人工智能在内分泌学中的应用与挑战：从机器学习到精准医疗的变革之路

本期推荐意大利学者Francesco Trimarchi团队在《L'Endocrinologo》发表的重要综述，系统探讨了人工智能（AI）在内分泌疾病诊疗中的前沿应用。研究通过分析机器学习（ML）、深度学习（DL）等技术在糖尿病、甲状腺结节等疾病中的实践案例，揭示了AI在优化诊断流程、实现精准医疗方面的潜力，同时指出当前临床应用存在的局限性。该研究为推进AI技术与内分泌学的深度融合提供了关键理论框架。

　　

人工智能技术正以前所未有的速度重塑医疗健康领域。在内分泌学这一传统依赖临床经验的学科中，人工智能（AI）的介入引发了从诊断模式到治疗策略的深刻变革。随着ChatGPT等大型语言模型（LLM）的爆发式发展，以及IBM Watson等临床决策支持系统的迭代升级，AI已从理论概念转化为切实的医疗工具。然而，这种技术革新也伴随着关键挑战：如何确保AI诊断的可靠性？在甲状腺结节评估、糖尿病管理等复杂临床场景中，AI能否真正超越人类专家？这些问题的解答对实现"预防性医疗"（Preemptive Health）愿景至关重要。

意大利墨西拿大学与圣安娜高等研究院的研究团队在《L'Endocrinologo》发表系统综述，全面评估了AI在内分泌学中的应用现状与发展前景。研究采用文献分析方法，重点考察了机器学习（ML）中的监督学习（Supervised Learning）与非监督学习（Unsupervised Learning）技术，以及深度学习（DL）在医学影像分析中的应用。团队特别关注自然语言处理（NLP）技术在甲状腺疾病诊疗中的实践案例，并分析了包括GPT-4、PaLM 2在内的多款商业LLM的临床适用性。

研究结果显示，在甲状腺疾病领域，基于规则的系统（rule-based system）与混合学习（hybrid learning）模型对甲状腺结节诊断准确率达54%，但对甲状腺癌的识别率仅29%。值得注意的是，当整合GPT-4等多个LLM的输出时，诊断准确率显著提升至57%，超越人类医生平均水平。在糖尿病管理方面，AI在个性化胰岛素剂量调整和风险预测中展现出优势，但现有系统对肥胖评估的指南（LG）依从性仍不足。远程监测技术通过分析可穿戴设备数据，实现了对血糖波动的实时预警。

技术方法上，研究团队主要采用三类方法：(1)基于电子健康档案（EHR）的机器学习模型训练；(2)医学影像的深度学习分析（包括超声与MRI）；(3)多模态LLM的集成应用。样本来源于24项符合方法学质量标准的临床研究，涵盖甲状腺结节、糖尿病等主要内分泌疾病。

讨论部分强调，当前AI技术已实现从"反应性医疗"（Reactive Medicine）向"主动性医疗"（Proactive Medicine）的范式转变。但在临床转化层面仍存在明显瓶颈：仅17%的NLP应用研究完成外部验证，且尚无系统达到临床常规使用标准。作者特别指出，AI不应被视为医生的替代品，而应作为"可靠的临床顾问"发挥作用。这种定位在IBM Watson从"诊断系统"到"决策辅助工具"的演变中得到了充分体现。

该研究的核心价值在于首次系统梳理了AI在内分泌学中的转化路径，为未来研究指明了方向。正如作者强调的，AI与内分泌学的深度融合将加速"精准医疗"（Precision Medicine）的实现，但需要建立更严格的验证框架和伦理规范。这项研究不仅为临床实践提供了技术路线图，也为医疗AI的负责任发展树立了重要标杆。