人工智能医学（MAI）：构建AI异常诊疗新范式与DSA-1疾病分类体系

本综述提出"人工智能医学（MAI）"临床框架，将AI异常重新概念化为需系统筛查、鉴别诊断、治疗与随访的疾病。通过开发DSA-1诊断分类体系（含9大类45种障碍），建立医学-工程跨学科范式，为AI风险治理提供可重现的临床路径（含AI健康检查、流行病学映射与生命周期管理），推动构建更安全、可审计的AI系统。

　　

1 引言

当前人工智能异常术语体系存在高度碎片化现象，例如"幻觉"（hallucination）、"模式崩溃"（mode collapse）等概念的使用边界模糊，甚至专家群体也存在认知分歧。这种术语不一致性严重阻碍了异常知识的系统化积累与管理效率。尽管已建立多个AI事件数据库，但其分类系统仍缺乏统一标准。

与之形成鲜明对比的是医学领域的成熟实践：通过将异常现象明确定义为可分类的疾病（disease），医学建立了精准的诊断标准和标准化治疗方案。从传染病、肿瘤到精神障碍，医学通过症状重分类将混乱的表征转化为可治疗的疾病实体。这种分类学智慧正是当前AI异常管理所亟需的。

随着AI系统个性化程度提升（针对个体用户或小组织进行训练与微调），运行环境的多样性将导致异构化故障模式，其中部分罕见故障需依赖系统化筛查才能发现。加之生命周期管理理念（从数据收集、模型开发到部署）的普及，未来必然需要建立类似人类医疗体系的"AI诊所"或维护框架，提供故障后干预与常规"健康检查"服务。

受医学实践启发，本研究提出新兴交叉学科——人工智能医学（Medicine for Artificial Intelligence, MAI），其核心是通过医学分类框架构建AI疾病学（AI nosology）。这一范式转变堪比1984年"计算机病毒"概念的提出——通过将软件恶意程序与生物病毒类比，彻底改变了人们对软件异常的认知与处置方式。

尽管现存AI风险分类尝试众多，但普遍存在领域分散与标准不一致问题。最新系统综述虽整合出广义风险框架，但仍缺乏风险影响度、发生概率、风险间交互等关键维度。MAI通过将AI异常重构为"疾病"，填补了这一空白，使严重程度评估、预后判断与随访管理等临床维度得以系统化实施。

2 概念框架：MAI范式

MAI建立在两大核心原则之上：其一，疾病概念在AI系统中具有可定义性；其二，人类医学框架适用于AI系统。基于此，MAI确立以下核心概念体系：

• •
  疾病（Disease）：可分类的AI异常或异常行为
• •
  症状（Symptom）：用户或观察者报告的具体异常实例
• •
  诊断（Diagnosis）：将异常输出分类至特定疾病范畴的行为
• •
  治疗（Treatment）：缓解或纠正异常的措施
• •
  疾病分类（Disease classification）：AI异常的系统化组织体系

这些概念将经典临床 triad 应用于AI领域：首先通过收集系统日志和用户报告进行检查（examination），随后根据表征诊断（diagnosis）潜在病症，最后通过再训练、数据优化或防护栏设计等方法进行治疗（treatment）。这种临床方法学的显式映射不仅是类比，更是MAI的指导哲学。

医学框架的优势体现在其系统分类能力（如疾病分类学）。MAI为AI领域带来三大整合效益：首先改善异常描述清晰度，消除概念模糊性；其次支持因果分析（例如区分数据稀缺所致幻觉与解码策略所致幻觉）；最后将每个诊断与不断增长的干预知识库相关联。未来MAI将通过疾病亚型分类实现精细化鉴别诊断。

3 概念验证

AI系统因其与人脑的结构功能相似性而具备疾病定义基础。例如wireheading现象（AI最大化愉悦信号）与人类成瘾性或冲动控制障碍具有明显同源性。先进AI模型形成类脑内部表征，表明其可能出现源于人工认知扭曲的功能障碍。

