《CPT: Pharmacometrics & Systems Pharmacology》：A Narrative Review of Artificial Intelligence for Drug Repurposing: Lessons From COVID-19 and Oncology (2020–2025)
编辑推荐：
药物重定位（Drug Repurposing）是一种成本效益高且时效性强的策略，旨在为已上市药物挖掘新的治疗用途。近年来，人工智能（Artificial Intelligence, AI）领域的进展——包括机器学习（Machine Learning, ML）、
药物重定位（Drug Repurposing）是一种成本效益高且时效性强的策略，旨在为已上市药物挖掘新的治疗用途。近年来，人工智能（Artificial Intelligence, AI）领域的进展——包括机器学习（Machine Learning, ML）、深度学习（Deep Learning, DL）、知识图谱（Knowledge Graphs, KGs）和自然语言处理（Natural Language Processing, NLP）——通过将药物-疾病关联的自动化发现变为现实，彻底革新了这一领域。本综述探讨了人工智能在药物重定位中的作用，并从两个关键应用领域——新型冠状病毒肺炎（Coronavirus Disease 2019, COVID-19）与肿瘤学（Oncology）中汲取洞见。研究人员梳理了当前人工智能驱动药物重定位的发展趋势、方法学框架和技术创新，同时分析了其面临的挑战及新兴的未来方向。本文的研究结果强调了人工智能在生物医学研究中变革性的潜力，并为其持续融入制药管线提供了充分依据。
1 引言
传统药物开发流程以周期漫长、成本高昂和风险密集著称，平均将一款新药推向市场需要十余年时间，耗资超过10亿美元。药物重定位（又称药物再定位）通过为安全性特征明确的现有药物识别新的治疗用途，提供了一种务实的替代方案，能够显著缩短开发周期并降低成本，规避早期毒性和药代动力学测试环节。人工智能已成为药物重定位领域的变革性力量，推动该领域从偶然发现转向系统性、数据驱动的探索。机器学习、深度学习、自然语言处理、知识图谱和图神经网络（Graph Neural Networks, GNNs）等技术，能够整合并分析基因组学、蛋白质组学、电子健康记录（Electronic Health Records, EHRs）和科学文献等海量生物医学数据集，揭示隐藏的药物-疾病关联，预测药物-靶点相互作用，并对候选药物进行优先级排序以供实验验证。COVID-19大流行的紧迫性加速了人工智能在药物重定位中的应用：例如BenevolentAI采用基于知识图谱的方法识别出巴瑞替尼（Baricitinib）作为COVID-19潜在治疗药物，推动了其快速临床评估和监管授权；表征学习模型则通过分析真实世界患者数据生成的嵌入，证明了映射疾病-药物关系的能力。人工智能驱动的药物重定位不仅限于传染病领域，在肿瘤学中，人工智能模型已用于基于多组学数据将现有药物匹配至特定癌症亚型，支撑精准医疗策略；图神经网络通过建模复杂生物网络并预测多药联用效应，在识别多靶点候选药物方面展现出应用价值。尽管前景广阔，该领域仍面临数据质量与标准化不足、模型可解释性与机制合理性欠缺、全生命周期监管障碍，以及数据隐私和算法偏见等伦理问题。2020至2025年间，人工智能与高通量实验平台、预测性安全性分析和精选生物医学数据库的融合持续加速该领域的创新。本综述聚焦COVID-19与肿瘤学两大领域，通过梳理方法学框架、性能指标和真实世界案例，阐明人工智能重塑药物研究的 impact 与未来潜力，重点关注大语言模型与多模态学习的结合，以及负责任应用所需的验证、安全性和监管防护机制。
1.1 综述方法与文献筛选
