人工智能在医疗领域的应用进展最快的方向是医学影像诊断——因为深度学习（特别是卷积神经网络，CNN）在图像识别任务上的性能突破，加上大规模标注医学影像数据集的可用性提升。2016年，斯坦福AI实验室发表的皮肤癌分类模型（《Nature》）达到皮肤科专家水平，是AI医疗诊断的标志性事件。
## AI影像诊断的主要进展领域
**眼底影像（Fundus Photography/OCT）**：眼底是全身唯一可以无创直接观察到血管的部位。DeepMind与Moorfields Eye Hospital的合作（2018年，Nature Medicine）：AI从眼底OCT图像识别50种眼疾的性能达到或超过专科医生。更惊人的是，同组研究发现AI可从眼底照片预测年龄、性别、血压、吸烟史和心血管风险——”眼底是人体健康的窗口”有了数据支撑。
**肺结节检测（CT）**：肺癌早期（IA期）5年生存率>90%，晚期（IV期）<10%，早期检测是关键。AI肺结节检测系统（如InferRead CT、深睿医疗）在多中心研究中的敏感性和特异性均超过放射科医生，且速度快（<1分钟/例 vs. 放射科医生15-30分钟）。中国国家卫健委已将AI辅助读片纳入部分影像检查推荐流程。 **病理诊断（Digital Pathology）**：数字病理+AI是癌症诊断精准化的重要方向。Google的CAMELYON挑战（乳腺癌淋巴结转移检测）中，AI达到了超过资深病理医生的性能。同时，AI可以从H&E染色病理切片预测基因突变（如EGFR、KRAS）——这将帮助无法进行基因检测的医疗资源匮乏地区提升治疗精准度。 ## AI医疗诊断的局限与挑战 **分布偏移（Distribution Shift）**：AI在训练集医院表现优秀，在新医院（不同设备、不同人群、不同操作规范）的表现可能大幅下降。这是AI医疗落地的最大实际挑战。**标注质量与共识**：医学标注依赖专家共识，但专家间一致性（Inter-rater Reliability）在许多诊断任务中并不高（如早期癌症病理、精神科诊断）。**临床验证循环**：AI模型需要前瞻性随机对照研究验证临床效用，而非仅回顾性准确率测试。 参见[数字健康入门](https://sunqi.org/digital-health-overview-zh/)；[机器学习在量化交易中的应用](https://sunqi.org/machine-learning-trading-zh/)；[The Lancet Digital Health](https://www.thelancet.com/journals/landig/home)。