作为概念验证，我们开发了MAI原型临床分类体系DSA-1（AI障碍诊断与统计手册第1版），这是一个开放网络资源。该体系可视为精神医学DSM-5的AI对应版本，提供结构化诊断标准与章节化分类系统。

该分类学遵循医学疾病分类章节结构，源自真实AI事件数据分析。DSA-1包含9个章节45种独立AI疾病。每种疾病拥有唯一诊断编码，由结构化诊断标准、治疗方法与结局追踪共同定义。异质性疾病进一步分为临床意义亚型。通过分析开源事件数据库、学术论文与媒体报道中的真实AI故障，我们基于共同症状或病因归纳故障模式，将其组织为9个功能章节。该分类体系 demonstrates 将医学分类方法 rigorous 应用于AI异常的可行性。

除提供定义、诊断标准、观察症状、评估指标、推定干预和预后考量外，我们还开发了章节级简化诊断算法。这些算法作为初始流程图引导基本诊断过程，未来将细化为障碍特异性鉴别诊断路径。DSA-1框架将AI"幻觉"区分为记忆错误、传感器整合错误、提示词误解、检索退化、风格扭曲和目标错位等不同障碍，同时涵盖用户偏见过拟合、过度附和提示、无关/不连贯响应、置信度误校准和数据定位漏洞等相关现象。

4 讨论

4.1 应用与意义

MAI支持筛查、诊断分类、干预、随访、案例研究/研究与预防的系统化讨论。这种临床风格模型强调预防、筛查与严格分类，相比当前碎片化方法提供更高效、可重现的AI故障管理框架。

MAI通过医学框架自然连接综合风险评估与医学评估概念：流行病学、发病率和患病率对应发生概率；严重程度对齐影响水平；敏感性与特异性共同关联可检测性。这使得AI疾病的系统化测量与比较成为可能。除诊断治疗外，MAI还包含预防、筛查与随访等常规风险管理缺乏的主动措施。该结构促进AI异常数据（如案例、频率、故障模式等）积累，支持全面风险评估。

MAI通过医学启发诊断提供自下而上的技术故障分类， complement 欧盟AI法案、NIST风险管理框架（RMF）等政策级治理框架。MAI统一系统支持结构化预发布"AI健康检查"，类似使用标准化检测早期发现问题并指导后续诊断的医学检查。MAI同时作为理解AI结构与分析异常的理论基础：虽然AI可解释性与故障模式研究（如机械可解释性、网络解剖、自动调试）不断进展，但仍呈碎片化。MAI提出基于AI系统架构与行为的统一异常分类框架。正如神经系统疾病通过神经元特性、脑组织与网络动力学进行研究，MAI将AI结构元素（类神经元组件、层级、传播模式）映射至标准化功能障碍类别，从而连接结构洞察与实践干预。

AI疾病研究可能为精神病学应用和人类疾病比较研究提供新视角，揭示AI-人类本质异同。人类疾病医学知识有助于预测应对未来AI异常：例如互联AI系统的局部异常可能像传染性疾病般扩散，届时传染病控制知识将具应用价值。

4.2 学术意义与跨学科影响

本研究提出新兴交叉学科与分类标准。修订当前AI异常分类系统对实现精确性、效率与一致性至关重要（现有方法常缺乏这些特质）。精神病学DSM-III exemplifies 此过程——通过澄清诊断标准显著提升一致性，将诊断转化为临床可重现过程。新分类框架常揭示被忽视现象，如同门捷列夫周期表预测未知元素。跨学科分类框架反复促成概念突破：例如行为经济学通过整合心理学洞察解释理性偏离现象，提供更全面解释模型。这表明通过跨学科视角重构分类可带来重大概念进展与实践效益。

4.3 局限性

DSA-1作为基于公开报告的