Pahi Mehra
2025年2月27日
随着生成式人工智能（GenAI）重塑各行业格局，其在医疗保健领域的影响力正在加速显现。在医学影像领域，AI驱动的自动化技术正显著提升诊断效率，为临床医生带来前所未有的支持。然而数据质量、算法偏见及监管合规性等核心挑战仍亟待突破。
作为全球领先的医疗科技企业，西门子医疗正通过整合生成式AI技术革新影像诊断解决方案。在接受TechCircle专访时，西门子医疗全球开发中心生成式人工智能卓越中心负责人普拉卡什·KS详细阐释了企业在AI技术应用、数据偏见应对及医疗AI未来发展方向上的战略布局。以下是经编辑的访谈实录：
在将生成式AI集成到产品、服务及医学影像中的过程中，您采取了哪些策略？
我们的生成式AI战略聚焦三大核心领域：内部工具优化、服务可维护性提升及产品创新。在内部系统中，我们已将生成式AI应用于产品生命周期管理（PLM）、客户关系管理（CRM）、供应链管理（SCM）及医生排程系统。通过复用现有工具链，该技术显著提升了运营效率，缩短了产品上市周期，彻底重构了整个PLM流程。
在设备维护领域，我们通过预测性分析和预防性维护提升设备可靠性。收集的设备数据经小型语言模型处理后，可实现更精准的故障诊断和维护指导。同时，母公司开发的My Learning World平台借助生成式AI为医护人员提供定制化培训方案，覆盖医学知识和设备操作双重内容。
产品创新方面，我们在影像价值链全流程集成生成式AI。当前正在开发的AI自动化原型涵盖报告生成、疾病检测、影像分割及历史数据整合。我们的智能影像价值链通过AI技术强化检测、分割和报告生成能力，同时确保临床工作流程最小化干扰。此外，我们正在探索生成式AI在磁共振成像（MRI）图像重建和AI辅助诊断系统（AI RAD伙伴）中的应用。通过系统化嵌入生成式AI技术，我们在保持现有工作流连续性的前提下实现了效率跃升。
生成式AI在临床影像和报告分析中如何提升诊断准确性和效率？
早期自动化阶段，MRI扫描生成的数千张影像令手动分析难以实施。如今算法已能实现自动检测、分割和模式识别。但这些分析尚未与包含患者症状、病史及心电图、血液检查等多模态临床数据形成有效关联。这种整合在过去要么无法实现，要么需要独立的后期处理。
现在大型语言模型可同步分析影像数据，提取特征信息，并与多源临床数据交叉验证后输入AI模型，实现更深层分析并识别新型疾病模式。这种自动化整合使AI能综合多维度数据，达到前所未有的诊断精度。
AI驱动的影像分割技术如何助力放射科医生更有效地检测和诊断疾病？
当患者进行CT扫描时，专科医生需审阅大量影像。由于时间限制，通常只能检视系统筛选的最具诊断价值的样本影像。
现在通过疾病状态和器官建模技术可实现智能预测，但始终保留人工复核机制。放射科医生最终决策时，AI扮演助手角色。系统不再是单纯检视有限影像做出判断，而是提供AI生成的摘要报告，突出显示潜在病灶区域，引导医生聚焦关键部位进行深入检查。
AI不会替代人类专业判断。当模型不确定时会明确提示而非输出错误结论，这种机制既提升效率又确保准确性。若AI发现而医生漏诊的病灶，可作为额外验证；若二者结论一致，则形成双重确认。AI还能消除疲劳导致的错误，以无偏见方式处理海量数据，其核心作用是辅助而非替代人类诊断。
生成式AI正在重构放射学领域，是对其形成补充还是根本性改变？面对各行业AI取代人类专家的担忧，您如何看待AI与放射科医生的协同关系？
去年首次出现AI模型在专业知识和治疗方案选择（基于年龄、性别等多因素）方面超越放射科医生的表现，这引发了关于职业替代的担忧。但这种担忧虽不无道理却过于夸张。
