解析临床AI：尼古拉斯·弗格勒访谈

尼古拉斯·弗格勒 | 英国南安普敦大学风湿病学副教授；艾伦图灵研究所临床AI兴趣小组联合组织者

引用：EMJ Rheumatol. 2025; https://doi.org/10.33590/emjrheumatol/FAJF2950.

EMJ非常荣幸地介绍尼古拉斯·弗格勒，他是英国南安普敦大学的风湿病学副教授，也是艾伦图灵研究所临床AI兴趣小组的联合组织者。在这次采访中，他讨论了临床AI的发展、其对风湿病和肌肉骨骼研究的影响，以及机器学习如何改变疾病的预测和治疗。

您能否分享一下您成为艾伦图灵研究所研究员的经历，以及这一职位对您的研究有何影响？

追溯到我的博士期间，我使用机器学习分析表观遗传数据集，这激发了我对这个领域的兴趣。后来，南安普敦大学发出了招募图灵研究员的通知，我很幸运地获得了这个职位，使我能够继续与图灵研究所的同事以及其他各个领域的研究人员建立联系。最终，我在2022年5月共同创立了临床AI兴趣小组。

现在，该小组已有超过1300名成员，主要承担三个关键任务：促进关于临床AI的讨论、提供资源以支持图灵相关的活动、并推进教育。我们强调，为了将AI有效地整合到临床实践中，临床医生必须足够了解它，以便向患者解释其影响。为此，我们开展了诸如临床AI暑期学校等活动，以增强临床医生的知识。

在您的职业生涯中，临床AI领域是如何发展的？哪些发展对医疗专业人员来说最具变革性？

回顾临床AI的历史是非常有趣的。许多人可能不知道，第一篇关于骨质疏松症的计算机视觉论文可以追溯到1996年。AI经历了多次兴奋期（“AI夏天”）和低谷期（“AI冬天”），但我认为当前的AI夏天将会持续下去，原因有三。

首先，像图像存档和通信系统（PACS）这样的大型数据集提供了丰富的训练数据。其次，硬件的进步，包括云计算和图形处理单元（GPU），使得这些数据集能够高效地进行分析。第三，模型架构的发展，如生成式预训练变换器（GPT）背后的变换器模型，减少了构建复杂AI工具所需的计算负担。这三个原因表明，临床AI将会持续存在。

我对AI的兴趣始于2015年，在观看了一段关于计算机视觉的TED演讲之后。当时，大多数临床AI的关注点集中在乳腺X线摄影上，旨在减轻乳腺癌筛查的负担。由于可用的大量影像数据，计算机视觉仍然是最先进领域。然而，大规模语言模型和环境咨询记录正在迅速赶上。虽然我们还没有达到转折点，但很快可能会看到语言模型在临床AI应用中超越计算机视觉。这是一个令人兴奋的领域，我鼓励其他人也参与进来。

预测建模是AI的一个重要优势。在风湿病学中，如何利用它来预测疾病进展或治疗结果？

在临床实践中，特别是在筛查中，我们的目标是早期预测疾病的发生或健康变化，以调整风险并改善结果。

在我的专业领域——骨质疏松症中，我们使用骨折风险评估工具（FRAX），这是一种基于传统统计方法而非AI或机器学习（ML）的预测工具。它的优势在于完全可解释。然而，AI在预测类风湿关节炎发作或识别哪些患者对治疗反应最好方面具有巨大潜力。

我认为，AI和ML可以在患者数据中识别出我们作为临床医生无法看到的模式，包括电子健康记录、血液检测和影像，通过多模态方式整合所有这些信息，然后利用AI的发展来预测未来的结果。监督式机器学习尤其有用，其中模型是在标记数据集上进行训练的（例如，发作患者与未发作患者）。

在肌肉骨骼研究中部署计算机视觉进行成像时，您遇到了哪些挑战？

从研究和临床角度来看，有几个挑战。在风湿病学中，成像有助于识别疾病特征。例如，如果我们查看一个患有骨关节炎的膝盖，我们会评估是否存在皮下硬化、骨变化、骨赘形成和关节间隙狭窄。所有这些特征都有助于诊断，并且还允许我们对疾病的严重程度进行分类。

计算机视觉研究的一个关键挑战是成像数据的变异性。例如，双能X射线吸收测定扫描在不同制造商之间可能存在差异，影响可比性并可能导致骨密度的误读。这种不一致性影响了研究和临床决策。

另一个问题是专家解读的变异性。放射科医生可能对发现有不同的意见，难以确定一个明确的“金标准”。如果专家评估不一致，训练AI模型来复制这些评估就会变得困难。这些都是在肌肉骨骼成像中部署AI的主要障碍。

您认为将AI工具集成到日常临床工作流程中的主要障碍是什么？医疗系统如何解决这些问题？

这些障碍是巨大的，并且因医疗系统而异。一个关键问题是确保AI工具既有效又安全。另一个问题是确定它们在现有工作流程中的位置。例如，AI可以从X光片中机会性地评估骨密度，但这应该在哪里实施？在非洲部分地区等没有双能X射线吸收测定设备的地区，还是作为所有医院X光片的自动功能？尽管前景广阔，但这可能会增加临床医生的工作量，需要解释结果、做出治疗决定并获得患者同意。

监管是另一个主要（尽管非常重要且必要）的障碍；AI工具需要持续的质量评估。自动化偏见也是一个问题，因为临床医生必须平衡AI见解和自己的判断。AI应该增强决策。解决这些障碍是成功集成的关键。

最后，您如何看待未来10年内AI在肌肉骨骼研究和风湿病学中的角色演变？

我的预测是，在接下来的十年里，AI将在肌肉骨骼研究和风湿病学中发挥重要作用。一个重大进展将是机会性地识别椎体骨折和低骨密度，从而改进骨质疏松症筛查和骨折风险评估。

在炎症性关节炎中，AI将越来越多地通过整合电子健康记录、组学数据、影像和临床结果来预测发作。这种多模态方法可以帮助识别高危个体并更有效地定制治疗方案。

在研究中，机器学习将细化疾病分类，识别类风湿关节炎等广泛诊断中的不同表型。这可能导致基于治疗反应或发作风险的更精确分类，最终使患者受益。

(全文结束)