本叙述性综述覆盖2020至2025年发表的人工智能用于药物重定位的研究，侧重COVID-19与肿瘤学应用。研究人员通过检索PubMed、Scopus、Web of Science和Google Scholar等主要生物医学与多学科数据库，并筛查高被引综述和原始研究的参考文献列表识别相关文献；同时纳入预印本平台（如arXiv和medRxiv）文献以提供新兴方法背景，但明确区分其与同行评审证据。检索词组合了“药物重定位”相关术语与“机器学习”“深度学习”“图神经网络”“知识图谱”“自然语言处理”“大语言模型”等AI方法术语。纳入标准为：(i) 应用AI/ML/DL/KG/NLP方法识别、优先级排序或机制解释重定位候选药物；(ii) 报告足够方法学细节以理解输入、输出和验证过程。排除标准包括：超出2020–2025年时间窗、不聚焦重定位（仅关注从头药物发现）、或仅提供推测性主张而无方法学描述或支持证据的研究。
1.2 人工智能方法学与性能评估
2020至2025年间，用于药物重定位的AI方法学趋于成熟并形成多元技术体系，各类技术常组合为混合工作流。
1.2.1 核心AI方法学
机器学习包含随机森林（Random Forests, RF）、支持向量机（Support Vector Machines, SVMs）和梯度提升树（如XGBoost）等传统算法，擅长处理结构化数据，例如定量构效关系（Quantitative Structure–Activity Relationship, QSAR）模型可从分子指纹和理化特征中学习，映射至效力、选择性、毒性及吸收、分布、代谢和排泄（Absorption, Distribution, Metabolism, and Excretion, ADME）属性或药物副作用谱。这类模型因相对可解释性且在中小规模数据集上表现良好而被广泛采用：例如决策树回归模型被用于针对COVID-19主蛋白酶（3CLpro）的先导化合物优先级排序，随机森林模型助力鉴定癌症中SYK激酶抑制剂，结合XGBoost的选择性清洗算法通过提升生物活性数据质量显著提高了MDM2-p53轴抑制剂的预测准确性。机器学习管道在药物反应预测和重定位中日益依赖推荐式学习和特征工程以支持精准肿瘤学，且在生物医学数据集不完整时仍能保持较好性能，前提是显式处理缺失值（如插补、缺失指示符或稳健的基于树的模型）；但需注意非随机缺失可能引入混杂偏倚，因此敏感性检查和外部验证不可或缺。
深度学习利用多层神经网络建模数据中复杂的非线性模式，其中图神经网络（专为学习图结构数据设计的神经网络，将实体表示为节点、关系表示为边）和Transformer已成为主流。在药物重定位中，图神经网络尤为适用，因为分子、蛋白互作网络和药物-疾病关联均可自然表示为图结构：例如“eVir”平台使用孪生神经网络（共享权重的双子网络，学习两个输入间的相似性/距离函数）基于图嵌入筛选COVID-19抗病毒药物，深度自编码器集成模型识别出同时阻断三个促血管生成癌症靶点的药物。深度学习还支撑针对SARS-CoV-2蛋白（如Mpro）的大规模配体虚拟筛选和结构引导优先级排序，实现从晶体结构到排序候选物的快速分流。除小分子外，深度学习加速了全新设计化合物的适应症映射（如halicin），并在从头设计和重定位流程中持续刷新性能基准。与机器学习类似，这类模型通常需要更大规模的标注数据集（或充分的预训练）、精细的超参数选择，以及GPU加速的训练和推理，因此严格的策展和基准测试至关重要；实践中由于搜索空间过大且计算成本高，通常仅调整学习率、批量大小、网络深度、Dropout或正则化强度等有限的关键超参数，通过网格搜索、随机搜索或贝叶斯优化实现，这构成了性能提升与计算成本、跨场景可重复性及过拟合风险之间的实际权衡。
网络药理学（Network Pharmacology）建模药物、蛋白靶点和疾病通路在生物网络内的复杂互作，特别适用于阐明多药理学和系统水平效应，能够发现单靶点筛选无法获得的重定位假设：例如通过分析对PI3K-AKT通路的影响，将fostamatinib重定位用于急性髓系白血病；发现抗精神病药物阿立哌唑可通过调节EGFR/PI3K/AKT轴逆转子宫内膜癌激素治疗耐药性。现代网络药理学常与知识图谱构建和嵌入重叠，并受益于表征学习以捕捉高阶互作，近期专利和平台明确将大型药物-疾病-靶点图作为AI预测的基础步骤。