患者始终需要人类专家复核诊断结果，即便AI提供初始评估。人类验证仍是关键环节。尽管AI能量化分析情感相关因素，但无法真正实现个性化照护。虽然可自动化处理重复性任务，但放射科医生的核心职责无可替代。
放射科医生50%-70%的时间用于影像传输、报告汇编等行政事务，这些流程均可由AI自动化完成。即便技术深度整合，人类监督仍将不可或缺。AI的角色始终是辅助工具，使医生能聚焦处理因时间限制可能漏诊的复杂病例。
超越放射学领域，AI将重塑个性化医疗。就像在线音乐流媒体将音乐体验从标准化转向个性化，AI将在药物递送、治疗方案制定和影像诊断中实现基于历史数据与队列分析的个性化调整。这种转型将深刻改变医疗健康与医学教育领域，始终以人类专家为核心推动精准医疗。
我们已探讨AI如何变革医学影像，但在规模化应用中面临哪些最大挑战？
最大挑战既非成本也非技术采纳，而是清洁数据的获取。医疗流程、设备和扫描仪产生海量数据，但AI模型的有效运行依赖高质量数据。当前数据处理模式多采用事后清洗，这种做法效率低下。正确的做法应在数据生成源头即实现结构化和可用性设计，尽管这种转变已在发生，但仍是关键瓶颈。
另一个挑战是将AI无缝整合进现有医疗工作流程，避免干扰临床医生。AI系统需支持互操作性数据，整合心电图、影像和检验报告等多模态数据形成统一工作流。虽然已实现部分整合，但完全互操作性仍待突破。
监管合规性同样关键。医疗AI必须符合法律和安全要求，最大限度降低错误率。在高风险医疗环境中，单一错误可能引发信任危机并阻碍技术应用。为此，AI模型需实现接近完美的准确度。
核心挑战包括清洁数据获取、工作流程整合、监管合规及数据互操作性，同时必须保障网络安全。
超越医学影像领域，您如何看待AI在医疗健康领域的未来发展？
AI将使医疗更加个性化和高效。药物研发、递送系统及个性化治疗方案将深度融合。在运营效率方面，床位调度和实验室工作量管理的优化将显著缩短患者等待时间，基础健康检查不再需要耗费整天时间。
早期诊断能力将持续提升，某些当前需要影像检查的疾病未来可通过血液检测发现。整个行业包括西门子医疗正在开发临床决策支持系统，以增强诊断与治疗效果。
关键创新之一是数字孪生技术。我们正在基于病历、治疗记录、扫描数据、血液检查等健康信息构建患者虚拟模型，帮助早期发现潜在疾病。
数字孪生技术将实现真正个性化治疗。当AI根据个体特征定制药物方案时，患者不再需要质疑用药安全性和剂量适宜性。医疗健康正在向精准医学、数字孪生和高度个性化护理转型。
贵公司在训练生成式AI模型时，如何确保数据清洁、无偏见并具有患者群体代表性？采取哪些措施防止医学影像数据集的偏移和不一致？
我们投入大量资源确保数据采集质量。现有数据库包含约12亿份医疗记录，涵盖影像、运营和临床数据。我们建立严格的筛选机制，不接受所有输入数据，而是遵循超越监管要求的扫描、存储和传输标准，确保数据质量、无偏见和多样性。我们核查地域、性别和年龄相关偏见，维护公平的代表性数据集。
我们积极投资联邦学习技术。在获得医院和诊所许可后，我们在扫描现场处理数据而非转移原始影像或病历。本地小型模型提取特征信息后，仅将这些洞察用于训练主模型，原始数据始终保留在源位置以防止数据无序流动。
我们的清洁数据策略包含三个关键步骤：首先，使用多年积累的大型数据集；其次，确保数据采集各阶段的透明性和合规性，超越监管要求因处理敏感医疗信息；第三，联邦学习让我们在不直接存储患者新数据的前提下，通过提取洞察持续优化模型。
即便模型训练完成后，我们仍持续进行偏见测试、准确性验证、完整性评估和边界案例测试。在部署前，模型需通过严格的验证、临床测试和临床验证流程。鉴于医疗AI的高风险属性，我们采取一切必要措施规避错误风险。
【全文结束】
