最后，我对本次复杂肺癌MCE方法学研究抱有很高的期待，也送上诚挚的祝福。希望项目在后续全国多中心验证工作中，能够取得圆满成功。也感谢整个团队的全程配合与辛苦付出。

我认为最大的难点，是对复杂灰区肺结节病例的结构化识别。目前市面上已经有不少AI辅助病例系统，也陆续接入了各大医院，能够满足常规疾病的诊疗辅助需求。但针对复杂灰度病例的识别工作，不仅耗时，还非常耗费算力。所以我们本次实现的复杂灰度病例结构化识别，是非常具备创新性的核心亮点。目前落地医院的各类AI智能系统，对普通疾病的辅助诊疗有一定帮助，但面对复杂疾病时，能力相对有限。尤其是在MDT多学科会诊场景中，普通智能体大多只能单一识别某一个专科领域的疾病异常，无法兼顾多学科并发问题，比如在研判肺癌的同时，同步关联评估患者的风湿免疫病、心血管疾病等合并症。我们下一阶段的核心目标，就是将MDT多学科诊疗逻辑深度融入AI系统，实现多学科一体化研判，这也是我们的智能体相较于市面其他产品，更先进、更智能的核心优势。

是的，这也是目前智能体最难攻克的核心方向。今天参会的很多专家也都提到了这个问题，AI智能体能够精准学习、理解各类词元和文本信息，但输出的很多语言表述，并不贴合临床常用话术和行业语境。所以我们后续的核心优化方向，就是深度融合临床专业语言，推动AI智能体的临床化适配改造，让AI的输出表述贴合临床诊疗习惯、贴合医生工作语境，让普通临床医生能够更轻松、更清晰地读懂AI的诊疗逻辑和输出内容，打通人机交互的语言壁垒。

我非常期待我们后续的人机协同试验，能够覆盖不同地区、不同层级医院、不同年资的临床医生，开展更大范围、更全面的综合性试验研究。目前行业内的主流论文，大多只是单一评判AI的优劣，或是单纯论证AI的安全性、有效性，研究角度相对片面。而我们的研究最大的亮点，是聚焦复杂肺癌灰度病例这一细分场景，设计差异化对照试验，让不同医院、不同年资的医生，分别在使用和不使用我们自研智能体的情况下完成诊疗研判，再对全部试验数据进行系统统计、对比、分析。我非常期待后续能够产出区别于现有研究、更具临床针对性和落地性的全新研究成果，为医疗AI的临床落地、人机协同诊疗提供全新的参考依据。