知识图谱是生物医学知识的大规模结构化表征，整合DrugBank、OMIM、EHR衍生表型和科学文献等来源的异构数据，形成药物、基因、疾病等实体及其关系的网络。AI算法通过遍历或嵌入这些图谱推断新关联，有效生成重定位假设：BenevolentAI的知识图谱即通过关联AAK1抑制与病毒内吞通路，识别出巴瑞替尼用于COVID-19的潜力；DRKG、CoV-KGE等COVID时期知识图谱及因果多模态图谱证明，精选的可计算知识能加速适应症发现；RepurposeDB等平台也将知识图谱作为假设生成和优先级排序的核心引擎。
方法学整合是当前实践趋势：高性能工作流常融合多种方法，例如将知识图谱衍生的嵌入输入图神经网络或受网络水平机制假设约束的结构感知深度学习模型，同时大语言模型（Large Language Models, LLMs）日益辅助文献挖掘、假设构建和方案起草。此外，化学、蛋白质和生物医学文本的基础模型（Foundation Models）已开始用于少样本适应症排序和证据合成，通过与精选知识图谱的检索配对，在任务特异性标注数据有限时支撑重定位决策。
1.2.2 性能指标
人工智能的整合已在关键绩效指标上带来可量化的提升，超越简单虚拟筛选或对接等传统计算方法。现代AI模型在回顾性任务中常实现强劲预测性能，R2、AUROC和分类准确率等指标常超过80%–90%，在控制数据质量和划分方式的前提下，直接比较较经典基线提升5–15个百分点；领域评估标准也正走向成熟，采用富集导向指标（如BEDROC、早期精确率、PR-AUC）和时间感知/适应症感知划分，以更好反映实际效用并减少数据泄漏。速度层面，GPU加速推理和批量筛选可在数小时至数天内完成数千至数万化合物的通量，远快于串行对接/模拟流程的数周或数月；针对SARS-CoV-2 Mpro等靶点的结构感知深度学习即为典型，实现从晶体结构到大规模优先级化学型的快速分流。成本节约和漏斗效率源于AI通过提高上游精度降低湿实验前的假阳性负担：报告显示在特定项目中，策展与建模的有效结合可使后续验证体量降低70%–97%；投资组合层面，系统综述和行业分析师指出，AI赋能的重定位可降低整体研发支出（如40%–60%），并将从假设到验证命中的周期压缩至12个月以内，具体幅度取决于数据资产、自动化水平和检测能力。公共数据集和基准（如Therapeutics Data Commons, TDC）和精选图/化学信息学语料库为任务标准化和可复现比较提供了关键支撑。同时需注意，报告的性能增益高度依赖数据集质量、终点定义、验证策略、对照选择和设计类型，因此需谨慎解读，跨研究比较并非总是直接等价。
1.3 案例分析
1.3.1 COVID-19案例洞见
大流行为AI驱动重定位提供了全球实时测试场景，三类互补路径涌现：一是通过网络/知识图谱工作流映射宿主-病毒生物学以提名可操作节点和已上市药物；二是基于晶体结构（如Mpro）的结构感知深度学习/虚拟筛选；三是基于真实世界和多组学数据的表征学习以对候选物进行后续排序。这些方法将假设生成和分流周期从数月压缩至数周，同时在可能的情况下保留机制可见性。典型案例包括：巴瑞替尼通过知识图谱推理和图嵌入（Node2Vec）关联JAK/AAK1抑制与病毒内吞及炎症信号，支撑快速临床评估，最终获FDA批准用于住院COVID-19患者；瑞德西韦作为基准阳性对照，被eVir平台的孪生神经网络在图嵌入分析中优先排序，并提名出模型中表现更优的口服候选物；地塞米松通过自动化文献文本挖掘和基于规则的布尔网络建模，频繁被列为最优抗炎联合方案的锚定药物，与后续临床实践一致；托珠单抗通过可执行宿主-病毒逻辑网络模型，预测IL-6阻断与皮质类固醇联用效果最佳，与后续治疗策略吻合；羟氯喹通过集成对接、分子动力学和梯度提升回归器，提供ACE2结合差异的立体化学解释，为冲突性临床试验结果提供语境；药物组合安全性则通过XGBoost分析离子通道数据绘制尖端扭转型室速风险图谱，指导联合用药的心电图监测策略。COVID-19经验表明，AI不仅能生成新颖且临床成功的假设（巴瑞替尼），还可提供机制解释（羟氯喹）、预测最优联合方案（托珠单抗）并指导重定位药物的安全性监测，体现了网络医学、结构导向深度学习和表征学习融合为端到端应急管道的可行性。
