对于许多人来说，“人工智能”（AI）这个词既令人着迷又让人害怕。AI 在解决复杂的生物医学问题上具有巨大的潜力。它可以帮助我们发现DNA中的有害突变，找出大规模数据集中的隐藏联系，或在医学影像中识别出人类眼睛可能忽略的癌症迹象。AI 使科学研究更加深入，改善了健康结果。然而，这项新技术需要谨慎使用。
科学和健康传播者必须讨论AI在推进生物医学研究和医疗保健交付方面带来的机会。但他们也必须明确指出AI的局限性。AI已经在生物医学研究的几个关键领域取得了显著进展。最近的突破包括：
- 蛋白质结构预测和设计：蛋白质几乎参与了每一个生物学过程。许多药物通过与体内的特定蛋白质相互作用而发挥作用。但蛋白质是长分子，具有复杂的三维形状。了解蛋白质的确切形状可以导致新的、更精确的疗法。AI 革新了我们预测蛋白质结构和设计新蛋白质的方式。
- 医学影像：AI 被用于以极高的准确性分析医学图像。这可以帮助放射科医生更准确地诊断癌症和心血管疾病等病症。
- 理解复杂病症：AI 可以分析大量临床数据中的模式。这有助于研究人员识别复杂病症，如心血管风险，并开发个性化治疗方案。
- 电子健康记录（EHRs）分析：大型语言模型（一种AI）可以迅速筛选大量医疗数据，总结健康记录，识别趋势，改善患者护理。
- 临床决策支持：AI 可以处理大量患者数据和医学知识，帮助医疗专业人员在床边与患者进行知情决策。
AI 可以快速处理极其庞大的数据集，识别复杂的模式，生成对科学和医学现象的更深层次见解。但仍然存在几个关键挑战。其中最主要的是数据质量问题和整体AI系统的可靠性——即AI输出的可信度和稳健性。许多数据集不一致或不完整，训练数据中的偏差可能导致不准确或不公平的结果。此外，在生物医学数据的收集和处理方面缺乏标准化，这使得AI系统的使用变得复杂。
另一个需要解决的挑战是“幻觉”现象，即AI生成误导性或完全错误的信息。
科学传播的作用
科学传播者必须了解AI的潜力和局限性。一些现代AI系统，包括像ChatGPT和Claude这样的大型语言模型，利用了大量公开可用的信息。以下原则可以帮助提供一个关于在生物医学研究中沟通AI的结构化方法：
- 数据验证（输入）：科学传播者需要询问AI系统所使用的数据来源。输入到系统中的数据是否有固有的偏差？例如，数据是否仅来自某些类型的人？
- 结果验证：传播者必须验证AI生成输出的准确性和可靠性。这意味着要与AI和主题专家进行核对。
- 伦理：传播者必须意识到围绕AI的伦理问题。这些问题包括数据隐私、同意和真正的作者身份。
已经出现了一些倡议，以确保AI在生物医学研究中的伦理和透明使用。在为生物医学研究社区举办的研讨会上，NIH 强调了在AI开发和部署中与患者社区互动的重要性，建立伦理指南和实践，以及在生物伦理学家、社区参与者和AI开发者之间建立强有力的伙伴关系。
无论我们喜不喜欢，AI 已经成为现实。科学传播者将在解释其工作原理和确保其伦理使用方面发挥重要作用。上述关于在生物医学研究中沟通AI的结构化方法将有助于确保利益相关者了解这些强大技术在负责任的开发和实施中的机遇和挑战。
(全文结束)
