人工智能能够检测乳腺癌、使资源匮乏国家实现医学成像，并在诊断时识别出需要高级治疗的患者——这些只是卡罗林斯卡学院（Karolinska Institutet，KI）影响全球的AI研究中的几个例子。
基于深度学习的人工智能已经彻底改变了基于图像的模式识别，尤其是在医学诊断领域。一个典型应用是"AI放射科医生"，它不知疲倦地评估乳房X光片，发现人眼无法察觉的异常。
自2023年6月起，卡皮奥圣戈兰医院（Capio St Göran's Hospital）的AI算法"AIna"在其乳腺X光检查部门投入运行，该部门每年为约8万名女性进行乳腺癌筛查。
传统上，图像由两名放射科医生双重检查并标记异常。在共识讨论中，医院可决定召回女性进行补充检查。在让AI替代一名放射科医生前，研究人员基于5.5万余名女性的试验成果于2023年发表在《柳叶刀·数字健康》（The Lancet Digital Health）。
医学流行病学与生物统计学系（Department of Medical Epidemiology and Biostatistics）研究员、乳腺成像专家卡琳·登布罗维尔（Karin Dembrower）表示："简而言之，AI与一名放射科医生的协作模式优于两名放射科医生组合。"
AI辅助诊断多发现4%的癌症病例，同时减少6%的健康女性误召回率。不必要的复查不仅耗费时间，更引发患者焦虑。
AI提升诊断精准度
2025年发表在《放射学》（Radiology）的综述显示，AI参与标记流程的准确率达单独放射科医生的十倍。如今，AI标记的检查必定触发共识讨论。
"若我们无法通过旧扫描影像（人类可调阅而AI无法获取）解释该发现，就必须召回患者，"登布罗维尔博士解释道，"最终决策权在放射科医生，但AI提供关键信息。"
初期研究曾遭遇放射科医生抵触，因流程耗时增加。"但当大家意识到癌症检出率提升后，态度逐渐转变，"她补充道。
缩短患者等待时间
另一项未发表研究证实，AI与医生协作能发现更多侵入性癌症病例——即肿瘤细胞已扩散至其他组织的类型。
"我们曾过度依赖自身经验而轻视算法，如今更显谦逊，"登布罗维尔博士指出，"我清楚自己能看见什么，却无法预知盲区所在。"
新工作模式加速诊疗流程，缩短等待及转诊时间。"这意味着我们能集中资源为乳腺癌高风险女性提供更高级检查。"
关于临床责任归属，虽无明确国家指南，但欧盟AI法案（EU's AI Act）规定决策必须包含人类参与。这与2022年受访女性的观点一致：她们在决策链中需要人类介入，且对人为错误的容忍度高于算法错误。"她们视AI为有效补充而非替代品，"登布罗维尔博士强调。
弥补全球专家短缺
让AI承担医学图像分析，可将诊断能力延伸至最需要地区。卡罗林斯卡学院全球公共卫生系（Department of Global Public Health）教授约翰·伦丁（Johan Lundin）正推进此方向。
"当前AI多用于资源富足地区，"他指出，"我们颠覆此逻辑，将其部署至专业人才匮乏的环境。"伦丁教授正与肯尼亚、坦桑尼亚合作解决病理学家短缺问题。
"瑞典每百万人口拥有30-40名病理学家已属困境，而撒哈拉以南非洲不足1名，"他对比道。借助源自手机产业的数字化组件，样本数据可便捷传输，"显微图像评估者可能身处另一城市甚至国家。"
4亿女性宫颈癌筛查
针对宫颈癌的项目中，北欧通过筛查与疫苗实现预防，但在低收入国家这仍是女性癌症头号死因。世界卫生组织（WHO）设定2030年前为70%适龄女性筛查的目标。
"实现该目标需全球额外筛查4亿女性，自动化技术不可或缺，"伦丁教授表示。研究团队在肯尼亚基农多医院（Kinondo Hospital）完成3000余名女性筛查，在坦桑尼亚初级医疗点完成600例。护士采集宫颈外口细胞样本，经载玻片制备数字化后，AI分析结果由远程病理学家复核。