1.3.2 肿瘤学案例洞见
在肿瘤学中，人工智能日益通过基于多组学和临床数据，将现有药物匹配至特定癌症类型、分子亚型和患者水平特征，支撑精准医疗。代表性案例显示：急性髓系白血病中，转录组特征反转（连接映射）+机器学习优先级排序，提名伊曲康唑、硫利达嗪等候选物，预测其可逆转疾病特征并调节致癌通路；乳腺癌亚型分层中，多组学整合+监督学习+通路感知特征选择，提名二甲双胍、双硫仑等候选物，整合基因组和转录组信号识别亚型特异性脆弱点；胶质母细胞瘤中，知识图谱/网络药理学结合机制路径评分，提名甲苯达唑、氯丙嗪等候选物，通过靶向互连信号节点支持机制假设；结直肠癌中，基于细胞系筛选数据的推荐系统式药物反应预测，提名金诺芬、氯硝柳胺等候选物，通过学习大规模筛选panel的反应模式排序候选物并提出敏感性生物标志物；多癌种联合治疗中，图神经网络用于药物协同和多药理学感知的联合设计，提名与标准治疗联用的重定位药物，优先选择预测疗效改善且安全性可控的组合；患者来源类器官验证（精准肿瘤学）中，患者水平多组学+预测建模+类器官反应验证，为特定分子谱患者定制候选药物，桥接计算预测与功能检测。这些案例凸显了多组学数据与复杂机器学习模型整合以创建预测生物标志物的趋势，涵盖网络药理学和知识图谱嵌入用于机制重定位、推荐系统用于药物反应预测、图神经网络用于联合设计和多药理学感知优先级排序等方法学路径；患者来源类器官作为验证平台的发展尤为关键，帮助弥合计算预测与个性化临床行动之间的鸿沟，实现更快的机制锚定迭代循环。此外，数据增强和合成数据生成在肿瘤学重定位中日益被探索以应对小队列和罕见亚型，但需注意增强可能放大偏倚或引入分布偏移，最佳实践是将增强限于训练阶段，在未触及的外部队列上评估，并报告增强选择的敏感性分析以证明稳健性。
2 格局、挑战与局限性
尽管进展显著，AI在药物重定位中的广泛应用仍面临系统性障碍，核心张力之一是可重复性：商业平台可能依赖专有数据集和封闭模型，限制独立基准测试、详细误差分析和透明验证，延缓社区学习并阻碍与开放基线的比较，因此需要共享基准、清晰报告和外部验证。
2.1 整体格局
商业与学术平台构成生态系统：包括CANDO、RepurposeDB等开放获取学术工具，以及BenevolentAI、Recursion等复杂商业平台；欧洲REMEDi4ALL等新型元平台旨在协调端到端重定位工作流和共享服务（临床、监管、IP和资金路径）。AI驱动重定位工具市场2024年估值约12亿美元且持续增长，反映制药研发向数据驱动组合管理和AI优先分流的战略转变；这一势头同时体现于融合深度学习和知识图谱的AI发现平台专利激增，以及AI设计/发现项目进入早期临床试验等公共里程碑，标志着产业成熟度提升。监管姿态同步演进：FDA和EMA均强调数据质量、人工监督、透明度、生命周期风险管理和清晰文档，当AI参与生物医学决策时需明确记录；监管机构对AI支持的证据流接受度日益提高，申办方已报告在开发管线全流程中纳入AI模块，但监管不确定性仍存，尤其针对动态或持续学习系统的验证。FDA和EMA的侧重点存在差异：FDA更侧重从总产品生命周期视角构建AI监督，强调版本控制、变更管理和随时间演变系统的可提交文档；EMA则采取更广泛的药品生命周期视角，相对更强调治理、科学有效性、伦理使用，以及AI在发现、开发、监管和上市后活动的整合。因此当前最佳实践是为给定提交“锁定”算法版本，并提供详细的模型检查文件，包括数据谱系、训练流程、版本、性能和监控，以确保透明度和可重复性。