香港城市大学香港人工智能与科学研究院副院长、数码医学研究院首席科学家闫峻，凭借数学背景及在哈佛医学院、微软亚洲研究院的科研经历，长期致力于将计算技术应用于医疗健康领域。近日，他在接受专访时分享了AI在医疗科研中的最新应用、面临的挑战以及对未来“AI医院”构想的思考。
闫峻指出，科研智能体已深度参与其团队的文献调研、实验设计及代码编写等环节。他认为，未来即使不懂编程的临床医生，也能借助AI工具将临床观察转化为可验证的数学问题。他强调，研究者需具备扎实的专业知识以判断AI结果的可靠性，科研的核心价值在于能否为临床提供新的治疗方法或改善现有方案。
从临床医学到AI研究：寻找有价值的问题
闫峻投身医疗领域的初衷源于两段关键经历。一是在哈佛医学院访问期间，他利用影像分析技术跟踪癌细胞变化，发现计算机技术在医疗领域的巨大潜力；二是自身患病住院期间，目睹医患双方的困境，萌生了利用技术辅助诊断、优化用药及解答患者疑问的想法。
在微软研究院从事自然语言处理研究时，他进一步确认了数学方法解决医疗问题的可行性。随后加入医渡科技的创业经历，让他更深刻地理解到：技术研究应首先锁定具有实际价值的问题，再探索技术的赋能作用。对于科研选题，闫峻认为“新意”服务于“价值”，相较于方法论的创新，临床意义的突破——如新增治疗手段或改善疗效——才是衡量研究价值的根本标准。
AI介入方法设计：从合成数据到科研范式变革
破解医疗数据隐私难题
训练医疗大模型面临数据隐私保护的挑战。闫峻团队尝试将真实病历转换为保留医学含义和统计特征、且不可逆的合成数据。在传统数学方法难以奏效时团队借助科研智能体SciencePal，仅用一小时便提出多套候选方案，经人工验证后，基于三角变换的方案成功满足要求。这一案例表明，AI已具备参与数学推理和方法设计的能力，但人的验证环节依然不可或缺。
科研流程的重塑
AI正在重塑从想法到成果的全过程。过去，临床研究受限于医生的时间和资源，许多想法难以落地。如今，通过向AI提供数据和方向，智能体可辅助完成文献梳理、假设提出、代码编写及初步验证。闫峻预测，未来研究者可将部分探索工作交给智能体，但仍需通过严格的人工检查确保研究质量与实际应用价值。
可信医疗AI：验证机制与伦理边界
弥补推理数据缺失
尽管AI在证据检索方面表现强劲，但缺乏完整的临床推理数据限制了其决策可靠性。团队正采用迭代方法，由医生提供少量推理示例引导AI学习，并通过不断修正提升模型在病历文本和影像分析中的因果推断能力。
动态测试与前瞻性验证
针对静态基准测试易导致过拟合的问题，闫峻团队尝试利用真实世界数据生成动态测试内容，以评估模型解决新问题的能力。他强调，回顾性研究仅能反映历史表现，真正面向临床的应用必须经过前瞻性验证，即在真实场景中持续观察模型表现。目前，出于伦理考虑，AI尚不能绕过医生直接向患者交付临床决策。
构建未来“AI医院”
闫峻提出了“AI医院”的研究构想，旨在将医疗服务延伸至社区和家庭，实现疾病风险的早期识别与管理。研究涵盖提高诊断精度、发现生物标志物、开展早期筛查及健康管理等多个维度。此外，AI还可用于模拟患者以辅助医生训练，或帮助非编程背景的医生开展科研。现阶段的重点是推动健康筛查和行为管理服务下沉至社区。
人机协作：科研人员的新能力要求
培养AI领导力与鉴赏力
闫峻认为，年轻科研人员除具备扎实专业能力外，还需培养两项核心能力：一是“AI领导力”，即拆解复杂问题并准确分配任务给智能体的能力；二是“AI鉴赏力”，即基于专业知识判断AI输出结果优劣及可靠性的能力。真正的“AI原生科研人员”应能自然地将AI融入日常研究，并具备独立提出问题与评估结果的能力。
跨越学科鸿沟
技术与临床领域的合作常因专业语言差异及关注点不同产生摩擦。技术人员侧重算法创新，而医生和药企研发人员更关注临床问题解决及成本控制。闫峻希望大语言模型能成为跨学科交流的“翻译器”，促进不同背景研究者之间的相互理解与合作。
基础设施与社区生态：降低科研门槛
图│闫峻在腾讯云生态大会（来源：腾讯云）
在与腾讯云多年的合作中，从疫情期间的算力支援到如今的SciencePal平台部署，稳定的基础设施保障了模型训练与推理的高效进行。闫峻指出，AI显著降低了科研门槛，使专注于特定细分领域的研究者也能借助智能体完成复杂任务。
然而，新药研发等复杂场景涉及多学科交叉，单一研究者难以掌握全链条知识。因此，建立如“大衍AI4S”这样的科研社区至关重要，它能连接不同领域的专家，促进协作。在近期筹办的AI4S黑客松中，闫峻鼓励参赛者突破思维边界，利用AI工具探索意想不到的问题，让有价值的想法得以验证和实现。
注：封面/首图由 AI 辅助生成