Page 57 - 南京医科大学社科版
P. 57

南
               第6期 总第131期                           南京医科大学学报（社会科学版）京医科大学学报（社会科学版）                             ·
                 2025年12月                     Journal of Nanjing Medical University（Social Sciences）of Nanjing Medical University（Social Sciences）  · 583
                                              Journal
               先医学理论、以功能实现驱动结构研究进步的路                             在脑机接口、认知增强等领域实现生物智能与机器
               线。以人脑与意识研究为例，人类尚未在理论上阐                            智能的深度融合，将在未来的疾病治疗中发挥重要
                                                                     ［6］
               明千亿级神经元之间结构共轭关联的机制，但医学                            作用 。
               AI 仍然在结构模拟、学习机制、感知生成等领域的                              4. 医学新质高技术突破创造力缺乏难关
               功能研究方面获得显著进展。医学新质高技术“功                                能否具有创造力是医学 AI 的命脉和医学技术
               能研究”的成就往往通过以下路径得以实现。                              发展的天花板。医学新质高技术依赖生成算法革
                   1. 计算模拟材料取代传统实验材料                             新、数据价值挖掘和人机深度协同的共轭，目标直
                   传统实验材料作为科学研究的物质载体，深刻                          指大幅度超越生物脑，试图突破医学 AI 技术缺乏创
               影响着科学研究的突破方向与效率。AI 技术实现                           造力的难题。医学新质高技术从基因编辑的遗传
               了实验材料载体的划时代革命，采用以计算模拟材                            病根治到 AI 手术的精准化革新，技术创新直接转化
               料取代实验实物材料的新方法。如采用计算模拟材                            为临床效果改善和医疗资源优化配置。
               料开展蛋白质结构预测和设计研究，可以更深入地了                               5. 医学AI 技术创建“深度学习”机制
               解疾病发生的分子机制，为疾病的预防和治疗提供研                               机制是决定事物发展层次和性质的底层逻辑，
                     ［3］
               究途径 。 2024 年，戴维·贝克（David Baker）等凭借                是实现事物飞跃式发展的命脉。“深度学习”形成了
               AI 驱动的蛋白质折叠与设计技术方法获得诺贝尔                           特征自动提取的机制：通过卷积神经网络等结构，
               化学奖，其核心在于用 AI 技术的计算模拟材料方法                         逐层提取数据的空间与语义特征 ；构建类似前额
                                                                                               ［7］
               直接回避了医学新质高技术研究受制于生物实验                             叶皮层的认知结构，复现生物神经系统处理信息的
               材料的局面，创造出比天然蛋白更适合解决现代问                            层次化、非线性与动态优化特征；规避传统算法的线
               题的全新蛋白质。                                          性决策短板，突破传统机器学习依赖人工设计的局
                   行为层模仿替代生理层机制。行为层模仿研                           限。“深度学习”是医学原质高新技术进阶医学新质高
               究进路通过系统性、动态化的分析框架，为医学 AI                          技术的关键，在医学影像智能分析、个性化治疗决策、
               解决实践问题提供了更具操作性的解决方案，虽然                            疾病风险预测等医学实践中有不俗的表现。如深度
               其与生理层研究的互补性仍需在具体场景中进一                             求索（DeepSeek）系统对糖尿病视网膜病变筛查精度
               步探索，但这一医学新质高技术的研究成果已经挑                            媲美专业眼科医生 。但是，“深度学习”带来的“深
                                                                                  ［8］
               战了生理层价值研究。如在大语言模型（LLM）特别                          度局限”等新问题同样需要受到“深度质疑”。
               是生成式预训练转换器（GPT）驱动的加持下，医学                              （三）医学AI技术“走进身体”的新问题
               AI 越来越多地表现出人类特性，比如 AI 模型对风                            医学 AI 技术的新问题是多维度的，包括技术维
               险、时间和社交互动产生了明确偏好，甚至会产生                            度、人文维度和生态维度。囿于篇幅，也出于避免
               独特的个性和看似情绪化的反应 。                                  重复的考量，这里只讨论技术维度的新问题。
                                            ［4］
                   2. 海量数据补偿有限具身认知                                   1. 真伪待查
                   身体尤其是人脑工作机制的科学阐明有待时                               医学 AI 数据的“真伪待查”是指其准确性、全面
               日，医学 AI 技术弯道超车另辟蹊径，在不了解大脑                         性和证据基础尚需进一步验证。全球最大的生物
               记忆存储原理的情况下，通过分析超百万量级的图                            医学文献数据库 PubMed 已经向公众免费开放摘要
               像、文本等结构化信息集，建立远超人类处理能力                            和基础元数据检索服务，医学 AI 可通过应用程序编
               的模式识别模型的策略，淡化医学技术与医学知                             码接口（API）直接调用这些非全文数据。文献全文
               识、身体知识的有机关联。在医疗领域融合电子病                            获取仍受版权限制，需通过机构订阅或开放获得授
               历、影像学与基因测序数据，建立疾病演化知识图                            权。因此，从 PubMed 获得数据的准确性、全面性存
               谱 ，用海量数据补偿有限具身认知缺陷。                               疑。生成式人工智能（GAI）是指能够从数据训练生
                 ［5］
                   3. 分功能研究改写智能全脑性                               成全新且有意义数据的人工智能技术 ，GAI 工具
                                                                                                    ［9］
                   对脑活动机制完整的解读成为人类精神现象                           如 DeepSeek 和 Kimi 等解答医学某一领域知识的准
               研究的前提。医学新质高技术研究悬置脑科学对                             确性、全面性和证据基础也需进一步验证                   ［10］ 。医学
               智力的整体性解释，走由分到合的逻辑路线，开启                            AI 模型的数据准确性、可靠的大样本验证、医疗设
               身体分功能研究之旅，将全脑智能拆解为感知编                             备与医学 AI 软件的兼容性、AI 参与医疗工作的适
               码、记忆存储、决策计算、运动控制等核心功能模                            应性等，都是影响数据真实可靠性的严重问题                     ［11］ 。
               块，基于脑区功能特异性构建可组合的神经计算单                                2. 对抗样本攻击敏感性
               元。例如，视觉皮层采用卷积神经网络模拟特征提                                “深度学习”模型对抗样本攻击敏感性是指深
               取，前额叶皮层通过强化学习框架实现目标优化。                            度学习模型易受微小扰动干扰，即使人类难以察觉
               分功能研究通过“解构—验证—重组”的新逻辑，已                           的输入变化也会导致模型误判。医疗 AI 系统往往
   52   53   54   55   56   57   58   59   60   61   62