人工智能在整形手术中的风险与伦理问题

《Clinics in Plastic Surgery》：Risks and Ethical Concerns of Artificial Intelligence in Plastic Surgery

　　

章节摘要

核心要点

• •
  整形手术中的人工智能（AI）故障往往是沉默的：流畅而自信的输出可能并不正确，嵌入在广泛部署的模型中的错误会在机构和人群之间传播。
• •
  基于图像和生成式工具存在编码人口统计学和审美偏差的风险，因此，临床重要子群体之间的公平性应被视为性能要求，而非事后补充。
• •
  即使在移除元数据后，临床照片仍然可以被识别，因此可识别的图像和

临床安全与沉默失效

临床人工智能的首要伦理义务与任何医疗技术相同：它不应使患者面临不合理的风险。然而，人工智能的故障可能难以识别，因为机器学习系统可以生成看似合理但实际不正确的输出。生成式模型加剧了这一问题，因为语言流畅性并不是事实准确性的可靠标志；大型语言模型（LLMs）可能会编造引用、遗漏临床重要信息，或者提供

偏见、公平性与代表性

人工智能系统从现有医疗系统产生的数据中学习，因此可能复制甚至放大其中的不平等现象。一项被广泛引用的人群健康算法因使用医疗支出作为疾病负担的代理指标，系统性地低估了非裔美国患者的医疗需求。⁸ 医学影像研究还进一步表明，人工智能系统可以从图像中推断患者种族，但相关机制尚未被完全理解。⁹ 这些发现

隐私与临床图像的特殊问题

人工智能的开发依赖数据，而整形手术中使用的数据往往格外敏感。高分辨率的面部和身体照片即使移除了常规文本标识符后，仍可能被识别，因为它们可能包含生物特征和上下文标记，如面部形态、疤痕和纹身。当图像记录了重建性和美容护理中亲密或高度个人化的内容时，这一担忧尤为重要。2025年的一项系统性范围综述

知情同意与患者自主权

人工智能使知情同意变得更加复杂，因为患者可能合理希望了解何时自动化系统对其治疗产生了实质性影响。这并不意味着嵌入医院基础设施中的每个算法都需要单独的个别同意。相反，随着人工智能越来越接近后果性决策——特别是在其影响诊断或治疗选择、手术规划或直接与患者沟通时——信息披露变得更加重要。对通过

透明性与可解释性

临床决策通常允许某种形式的质疑：外科医生可以解释为何偏好一种重建方案而非另一种，并指出该建议背后的考量。然而，许多人工智能系统对其输出如何生成提供了远低于正常水平的可见性。完全机械化地解读大型神经网络既可能无法实现，也不具有临床必要性，但仍然可以要求有意义的透明度。至少，临床医生应该知道

验证困境

人类监督通常被呈现为防范人工智能错误的主要保障措施：系统产生输出，临床医生对其进行验证。这一假设值得更深入的审视。自动化偏见——即过度依赖自动化建议的倾向——在临床决策支持中已有充分记录。²² 美国食品药品监督管理局（FDA）2026年1月的临床决策支持软件指南明确讨论了自动化偏见，并强调某些非器械类临床决策支持功能应能够

问责制与法律责任

人工智能将临床决策分配给不同的组织和专业角色。当人工智能辅助决策造成伤害时，责任可能涉及开发者、软件供应商、部署机构以及临床医生。传统的医疗事故和产品责任框架并不能清晰地映射到所有自适应软件的使用场景，特别是在行为取决于不断变化的模型或机构配置时。²⁵ 近期的整形手术分析同样指出了未解决的医疗法律

科研诚信与科学传播

生成式人工智能不仅在临床护理中引发伦理问题，也在推动整形手术发展的科学过程中带来伦理关切。大型语言模型可以加速多项研究和写作任务，但也可能产生伪造的参考文献、不准确的摘要或无根据的解释。整形手术期刊关于披露和人工智能使用范围的现行政策仍不一致，而对主流大型语言模型的实证比较显示，两者都可能生成伪造或不准确的

从生成式到自主代理型临床人工智能

随着人工智能从生产信息向执行行动转变，其伦理图景变得更加复杂。自主代理系统被设计为跨多个步骤追求既定目标，可能使用外部工具并启动下游行动，而不仅仅是返回一个答案。2026年的一项范围综述仅确定了7项符合条件的医疗保健研究，且仅有1项涉及患者的试验，凸显了当前自主代理人工智能证据的潜力与不成熟性并存。³¹

在整形

重新定位人工智能安全研究

临床人工智能评估应超越基准准确率，以确定系统在不同人群和环境中是否仍然可靠，其行为是否可以被审计，以及当条件偏离开发时所遇到的环境时，它们是否能够实现安全失效。当模型将被部署在开发环境之外时，独立或外部验证尤为重要，尽管验证范围应与临床风险和预期用途相称。

持续监控

临床人群和工作流程会随时间演变，影像技术和供应商模型也是如此。因此，数据集漂移可能会在初始验证之后削弱性能。³⁴ 临床人工智能应在全生命周期中进行监控，以确定模型更新后性能是否保持稳定，以及在不同患者子群体中的表现如何。临床人工智能质量改进框架特别倡导在部署后持续监控和更新。³⁵

与药物警戒的类比是有用的。

与风险相称的治理

医学领域已依赖药物、器械和专业实践的全生命周期安全机制。挑战在于将这一传统适应于可能是通用目的、频繁更新且通过超越传统医疗器械监管路径部署的软件。FDA指南现在为人工智能启用的器械软件功能提供了预设变更控制计划的框架，允许指定的未来修改在受控生命周期内被考虑

整形外科医生的角色

整形外科医生可能希望直接参与确定这些标准如何转化为实践。该专业历来会较早采用新技术，人工智能可能也不例外。专业学会和学术部门应帮助定义可接受的标准，并与患者、监管机构和开发者合作加以实施。近期的整形手术文献已开始阐述该专业特定的伦理和医疗法律考量，同时

总结

人工智能可以改善整形手术，但其价值取决于临床使用是否保留了安全判断的条件。在床旁，这意味着在已验证的角色范围内使用系统，并确保后果性输出仍能被临床医生真正审查。患者自主权和数据保护仍然是使用的基本条件。对于机构而言，高风险人工智能应被视为持续的义务，而不仅仅是购买和安装即可了事，需要在

临床关怀要点

• •
  人工智能性能取决于临床任务和患者人群；总体准确率良好可能掩盖临床重要的子群体错误。
• •
  流畅而自信的人工智能输出可能不准确。独立的临床评估和对支持证据的验证仍然是安全使用的核心。
• •
  人工智能带来的虚假安心可能会延迟术后并发症的识别。
• •
  临床照片在移除元数据后可能仍可识别。将其用于外部人工智能系统需要机构层面的

披露

作者声明在本文内容方面不存在利益冲突。

资助

无。

Berk B. Ozmen | Graham S. Schwarz