编辑推荐：
这篇综述聚焦临床遗传学领域，探讨人工智能（AI）的应用。它涵盖 AI 基本概念，分析其在临床诊断、管理治疗、临床支持方面的应用，还对 AI 在该领域的短期、中期、长期影响进行预测，值得一读。
引言
人工智能（AI）正深刻影响医学领域，临床遗传学也不例外。尽管 AI 在媒体中无处不在，但医学因 AI 而产生的变革并非一蹴而就。由于监管、法律、伦理等多方面因素，很难准确预测临床遗传学在 AI 影响下的发展方向，不过其未来变化是必然的。
撰写此综述旨在让读者熟悉 AI 基本概念，尤其是在临床遗传学中的应用，同时探讨 AI 在该领域面临的挑战与争议。实际上，临床遗传学在很多方面已依赖 AI，如基因检测、信息检索等。未来，AI 与医学的联系将愈发紧密，甚至可能取代部分人类工作，改变人类在医学中的角色。
临床遗传学与 AI 的关联
临床遗传学是医学重要分支，却面临诸多难题。一方面，临床遗传学家及遗传学专家短缺；另一方面，已知的遗传疾病众多且不少为罕见病，即便专家也难以熟知所有病症。遗传疾病往往严重且涉及多系统，早期诊断对有效治疗和控制成本意义重大，但患者常面临诊断延误和无法获取先进检测的问题，弱势群体和贫困地区尤为突出。
AI 有望填补这些空白，助力准确诊断、研究、管理遗传疾病，并加强与患者及其家属的沟通。例如，利用 AI 可以发现新的疾病基因，CADD（结合注释依赖消耗）方法就是借助机器学习（ML）算法对基因变异进行分析，目前已被广泛应用，不过深度学习（DL）方法正逐渐取代它。
然而，临床遗传学的特点也给 AI 应用带来挑战。由于遗传疾病的罕见性，用于训练 AI 模型的数据往往不理想，不同人群的数据集代表性不均，影响模型性能。此外，对于遗传疾病的分类也存在诸多疑问。因此，在应用 AI 时，需要收集和标注数据集、优化模型，确保其在不同人群中的有效性。
基本概念和定义
AI 并非单一概念，它包含多种类别和方法。“人工智能” 指能表现出 “智能” 行为的计算系统，可分为 “狭义 AI” 和 “通用 AI” 。前者只能完成特定窄任务，如识别基因变化；后者则具备类似人类的广泛智能。
在 AI 发展历程中，基于规则的系统曾占据主导，它依据预设规则运行，但处理复杂情况的能力有限。如今，更先进的 AI 模型已不再基于此类系统，但它仍可与现代 AI 方法结合使用。
机器学习（ML）是 AI 的一个重要分支，计算机通过学习输入数据来提升性能，而不是单纯依赖预设规则，但仍在很大程度上依赖人工筛选的输入。ML 包括监督学习、无监督学习和强化学习。
监督学习通过对已知诊断的数据进行标注，训练模型以预测未知诊断。例如，分析糖尿病患者的临床数据，帮助判断患者的糖尿病类型。无监督学习则不进行数据标注，通过分析数据差异进行分类，可能揭示潜在的遗传病因。半监督学习则结合了两者的特点。强化学习旨在寻找能最大化特定 “奖励” 的行动，可用于预测习惯对患者实验室指标的影响，为患者推荐最佳行为模式。
深度学习（DL）是近年来备受关注的 ML 类型，它使用人工神经网络（ANNs） 。“人工” 表明其不依赖生物大脑，“神经网络” 则借鉴了大脑神经元的连接方式。DL 模型具有多个层次，包括输入层、输出层和多个隐藏层，这使得它能够处理复杂任务。例如，在临床遗传学中，DL 可用于分析面部图像，判断患者可能患有的遗传疾病。
生成式 AI 是利用 AI 生成内容的技术，涉及多种 DL 方法。Transformer 架构的出现推动了生成式 AI 的发展，它引入了自注意力机制，使模型能够捕捉上下文关系。生成式 AI 在临床遗传学中可用于研究变量对遗传疾病诊断的影响。
AI 在诊断中的应用
