随着全球新一轮科技革命和产业变革深入发展，以人工智能为代表的数字技术加速演进，成为经济社会提质增效的核心驱动力。在医疗领域，人工智能在提升诊疗效率与精准性、加速药物研发进程、提供个性化医疗、协助医疗咨询等方面，展现出巨大潜力。然而，其应用也面临训练数据不足、算法不可解释、“数据投毒”可能致使模型生成错误诊疗建议危及患者生命安全等问题挑战。具体表现在：

　　一是缺乏大规模、高质量医疗公共数据集。目前，我国生物医学数据高度依赖美国相关数据库。国内医疗数据“不敢、不愿、不能”共享，阻碍医疗公共数据集建设。一方面，临床医疗数据涉及敏感个人健康信息，隐私泄露风险高，导致数据拥有机构“不敢”轻易进行数据共享；另一方面，掌握大量临床数据的医疗机构，由于数据共享权责不明确，“不愿”进行数据共享。此外，医疗领域链条长，各环节、各机构之间术语、概念、数据格式、编码体系缺乏统一性，数据“不能”顺畅流通共享。

　　二是算法准确性、可靠性、可解释性不足。生成式人工智能未能实现对医学知识的真正“理解”，仍停留在单词间的概率计算，易引发幻觉问题，生成与真实医疗情况不符、无法解释或误导性的信息，导致误诊等严重后果。基于深度学习的人工智能算法仍未突破“黑箱”瓶颈，决策过程不透明，阻碍在医疗领域的深度应用。目前仅约5%的研究成果通过了随机对照试验验证，大量算法停留在理论或实验阶段。

　　三是人工智能医疗应用的伦理与法律规范不完善。人工智能在医疗领域的快速发展带来了伦理和法律上的新挑战。例如，AI遭到“数据投毒”后推荐虚假的“权威诊疗方案”，影响医生诊疗，危及患者生命安全。AI诊疗决策的责任归属、患者知情同意的实施方式，以及算法偏见可能导致的医疗不公等问题尚未明确规范。当前，针对AI医疗应用的法律法规仍处于探索阶段，缺乏统一的伦理准则和监管框架，导致不确定性和风险加剧。

　　为此，建议：

　　一是完善数据共享机制建设，加快医疗公共数据集构建。建立健全数据隐私保护机制，完善《数据安全法》《个人信息保护法》在医疗领域的配套细则，明确医疗数据全生命周期的使用规范和责任归属。推广差分隐私、联邦学习等匿名化、去标识化技术，在保护患者隐私的前提下实现数据共享。摸底调研全国现行医疗数据格式，遴选最可行、最科学的数据格式、标准作为国家标准，分步骤分阶段在全国推广实施，打破数据孤岛。建立国家级医疗公共数据集，加快推进医疗数据汇聚、处理、加工、使用，为AI研发提供高质量数据集。

　　二是加快“人工智能+”医疗算法创新，确保算法满足临床应用需求。推动产学研医深度融合，促进医学知识与人工智能技术的交叉融合，将临床指南、专家经验等医学知识融入算法模型，提高算法对医学知识的理解和处理能力，减少幻觉问题的发生。建立严格的算法准确性、可靠性、可解释性评估标准和流程，明确算法在不同应用场景下的性能指标和测试方法。增加算法在真实医疗环境中的临床试验和验证次数，全面评估算法的临床有效性和安全性。

　　三是建立统一伦理准则与监管框架，加强多方协作共治。由卫健、科技等多部门联合成立专项委员会，制定统一的AI医疗的伦理准则，明确算法设计、数据使用等环节的伦理红线，加大对数据投毒等违法犯罪行为的打击力度，确保AI应用符合公平、透明、安全的原则。选择部分地区或医疗机构开展AI医疗应用试点，验证数据共享、算法性能和伦理规范的可行性，总结经验后逐步向全国推广。依托医疗机构和行业协会伦理委员会，对AI模型的开发和部署进行审查，确保其符合伦理原则和法律法规。积极参与国际AI医疗伦理标准制定，借鉴先进经验，推动我国AI医疗规范的国际化与科学化发展。