针对AI驱动药物开发，目标多管辖区的申办方不应假设完全监管等效，全球相关证据包需同时包含技术可追溯性和更广泛的治理论证。科学机器学习（Scientific Machine Learning, SciML）通过嵌入机制先验和约束（如物理化学、动力学模型、通路结构）至学习目标，为可信重定位提供额外路径，通过限制预测至生物合理区间，可提升数据集偏移下的泛化能力，并使模型输出更易于转化决策解释，尤其当与知识图谱溯源和正交模拟配对时。学术环境贡献了许多方法学创新，但也面临独特约束：相比产业界，学术团队更依赖开源软件、公共数据集、共享计算基础设施和短期资助，这可能限制其获取大型专有数据集、高端GPU资源、长期软件维护和广泛实验验证的能力，导致学术研究可能在方法学新颖性上表现出色，但在可扩展性、与封闭工业系统的基准比较或概念验证之外的转化方面仍面临挑战，理解这些结构性差异对于解释学术与商业平台间的表观性能差距至关重要。
2.2 关键挑战
数据质量与标准化仍是决定性因素，“垃圾进、垃圾出”原则依然成立：性能受限于多组学、化学、临床和文献数据的完整性、协调性和可及性，批次效应、检测漂移和异质性策展可能夸大表观指标并损害外部有效性。社区基准（如TDC）和精选图/化学信息学语料库正通过标准任务、防泄漏划分（支架/时间划分）和更清晰的文档提升可比性，但跨模态和终点的广泛变异性依然存在。可解释性与信任受复杂深度学习系统“黑箱”特性影响，阻碍临床采纳：临床医生和监管机构通常需要决策的机制合理性，因此可解释AI、通路/网络水平理据，以及与基于物理的模拟和知识图谱推理的三角验证变得重要。新兴实践包括注意力/归因图、反事实解释、图神经网络的子图解释，以及将预测关联至生物医学证据的可追溯知识图谱路径。验证与“虚假理论关联”问题凸显：计算结果是假设而非结论，eVir研究从计算预测到体外（细胞水平）和体内（动物水平）验证的完整管道仍相对少见；若无严格的分阶段实验确认（正交检测、剂量-反应、安全性/ADME筛选），AI可能产生看似合理但最终错误的线索。早期整合预测毒性/药物相互作用模型和多重用药图谱，有助于在昂贵湿实验步骤前淘汰不安全假设。基础设施与人才需求源于前沿AI通常需要GPU中心计算、模型运维（MLOps）用于版本控制和监控，以及横跨机器学习、化学信息学和转化生物学的稀缺技能，这扩大了AI先行者与遗留基础设施机构之间的差距，提升了平台化和共享评估资产的重要性。经济与IP壁垒体现在：如大流行期间所见，重定位非专利药物可能面临激励不确定性（排他性有限、组合/生物标志物IP分散），即使科学依据充分也可能阻碍投资；战略利用监管路径、数据排他性、组合IP和伴随诊断，结合AI分流的组合水平证据，可部分缓解这些摩擦。治理与监管要求除模型性能外，申办方必须管理模型风险、数据集偏移、漂移监测、更新流程和人在回路审查；当前FDA/EMA沟通强调文档、变更控制和上市后监测，知识图谱/大语言模型/图神经网络组件应可版本化和审计，并明确研究用途与决策支持用途的边界；临床转化需将AI输出与研究终点对齐，构建适合目的的证据包，并尽早与监管机构互动。
3 未来展望（2025–2030）
基础模型融合预计将成为趋势：未来五年，跨化学、蛋白质组学、功能基因组学和临床文本训练的大规模基础模型有望突破狭窄任务限制，涵盖蛋白质语言模型、分子-蛋白质共嵌入和多模态大语言模型，可能日益支撑“零样本”或“少样本”适应症排序和候选分流，潜在缩短早期假设生成和优先级排序的部分环节，但其加速程度将取决于数据质量、任务复杂度、验证要求和与实验工作流的整合程度。实践中预期将形成混合技术栈：以知识图谱/图神经网络骨干支撑结构和因果关系，由基础模型处理文献合成、假设起草和方案生成。监管框架将逐步成熟：监管指南可能围绕药品中AI/ML的生命周期控制结晶，镜像SaMD（Software as a Medical Device）“总产品生命周期”范式，并与FDA和EMA近期关于文档、变更控制和人工监督的方向保持一致；申办方应规划模型版本“锁定”、与临床意义终点绑定的证据包、可审计的数据谱系，以及对持续学习组件的漂移监测。