有时候，最重要的医学发现并非来自新药物，而是来自对熟悉数据的全新解读方式。
能够从常规诊断测试中检测细微疾病信号的人工智能系统正开始从实验研究走向临床实践。最受关注的例子之一是使用机器学习模型来识别转甲状腺素蛋白淀粉样变心肌病（ATTR-CM）——一种曾经鲜为人知的心脏疾病——通过标准心电图图像。常规心电图可能包含人眼无法察觉的诊断信息这一可能性，已在心脏病学、数字健康投资和监管政策领域引起了重新关注。探索这些模型的研究项目（包括发表在《自然》系列期刊上的工作）展示了模式识别算法如何提取嵌入生理数据中的信号，而这些信号在历史上是由临床医生通过更简单的启发式方法来解读的。
这种方法的吸引力很容易理解。
ATTR-CM是一种由转甲状腺素蛋白淀粉样沉积引起的进行性浸润性心肌病，长期以来一直被低估诊断。其症状通常类似于更常见的心脏疾病——射血分数保留的心力衰竭、高血压性心肌病或与年龄相关的心室增厚。当疾病最终被明确诊断时，不可逆的结构性损伤可能已经发生。如果算法能够足够早地标记可疑的心电图模式，诊断路径可能会发生巨大改变。
然而，围绕AI诊断的技术叙事不仅仅局限于单一疾病。
机器学习系统越来越多地被训练来识别影像、波形数据和临床文本中的模式。一些模型分析超声心动图图像以发现早期结构变化。另一些则解读视网膜照片以检测心血管风险因素。其基本前提是，生物信号包含的信息远比传统临床解读所能捕捉的要多。
从这个意义上说，AI更像是诊断放大器，而非诊断替代品。
研究人员经常将这些模型描述为发现了"潜在信号"——即嵌入在数据集中的微妙关联，而这些关联是人类观察者难以轻易察觉的。长期以来被视为相对简单电迹的心电图，现在成为了一个密集的生理数据集，能够揭示与基因突变、代谢紊乱或结构性疾病相关的模式。
相同的计算基础设施现在已经超越了波形分析。
针对医疗保健的对话模型——在生物医学文献和临床文档上训练的大型语言系统——开始作为交互式诊断伴侣发挥作用。医院和研究机构已经开始尝试专门的AI助手，这些助手能够总结患者病历、生成鉴别诊断，或实时解读医学文献。此类系统的迅速普及在临床界引起了既兴奋又谨慎的反应。
部分热情反映了长期以来对医学信息过载的挫败感。
如今，医生们工作在一个生物医学文献量以远超任何个体医生吸收能力的速度翻倍的环境中。能够综合研究发现或突出不寻常诊断可能性的AI系统有望减轻这种信息负担。围绕临床决策支持工具的监管讨论越来越多地出现在美国食品药品监督管理局（FDA）等机构的指南中，该机构已为AI驱动的医疗软件提出了不断发展的框架。
然而，模式识别也带来了认识论上的复杂性。
机器学习模型擅长识别大数据集中的相关性。但它们不一定解释为什么这些相关性存在。一个算法可能检测到与ATTR-CM相关的心电图特征，而不会揭示产生这些信号的潜在生理机制。因此，临床医生面临一个悖论：即使其推理过程仍然不透明，诊断预测也可能是准确的。
这种紧张关系有时被称为"黑箱"问题。
在传统的临床推理中，医生基于可识别的病理生理过程来阐述诊断假设。相比之下，AI模型可能会识别统计关系，而不会将其映射到明确的因果路径上。对于ATTR-CM等罕见疾病，这种区别很重要。早期检测可以改变患者预后，但临床医生仍必须决定对一个推理过程可能部分无法访问的模型应给予多少信任。
经济影响远远超出了诊断准确性。
如果AI系统能够从常规诊断数据中可靠地检测罕见疾病，对医疗支出的下游影响可能是巨大的。早期检测可能会增加有资格接受靶向治疗的患者数量。为罕见疾病开发治疗方法的制药公司——如转甲状腺素蛋白稳定剂或基因沉默疗法——可能会看到诊断渠道大幅扩展，因为AI筛查工具识别出之前未被诊断的人群。
这种动态在诊断和治疗之间引入了一个微妙的反馈循环。
治疗越有效，就越有动力更早地寻找疾病。算法越有效地检测细微信号，开发针对曾经被认为过于罕见而无法支持大市场的疾病的疗法在经济上就越可行。
然而，诊断范围的扩大也引发了关于过度解读的问题。
在特定数据集上训练的算法可能在具有不同人口统计或临床特征的人群中表现不同。采用这些工具的医疗系统必须评估当模型遇到其生理模式与训练数据中所代表的模式不同的患者时，预测准确性如何变化。
因此，临床医学面临一种新的不确定性类别。
AI诊断并不会消除模糊性。它们重新分配了它——从临床数据的解释转向算法本身的解释。
曾经在心脏病诊所中只是一张普通纸条的心电图，可能很快就会成为更复杂诊断推理的计算基质。与此同时，解读医疗记录的对话式AI系统可能会重塑医生如何导航临床知识。
结果不仅仅是技术变革。
它是对"识别疾病"意味着什么的逐步重新协商。
【全文结束】
