“
人工智能（AI）正在加速医疗器械毒理学风险评估（Toxicological Risk Assessment, TRA），但它能否取代毒理学家的专业判断？
随着AI技术的发展，越来越多的AI工具开始应用于化学物质筛选、毒理学数据库检索、结构警示识别以及（定量）构效关系（QSAR）分析等领域。对于医疗器械企业而言，这些工具有望帮助提高数据处理效率，并缩短毒理学风险评估（Toxicological Risk Assessment, TRA）中的部分工作流程。
但需要明确的是，AI目前更适合作为毒理学家的辅助工具，而不是独立完成TRA的“专家”。
对于需要满足欧盟《医疗器械法规》（MDR）、美国FDA相关要求及其他国际监管框架的医疗器械毒理学评估而言，最终的风险判断仍需要建立在专业知识、科学证据和监管经验的基础上。
AI可以加速什么？
1) 加快数据检索与筛选
医疗器械TRA通常需要综合分析材料组成、化学物质信息、毒理学数据以及相关文献和数据库信息。AI能够帮助毒理学家快速处理和筛选大量数据，例如：
检索和整理化学物质及毒理学数据库；
识别潜在的结构警示（structural alerts）；
辅助进行QSAR及相关预测；
对已有文献和数据进行初步归纳和分类。
这些能力可以减少大量重复性的人工数据处理工作，让毒理学家将更多时间投入到关键的科学判断中。
2) 提高复杂数据处理效率
在涉及大量化学物质、材料组分或历史数据的项目中，AI可以帮助建立更加系统的数据处理流程。例如，通过自动化的数据提取、分类和交叉比对，可以更快发现潜在的数据缺口和需要进一步调查的物质，从而提高TRA工作的效率。
但需要注意的是，AI识别出的信息并不等于最终的毒理学结论。
为什么AI仍然需要“人类专家”？
TRA并不是简单的数据检索或信息汇总，而是一个需要综合科学证据进行风险判断的过程。
1) 数据需要专业的毒理学解读
同一项毒理学数据，其实际意义可能取决于剂量、暴露途径、暴露持续时间、材料组成以及预期临床使用方式等多个因素。AI可以帮助找到相关数据，但如何判断这些数据是否适用于当前医疗器械、是否具有足够的科学可靠性，以及如何将不同来源的证据进行整合，仍需要毒理学家的专业判断。
2) 非典型案例需要综合判断
医疗器械材料和化学物质的组合可能非常复杂，部分案例还可能存在数据不足、物质信息不完整或缺乏直接毒理学数据的情况。在这类情况下，不能简单依赖算法输出。专家需要结合物质特性、暴露情况、毒理学机制、已有研究以及类似材料的数据，对风险进行综合分析，并确定是否需要进一步的数据生成或补充论证。
3) TRA需要能够支持监管审查的科学论证
一份合格的TRA不仅需要回答“有没有数据”，还需要解释：这些数据意味着什么？这些数据是否适用于当前产品？最终的风险结论是如何得出的？
因此，TRA最终需要形成一套具有科学依据、逻辑完整且能够经受监管审查的论证。这也是AI与专业毒理学家之间的重要区别：AI可以提高信息处理效率，但最终的科学判断和监管论证仍需要由具备相关资质和经验的专业人员负责。
与毒理学家的理想关系：不是替代，而是协同
理想的工作模式是：AI负责提高数据处理效率 → 毒理学家负责科学判断 → 专家完成风险整合与监管论证。这种人机协同模式可以在提高工作效率的同时，保留TRA中最关键的专业判断环节。
科奈认为，AI可以成为毒理学工作流程中的重要工具，AI可以帮助我们更快地处理数据，但专业知识决定如何理解数据，并将其转化为可靠的风险评估结论。但严谨、可追溯并能够经受监管审查的TRA，仍应由具备专业知识和经验的毒理学家主导。通过将AI的数据处理能力与毒理学家的专业经验相结合，可以在提高项目效率的同时，更好地控制数据质量、科学判断和监管风险。
