1970年，《新英格兰医学杂志》预测，计算科学将会“在很大程度上取代医生的智力职能”1]。五十多年过去了，这一预测仍未实现，不过如今的工具与当时设想的已有天壤之别。与早期那些功能单一、针对特定任务的系统相比，大型语言模型、生成式人工智能代理以及基于变换器的架构的出现标志着一个新的开端。本次研讨会并非探讨人工智能是否会影响儿科医学——这几乎是必然的——而是思考我们应如何运用它，以确保这些变化能带来积极影响。

本期四篇文章从不同角度展现了当前这一发展态势，涉及放射学、新生儿及普通儿科护理、临床遗传学以及母婴状况预测2、3、4、5]。综合来看，这些文章不仅展示了人工智能的能力，还指出了其存在的缺陷，以及这些缺陷对临床医生和医疗体系意味着什么。

从历史上看，放射学一直是人工智能在医学领域的首个试验场，Gupta及其同事撰写的关于儿科影像中人工智能应用的入门文章详细梳理了这一发展历程2。从早期的卷积神经网络，到如今能够检测肺炎、评估骨龄、识别新生儿胸部X光片上异常线条的模型，人工智能确实取得了显著进展。然而，目前获批的人工智能工具中，很少有明确标注适用于儿科的情况，这一差距十分明显。大多数工具都是基于成人数据集开发，然后直接应用于儿童患者。儿科训练数据的匮乏无疑会影响到医疗公平性。正如作者所指出的，儿科临床医生应当与放射科医生及数据科学家携手，确定具体应用场景，并在自己的患者群体中验证这些工具的性能，而非被动接受在其他地方设计的工具。

CMC Vellore的Murugan及其同事则全面介绍了人工智能在儿科临床护理中的各种应用，涵盖新生儿复苏过程中的实时指导、无创胆红素检测、坏死性小肠结肠炎的早期筛查，以及通过磁共振成像预测缺氧缺血性脑病患者的神经发育结局3。人工智能在这些领域确实能发挥出其优势，比如在时间紧迫的情况下快速识别模式、进行定量图像分析，以及处理海量数据以进行风险分层。不过文章也坦诚地指出了目前尚未解决的问题，包括缺乏高质量的儿科专用数据集、需要进行严格的临床验证，以及确保工具可信度所必需的透明度。

在临床遗传学领域，问题的严重性更为突出。AIIMS的Sadanand和Gupta介绍了当前的人工智能应用现状：它能够帮助对变异基因进行优先排序、开展罕见疾病筛查，还能为每位患者的数万种变异基因匹配相应的表型与基因型4。当一个全基因组序列可能产生数百万种变异时，强大的计算能力确实必不可少。但作者也发现了一个值得关注的问题：这些工具几乎都在孤立状态下运行，与医院的信息系统及常规报告流程毫无关联。更严重的是，它们大多是在非印度和非亚洲人群身上训练出来的。训练数据中南亚人群基因特征的缺失，直接威胁到了诊断的公平性，使得罕见疾病诊断的整个流程中就存在不公平因素。

本期文章中或许最具参考价值的是THSTI的Chanian、Thiruvengadam和Desiraju所写的综述，他们分析了用于预测孕中期自发性早产的人工智能模型，揭示了算法性能与实际临床应用之间的差距5。这类模型通常能获得0.80及以上的接收者操作特征曲线下面积值，但在大规模人群数据集中，其阳性预测值却只有5%甚至更低，这意味着被标记为高风险的绝大多数女性并不会出现早产情况。作者呼吁不要仅仅以AUROC值作为评估标准，这一观点十分及时。准确性并不等同于安全性，甚至也不一定意味着实用性强。一个模型即便拥有很高的准确性，也可能在临床应用中毫无用处，甚至适得其反。从设计到实际应用，每一个阶段都需要临床医生的专业判断。

这四篇文章都揭示了一些具有根本性意义的结论，而不仅仅是技术层面的问题。印度面临的特殊挑战——同时也是其独特机遇——在于其庞大的规模、极为多样化的患者群体，以及过去十年间建立的数字化公共基础设施6。Ayushman Bharat数字计划、可互操作的医疗记录系统以及全国性的共享计算资源，共同构成了任何单个医院或研究机构都无法复制的庞大数据生态系统。最近发布的《印度人工智能健康战略》也为这一目标的实现提供了框架7。

这次研讨会的核心启示其实很简单：人工智能只是决策辅助工具，绝不能替代医生的决策。任何工具在投入使用之前，都必须在目标用户群体中进行本地验证。脱离临床背景的准确性指标只会造成误导，而非提供有用信息。训练数据中的偏见最终会体现为医疗护理中的偏见8。印度拥有相应的基础设施、患者群体，以及推动发展的人工智能相关政策，完全有能力打造出能够提升医疗公平性、而非加剧不平等的人工智能系统。本期文章既反映了我们已经取得的进步，也指明了未来还需要努力的方向。