科学发现与人工智能科学到患者的旅程：来自该领域领导者的加速器和障碍（英）

科学到患者旅程中的加速因素与障碍

核心观点
研报探讨了人工智能（AI）在科学到患者价值链中的应用潜力及其面临的挑战。报告指出，当前科学发现过程如同接力赛，各阶段独立运作导致效率低下，而AI的快速发展已突破原有系统极限。AI虽能加速每个环节，但若缺乏系统性整合，将导致信息失真、信任缺失和成果转化受阻。

关键问题与数据

1. 科学信息生态退化

   • 每十秒发表一篇新论文，医学知识半衰期不足五年，医生需每天阅读26小时才能保持专业更新。
   • 美国每年28亿美元的预临床研究中有约50%存在不可重复性（2012年数据）。

2. 价值链各阶段痛点

   • 发现与研究阶段：数据孤岛严重，负样本和历史数据利用率低，但AI可加速DMTA循环和靶点识别。
   • 临床开发阶段：激励模型与临床脱节，患者招募后执行效率低，疫情下快速开发模式难以常态化。
   • 验证与传播阶段：“AI冗余内容”（AI slop）泛滥，同行评审周期固定导致积压，临床医生易过度信任AI输出。
   • 现实应用阶段：真实世界证据（RWE）与真实世界数据（RWD）转化率低，患者健康素养不足，AI信息与临床需求存在鸿沟。

五大张力与早期思考

1. 速度与质量：缩短研发周期（如12年降至6年）或提升成功率，当前资源分配失衡。
2. 数据孤岛与信息过载：需建立联邦数据模型共享参数而非原始数据，但反垄断法规构成障碍。
3. 技术采纳差距：技术先进但临床应用滞后，低经验医生易过度依赖AI，需设计可信落地路径。
4. 患者赋权与虚假信息：患者使用AI医疗工具需建立信任机制，需提升健康素养并确保RWE可靠性。
5. 激励错位：竞争性激励模型阻碍合作，需重构以奖励数据共享和系统价值。

解决方案建议

1. 建立联邦数据模型：通过本地模型训练共享参数，实现数据协同而不泄露隐私。
2. 构建聚合信息层：出版机构联合打造可信摘要平台，以专业策展对抗主流AI平台的“信息污染”。
3. 强化真实世界证据：建立纵向患者数据追踪系统，并确保AI分析框架的透明度。
4. 设计患者友好工具：开发可溯源、可追溯的AI平台，并支持内容撤回透明化。

未解问题

• 如何在非危机状态下打破监管壁垒？
• 如何界定AI输出中的可信证据？
• 如何平衡患者赋权与过度依赖风险？
• 如何重构科学知识经济中的激励结构？

结论
AI加速科学发现需系统性变革，关键在于打破激励错位和信任壁垒，通过多主体协作建立共享标准。短期可聚焦部署端应用（如心脏病影像分析），长期需从“训练模型”转向构建联邦智能系统，但需解决反垄断、数据主权等深层问题。