深度学习系统在医疗中的前瞻性真实世界实施：以实施科学为导向的系统综述

更智能的医院工具为何与你息息相关

世界各地的医院开始使用深度学习——一种强大的人工智能形式——来解读影像、发现眼科疾病并按风险对患者进行分类。但实验室中运作良好的聪明程序与每天在真实环境中安全协助医生和患者的系统之间存在巨大差别。本文考察了这些系统在门诊和医院中真正投入使用时会发生什么，并提出了一个后果重大的简单问题：它们在现实世界中是否真的能让护理更快、更安全、更公平？

从有前景的想法到日常医疗工具

作者回顾了20项前瞻性测试深度学习工具的研究——也就是说，这些工具在实际提供护理时用于患者，而不仅仅是在存储的数据上进行测试。这些研究涵盖了皮肤病、眼部疾病、耳部问题以及肺部和脑部影像。许多研究发生在繁忙的门诊或国家筛查项目中，若干通过远程医疗运行，即在一地拍摄图像并在另一地解读。所有系统都基于一种擅长识别图像（如视网膜照片或 CT 扫描）的模式识别网络。

这些系统如何改变日常护理

在这些研究中，深度学习系统被整合进现有工作流程而非取代医生。有些工具帮助对急性 CT 脑扫描进行优先排序，使脑出血患者更快被就诊。其他工具扫描糖尿病视网膜病变影像，筛除低风险病例以便专家集中精力处理最可能失明的患者。在皮肤科，针对皮疹和痣的影像系统提供了第二意见，提升了医生的信心，即便最终决策仍由人类专家做出。总体而言，这些工具倾向于缩短等待时间、保持或提高诊断准确性并优化大型筛查项目。

有效之处与被忽视之处

综述发现，大多数项目都仔细关注系统是否准确、是否符合诊所需求以及是否被工作人员实际使用。敏感性、特异性和速度等指标被例行追踪，许多团队在部署期间监测性能以发现质量下降。患者和临床医生通常对这些工具表示满意，特别是在它们明显节省时间或使随访更可靠时。然而，只有一项研究对运行此类系统的成本进行了深入审查，也没有研究时间足够长以评估在技术、人员和卫生政策变化下系统是否能多年维持运行。

确保收益惠及所有人

研究还揭示了早期旨在提高深度学习工具公平性的努力。一些项目探索了皮肤颜色差异是否会影响皮肤病系统的效果，另一些尝试使用智能手机照片替代专用相机，以便农村或资源不足的诊所也能受益。少数国家项目尝试将人工智能接入以纸质为主的系统，但遇到了网络缓慢和数据共享不足的问题。这些经验表明，深度学习在医学中的成功在很大程度上取决于基础设施、培训和本地情境，而不仅仅是巧妙的算法。

这对未来医疗人工智能意味着什么

对普通读者而言，结论很明确：深度学习系统确实可以帮助医生提供更快且通常更好的护理，但当下的真实世界试验只是初步探索。我们对长期成本、如何保持这些工具更新以及如何确保所有患者群体都能公平受益仍知之甚少。作者主张未来的研究应从一开始就设计为同时测试医疗影响与可用性、信任、成本和可持续性等实际问题。只有这样，医院才能从令人振奋的示范走向床边与门诊中可靠、持久的人工智能助手。

引用: Tseng, R.M.W.W., Ong, L.C., Goh, J.H.L. et al. Prospective real-world implementation of deep learning systems in healthcare: a systematic review guided by implementation science. npj Digit. Med. 9, 172 (2026). https://doi.org/10.1038/s41746-026-02358-2

关键词: 医疗中的深度学习, 临床工作流程, 医疗人工智能实施, 远程医疗筛查, 医疗创新