闭环自动化系统将加速发展：AI与实验室的整合使模型提出的假设可由机器人平台执行，将高内涵检测和组学数据反馈至模型以实现主动学习，此类闭环管道已在近期知识产权和平台公告中初现端倪，有望提高命中质量、缩短迭代时间并标准化验证，AI优先发现管道和早期阶段进入的产业范例可提供操作模板。安全内嵌与联合推理将取得进展：下一代工作流将把预测安全性（毒性、药物相互作用、尖端扭转型室速风险）和多药理学建模前置，更早筛除不安全假设并指导剂量/序列设计；基于图的协同预测器和推荐系统将日益提出合理联合方案和标签扩展，尤其在肿瘤学和免疫学领域。知识图谱与真实世界证据（Real-World Evidence, RWE）仍将处于核心地位：生物医学知识图谱作为跨模态的连接组织，链接来自文献、实验和临床的证据轨迹；知识图谱嵌入结合因果注释将提升机制可解释性和外部有效性；TDC等基准将持续推高可重复性门槛（防泄漏划分、时间支架、临床对齐指标）。经济、IP与市场轨迹显示：随着平台成本下降和自动化提升，AI驱动重定位将成为组合策略的主流经济驱动力，降低单项目支出，通过生物标志物定义人群和联合用药延长专利生命周期，并扩大罕见病和儿科适应症的激励；市场预测已预期专用工具细分领域将增长三倍至2034年超40亿美元，得到生成/图技术栈企业采纳和更广泛生态系统势头的支撑；战略利用监管/数据排他性和伴随诊断可进一步改善非专利资产的激励。前沿方向包括量子计算与高保真模拟：尽管尚处早期，量子计算与高保真物理/ML混合方法的联合进展可能解锁更难靶向的靶点和构象问题，改善针对挑战性适应症的“可解释性-可操作性”循环。
4 结论
2020至2025年是药物重定位演进的关键时代，人工智能从根本上将该领域从偶发的、机会性的发现转变为结构化的、数据驱动的和证据整合的工作流。COVID-19大流行期间AI的快速部署生动体现了这一转变：知识图谱和深度学习模型加速了巴瑞替尼等候选物的识别，将假设生成到临床验证和监管批准的周期大幅压缩。同样在肿瘤学中，AI整合多组学数据与图神经网络和机器学习，实现了精准重定位，将现有药物匹配至特定癌症亚型和患者特征，如fostamatinib用于急性髓系白血病等案例所示。这些进展不仅将开发时间从十余年缩短至数月，还在定向项目中削减40%–60%的成本，通过药物-靶点相互作用的预测建模降低不确定性，并通过可解释的网络药理学和嵌入技术增强机制洞见。展望未来，AI在药物重定位中的应用前景广阔，新兴技术有望放大其在整个制药生命周期的影响力：基础模型通过在涵盖基因组学、蛋白质组学、化学和临床记录的海量多模态数据集上预训练，将促进“零样本”和“少样本”预测，无需大量重新训练即可实现快速适应症排序和候选优先级排序。闭环自动化系统将AI与机器人高通量平台整合，创建迭代循环，使计算假设在湿实验室环境中快速测试，通过主动学习优化模型，加速从硅基到床旁的验证。此外，FDA和EMA等机构的监管框架成熟将提供更清晰的指南，强调锁定算法版本、审计追踪和在回路人工监督，确保AI支持提交的安全性和可重复性。然而，释放这一潜力需要有意识和持续的努力应对持续存在的挑战：通过标准化基准和协调的多源语料库投资于数据质量，以减轻偏倚并提升泛化能力；采用透明验证协议，纳入支架感知划分和正交实验检测，成为弥合计算预测与现实世界疗效差距的标准，避免“虚假理论关联”；将安全内嵌原则作为设计核心，早期整合毒性、药物相互作用和多药理学评估，以预防下游失败并赢得临床医生和监管机构的信任；以数据隐私、算法公平性和AI工具公平可及为核心的伦理考量应贯穿开发全程，防止生物医学创新中的差距扩大。最终，通过优先考虑这些要素，AI驱动的药物重定位可发展为制药研发的基石——一种可靠的一线策略，不仅重振现有治疗武器库，还为未满足需求的疾病提供公平获取新疗法的途径。这种整合有望构建一个更敏捷、高效和以患者为中心的药物开发生态系统，其中AI作为协作的力量倍增器，赋能研究人员以前所未有的速度和精度应对复杂的健康挑战。
