华盛顿，2026年5月20日 /美通社/ -- 作为医疗保健研究和基于市场的政策改革领导者，典范健康研究所（Paragon Health Institute）发布了《人工智能医疗设备的泛化不确定性：更安全的前进道路》（Generalization Uncertainty in AI-Enabled Medical Devices: A Safer Way Forward）研究报告，提出了一种解决医疗保健领域人工智能（AI）安全辩论中关键问题的新框架。
人工智能医疗设备对患者护理以及美国全球领导地位日益重要。这些设备在测试中表现良好，但在用于真实患者时（当患者信息如X光片、CT扫描、乳腺X光照片等与训练数据不同时）表现往往不够可预测。人工智能设备在现实世界中的表现与其开发期间表现相当的能力被称为"泛化"（generalization）。
然而，对于人工智能设备而言，"泛化"并非理所当然。核心政策挑战是避免为了提高安全性而强制实施对泛化不确定性无效的补救措施。未能解决这一挑战将对拯救生命的先进技术发展、患者生命以及美国医疗保健未来产生不利影响。
当前补救措施的局限性包括潜在的高咨询成本，以及未能为个别患者量身定制的风险评估。高咨询成本尤其令人担忧，因为它鼓励了能够负担咨询的富裕医疗系统与无法负担咨询的农村医疗系统和安全网提供者之间的差距。
典范健康研究所的论文提出了一个解决方案——一个名为数字相似性分析（Digital Similarity Analysis，简称DSA）的自愿框架。DSA将评估个别患者信息与设备训练和测试信息的相似性。DSA的目的是在使用人工智能设备前确定患者信息是否为"异常值"。当DSA提示医生出现异常情况时，医生可以决定：
- 因感知到的风险而放弃使用设备，
- 要求对医疗设备的输出进行补充验证，或
- 使用设备但对其输出给予较低信任度。
尽管DSA提案无法消除泛化不确定性，但它可以为医生提供有价值的指导，并为人工智能医疗设备安全提供护栏，同时避免不能充分解决问题的替代方案。当设备制造商实施该方法时，将保护制造商训练数据的机密性——这是人工智能开发中的关键资源。此外，DSA将把算法偏差的讨论从广泛的人口统计类别扩展到每个患者的具体特征。通过将评估从人群组转移到个体，DSA方法可能提高各人口统计群体的安全性。
"泛化不确定性是医疗保健AI的一个关键问题，"典范健康研究所医疗保健AI计划主任凯夫·科尔曼（Kev Coleman）表示。"DSA提案是对这一需求的贡献，当与有针对性的上市后监测相结合时，可以提供一个强大的架构来评估AI安全性，同时保留该技术改善患者生活和提高整个医疗保健系统效率的潜力。"
该论文是典范健康研究所医疗保健AI计划的最新成果。该计划探索了如何利用医疗保健AI来加速拯救生命的创新、打击浪费、赋能患者和降低成本。典范健康研究所其他著名的AI论文包括《有针对性的上市后监测：通向负责任的医疗保健AI创新之路》（Targeted Postmarket Surveillance: The Way Toward Responsible AI Innovation in Health Care）、《医疗保健AI监管：维护公共安全与创新的指南》（Healthcare AI Regulation: Guidelines for Maintaining Public Safety and Innovation）和《通过AI降低医疗保健成本：可能性与障碍》（Lowering Health Care Costs Through AI: The Possibilities and Barriers）。
典范健康研究所由布莱恩·布莱斯（Brian Blase）于2021年底创立，提供医疗政策研究以及基于市场的政策建议，以改善公共和私营部门的成果。作为501(c)(3)非营利组织，该机构由基金会和个人捐赠资助。典范健康研究所不接受任何行业资金，也不参与游说活动。记者和医疗保健分析师可以在paragoninstitute.org/research/查看典范健康研究所的最新研究和评论。
联系人：
安东尼·沃伊特科维亚克（Anthony Wojtkowiak）
[电子邮件地址]
703.527.2734
消息来源 典范健康研究所（Paragon Health Institute）
【全文结束】