临床遗传学诊断依赖临床和分子发现，AI 可辅助诊断过程的各个环节。
在基于体格检查特征的评估方面，DL 的突破推动了医学计算机视觉的发展。2012 年，AlexNet 在 Image Net 竞赛中获胜，此后 DL 模型在临床领域取得显著成果。在临床遗传学中，Face2Gene 应用 DL 技术，通过面部图像提供鉴别诊断，因其易用性被广泛应用，相关研究众多。类似的，还有 Eye2Gene、Bone2Gene 等工具，虽大多处于研究阶段，但未来有望整合多种数据类型，统一处理相关数据，帮助诊断未知疾病。
自然语言处理（NLP）技术在临床遗传学中也有应用，大型语言模型（LLMs）结合传统 NLP 方法，能更强大地分析文本和其他数据。例如，ChatGPT 在诊断普通疾病方面表现出色，甚至超过部分医生，这表明在诊断任务上，AI 可能逐渐取代医生。
在基因检测实验室，AI 的应用越来越广泛。随着基因检测技术的发展，数据量大幅增加，手动处理生物信息分析变得困难，且面临成本压力。AI 工具能够高效处理数据，降低成本，已成为实验室流程的核心部分。
AI 在管理和治疗中的应用
AI 可能逐渐取代临床遗传学中的诊断工作，促使临床医生转向患者管理和治疗。基因治疗、基因编辑等技术的发展为治疗遗传疾病带来希望，AI 在这一领域也将发挥重要作用。
AI 在生物发现方面成果显著，AlphaFold 利用 DL 预测蛋白质结构，有助于确定潜在治疗靶点。研究人员还通过 AI 分析 “暗蛋白质组”，发现新基因和潜在药物靶点，并利用生成式 AI 开发基因编辑系统。
在患者管理方面，AI 为管理信息提供了新来源，如 OpenEvidence 等医学 LLM 可提供一般管理信息和相关资源。此外，AI 还可帮助扩大遗传学的临床覆盖范围，通过分析电子病历（EMR）等系统，识别可能患有遗传疾病的患者，实现早期诊断和治疗。
AI 在临床支持中的应用
临床遗传学家常被行政任务困扰，导致用于患者护理的时间减少，甚至引发职业倦怠。AI 可帮助减轻行政负担，如撰写临床笔记、回复邮件、处理文书工作等。
LLMs 在这方面展现出潜力，其回答质量高且更具同理心。不过，在医疗系统中，AI 的应用可能带来双刃剑效应，一方面减轻工作负担，另一方面可能导致资源减少、患者数量增加、临床医生数量减少等问题。此外，使用 AI 处理行政任务时需谨慎，否则可能引发新问题。
未来展望
AI 将深刻影响临床遗传学，以下是对其未来发展的预测：
- 对临床医生的影响：短期内，AI 在临床遗传学中的应用程度差异较大。部分医生和系统会积极采用，而部分因担忧或缺乏资源和培训而持观望态度。中短期内，AI 在行政任务中作用显著。长期来看，随着 AI 在诊断和沟通方面能力的提升，临床遗传医生可能需要转向 AI 难以替代的技能，如与患者面对面交流和基于操作的医疗活动。
- 对实验室遗传学家的影响：实验室遗传学家可能率先受到 AI 大规模替代的影响。中期内，临床外显子组和基因组测序可能像无创产前检测（NIPT）一样，大部分由 AI 自动处理，少数特殊情况由人工审核。长期来看，基因组分析可能像血常规（CBC）或基本化学面板检测一样常规化，同时新的复杂检测也将逐渐实现自动化。
- 对临床遗传学研究的影响：短期内，AI 将助力遗传疾病研究取得突破。中期内，更智能、更具策略性的基础模型可能出现，研究模式可能发生转变，由 AI 系统主导研究规划、分析和报告，人类则负责样本采集等任务。尽管这可能带来挑战，但也有望为临床遗传学和人类健康带来巨大益处。
总体而言，AI 必将显著改变临床遗传学，相关人员应提前做好准备，以应对这一变革。