实验证明AI准确度媲美专家，并能检测致病病毒。在依赖病毒筛查的国家，阳性者需补充组织样本，"当25-30%女性呈阳性时，AI作为'中间环节'可缓解系统压力，"伦丁教授解释。
寄生虫检测秒级响应
土壤传播的肠道寄生虫影响全球15亿人，部分地区20-30%儿童感染。现行驱虫药大规模治疗易引发耐药性，"我们的方案使医生仅针对复感患者治疗，"伦丁教授说。
2500名小学生的粪便样本检测显示：显微镜检查每张载玻片需10-15分钟，AI仅需数秒；"超10%案例中，AI检出人类专家遗漏的虫卵——每张载玻片可能仅1-2枚，如同大海捞针。"
样本制备差异是主要挑战，"AI如同学生，样本形态波动将降低效能，"他比喻道。为此研究团队在《英国医学杂志》（The British Medical Journal）2025年刊文建议：通过标准化流程适配本地条件，"部署时需人工质控前50-100个样本。"未来或可取消染色制备——"现为辅助人眼而设，AI可能无需此步骤即可识别异常。"
伦丁教授强调："AI若以建立信任与教育方式负责任应用，可缩小全球医疗不平等。资源匮乏地区对这些技术需求迫切，AI不该仅是富裕国家的专利。"
个性化用药决策支持
除图像分析外，AI还能挖掘医疗数据中的隐性规律，例如识别对特定药物反应异常的患者亚群。卡罗林斯卡学院索尔纳医学院（Department of Medicine in Solna）流行病学副教授赫尔加·韦斯特林德（Helga Westerlind）正开发此类模型。
针对类风湿关节炎患者，她聚焦甲氨蝶呤治疗响应预测——三分之一患者因无效或副作用需一年内停药。"我们识别对首线治疗响应差的患者，确保及时调整用药，"她说。
项目整合国家登记库的病史、处方、社会人口及临床数据，并纳入基因分型血液样本。"海量异构数据需智能融合，"韦斯特林德博士解释。传统"回归模型"依赖预设假设，而AI通过数据驱动自主识别关键变量，"但变量预处理直接影响结果可靠性。"
警惕误报风险
"必须区分预测与因果关系，"她警示道。常见陷阱是模型评估使用训练数据导致"信息泄漏"，"这会产生虚假的优良结果。"
研究团队采用迭代法优化模型："从基础模型起步，逐步增加复杂方法与数据类型。"2021年《ACR开放风湿病学》（ACR Open Rheumatology）刊载的首项研究仅用登记数据；2025年《内科医学杂志》（The Journal of Internal Medicine）发表的进阶研究融合遗传数据。
"AI模型未必优于传统方法，但能处理更大规模数据，揭示复杂非线性关联，"她指出。作为拥有计算机科学硕士的医学研究者，她强调多学科协作价值："医学、统计、数学与信息学的交叉融合，才能挖掘AI对疾病生物学的深层洞见。"
终极目标是临床决策支持工具："理想中的风湿病学助手能预判患者对何种治疗响应最佳，让患者更快获得有效治疗，提升生活质量。"
全球瞩目的创新成果
三位研究者的突破性工作引发国际关注。"全球唯独我们让AI分析全部筛查样本，"登布罗维尔博士指出其乳腺癌研究的独特性。伦丁教授因推广医疗可及性研究，受邀加入联合国全球健康人工智能倡议（UN's Global Initiative on AI for Health），"这是全球组织共商技术、伦理与监管标准的平台。"
韦斯特林德博士的数据整合技术同样独一无二："我们的数据库在规模与维度上均属罕见，建立过程极为耗时。"
撰文：Lotta Fredholm
译者：Neil Betteridge
【全文结束】
