《The Lancet Digital Health》：The clinician–artificial intelligence scientist: a proposed career pathway in medicine
编辑推荐：
传统上，临床医生–科学家（clinician–scientist）在将基础发现转化为多类医学学科的临床实践方面发挥关键作用。随着医学进入人工智能（AI）时代，需要一种类似角色来弥合技术开发与有意义的临床实施之间的鸿沟——研究人员将这一潜在新职业路径称为临床医生
传统上，临床医生–科学家（clinician–scientist）在将基础发现转化为多类医学学科的临床实践方面发挥关键作用。随着医学进入人工智能（AI）时代，需要一种类似角色来弥合技术开发与有意义的临床实施之间的鸿沟——研究人员将这一潜在新职业路径称为临床医生–人工智能科学家（clinician–AI scientist）。在本观点文章中，研究人员审视了这一面向临床医生的潜在新职业路径的独特角色、挑战与发展策略。研究人员认为，临床医生–人工智能科学家应在临床与技术域均具备充分培训与专长，并理解贯穿AI从开发到采纳全生命周期的实施科学（implementation science）。研究人员分析了传统临床医生–科学家角色的历史发展，并探讨如何调整该模式以满足临床医生–人工智能科学家的独特需求。最后，研究人员为临床医生、机构与专业组织提出针对性策略，以培养一批临床医生–人工智能科学家，并助益AI在医学中变革潜力的实现。
研究背景方面，临床医生–科学家（clinician–scientist，连接实验室bench与病床bedside的既有的职业路径）曾把基础科学发现转化为变革性临床实践，例如确立幽门螺杆菌（Helicobacter pylori）致消化性溃疡、费城染色体（Philadelphia chromosome）在白血病中的作用。医学进入人工智能（AI）时代后，AI作为改造医学的重要技术平台崛起，但大量医学AI算法停留在开发阶段，2022年系统评价显示11839篇文献中仅39篇（0.33%）为评估临床实际使用中AI的随机对照试验（RCT），2024年范围评价也质疑RCT结果在真实世界中的可推广性与可行性。即便模型在基准上达到超人表现，也会因黑箱设计、临床工作流错位、部署约束不兼容而难获临床收益。因此，医院生态中需要既懂临床需求又懂AI技术、能正确评估与检验最适临床AI产品的人；研究人员提出临床医生–人工智能科学家（clinician–AI scientist，将AI技术开发与其真实世界临床采纳和实施相连接的医疗专业人员）正是该生态的核心角色。
研究人员开展的是一篇观点型（Viewpoint）论述研究，而非实验研究；其通过文献与制度倡议梳理，分析“为何需要、面临什么、如何推进”临床医生–人工智能科学家路径，并得出：该角色具有端到端的AI开发至采纳生命周期视野、对AI技术团队提供临床领导、确保AI带来可触及临床结局与患者获益而非仅统计精度这三重实务职责，是区别于普通参与AI研究的医生、临床信息学医生（clinical informatician）、传统临床医生–科学家、数据科学家的混合、转化、情境化职能。其意义在于把AI当作临床干预时，评价、实施与治理不可割裂，需由该角色保持转化问责，从而让高性能AI模型真正转化为临床照护改善；该文发表于《The Lancet Digital Health》。
主要关键技术方法上，研究人员检索PubMed中2019至2026年“临床医生–科学家/医生–科学家”并“AI/机器学习（ML）/深度学习（DL）”并“医学教育/临床训练/职业路径”的原创与综述文献，并补查大学研究生项目、博士与博士后奖学金、专业认证、期刊专辑、兴趣组、研讨系列等制度倡议，再通过入围文献参考文献扩大覆盖；方法本质为文献地图绘制与制度景观扫描，无试剂、培养、质粒操作，亦未报告具体患者样本队列。
研究结果按小标题浓缩如下。The need for clinician–artificial intelligence scientists：用糖尿病视网膜病变（diabetic retinopathy）自主AI筛查与基层AI听诊器（AI-stethoscope）在TRICORDER实用整群RCT中意向治疗分析未显著提升心衰检出两例说明，模型精度不等于实施成功；研究人员指出该角色可定义临床有意义结局、在真实约束下设计前瞻评价、决定何处需人类监督并主导多学科治理。How this role differs from existing disciplines：研究人员阐明该角色不替代现有角色，而以端到端生命周期监督、AI团队临床领导、临床效用与公平（equity）保障三项职责区分于临床AI参与者、临床信息学家、传统临床医生–科学家、数据科学家；文中子剖面含The problem formulator、The evidence architect、The implementation lead、The clinical champion and steward，共同覆盖从问题表述到部署后监测的转化功能。Challenges in training and careers of clinician–artificial intelligence scientists：研究人员总结早期职业者同时建临床、研究方法、飞快演进AI能力极难，临床服务挤占科研时间，且缺结构化训练、转化临床AI专项经费、角色模范与界定标准的专业团体。A strategic pathway for the development of clinician–artificial intelligence scientists下，Individual development strategies：最低技术力含理解AI系统行为与局限、熟悉模型评价指标，临床研究力含AI验证研究设计与结局选择、真实世界数据隐私与健康数据贫困（health data poverty）、算法偏倚（algorithmic bias）认知，编程非必需但项目制学习如临床AI期刊俱乐部有价值。Institutional support frameworks：研究人员主张医学院起把AI概念、批判性评读、伦理纳入核心课，毕业后强制课程嵌入，用类似ACGME能力里程碑与NIH医生–科学家管道建能力框架，覆盖临床域专长、AI技术熟练度、研究方法与批判评读、转化科学与临床实施、伦理公平与治理五域及基础—发展—独立—领导四阶。Funding bodies and professional organisation support：保护研究时间，倡导国家机构设跨学科职业发展奖、临床AI资助计划，拓展期刊与会议可见度。Collaborative framework development：从客户–服务转向共同创造者（co-creator）模型，临床医生–人工智能科学家作催化剂把临床视角贯入设计开发评价。
讨论与结论部分，研究人员强调AI虽具改造医学潜力，但医学AI的开发、评价、采纳、整合缓慢且碎片化；成功转化需深谙临床需求、患者及家属需要、医疗系统动态。研究人员提议建立专属职业路径，超越临时碎片化生态，走向全面、系统、整体支持：清晰路径与目标、共识成功指标、资源平台、榜样导师与机构认可。广泛多利益相关方共识才能细化能力标准、训练路径与执业门槛，唯此医学AI变革潜力才转为临床照护与患者结局的实质改善。
结论译文：AI有潜力从根本上改变医学实践。然而，临床医学中AI的开发、评价、采纳与整合一直缓慢、碎片化且总体令人失望。高性能AI模型成功转化为临床照护，需要对临床需求与工作流、患者及其家属需求、以及不同医疗系统复杂动态有深刻理解。因此，明显需要既能理解AI、又能主动领导AI模型开发、评价与负责任转化的临床医生。研究人员提出新的混合角色临床医生–人工智能科学家及专属职业路径，以培养可催化医学AI革命的临床医生群体。恰当设计其训练与职业路径，需要超越当前临时、碎片化的生态，迈向全面、系统、整体的支持体系，使早期职业临床医生–人工智能科学家得以成长。这需要清晰职业路径与目标、公认成功度量、适宜资源与平台、角色模范与导师，以及整体机构认可。研究人员就这一独特角色、挑战与职业路径给出概念性设想；细化这些类别并界定正式能力标准、训练路径与执业阈值，需更广的多方共识。唯其如此，医学AI的变革潜力才能带来临床照护与患者结局的可及改进。
