2001级临床医学院硕士鲍旭辉：从临床问题出发，让人工智能真正走进医疗
2025级生物医学研究院博士生杨涛（组长），2025级2025级生物医学研究院博士生徐涵
如何让人工智能真正解决医疗中的实际问题？一项科研成果从论文走向临床，还需要跨越哪些障碍？对于正在从事“AI+医疗”研究的青年学生而言，又应当培养怎样的能力？2026年暑期，在复旦大学生物医学研究院“研途职引·校友同行——校友结对走访”实践活动中，走访小组走进复旦大学附属浦东医院，与校友鲍旭辉围绕人工智能与医疗、科研成果转化、青年学生职业发展以及校友与母校的联系等话题，进行了一次近一个小时的深入交流。不同于单纯讨论技术的发展速度，鲍旭辉校友始终将话题落在同一个关键词上——临床问题。
01 从真实临床需求出发，而非“拿着算法找场景”
谈及哪些医疗问题值得引入人工智能，鲍旭辉校友首先提出，研究的起点应当是真实存在的临床需求。在他看来，一个方向是否有价值，不在于算法有多先进，而在于它究竟解决了什么问题——即使某些“痛点”在头部医院并不突出，对基层或其他层级的医疗机构而言也可能真实存在，只要能有效解决，就有实际意义。
结合医院场景，他将较适合人工智能介入的问题概括为三类：一是工作量大、重复性高、易出错的工作，如病历书写、影像初筛、科研数据整理等，人工智能有可能将医生从繁重的事务中解放出来；二是人工难以同时处理的多来源信息，精准医疗使临床决策常同时涉及影像、检验、分子病理、基因组等数据，人工智能可先行汇总，辅助医生形成初步判断；三是对及时性要求高的场景，如重症风险监测、用药安全等，系统及时识别与预警可减少人为疏漏。
“关键不是技术有多先进，而是能不能解决真实的临床痛点。”这一观点，成为整场交流中反复出现的一条主线。
02 从“回答一个问题”到“完成一个临床任务”
对于医疗人工智能的发展方向，鲍旭辉校友尤其关注它如何与临床工作流真正结合。他指出，当前不少大模型仍停留在“一问一答”：医生问一句、系统答一句；但真实医疗往往不是孤立的问题，而是一连串相互关联的任务。
以疑似罕见病患者为例，真正有价值的系统不仅要回答“可能是什么疾病”，更应结合患者信息与诊疗指南对候选疾病逐一比较，指出哪些表现符合、哪些不符合、还缺哪些证据、下一步该做哪些检查——这样的人工智能便不再只是知识问答工具，而更接近能辅助完成复杂任务的“智能体”。这一思路也与走访学生正在开展的疾病诊断Agent研究形成了直接呼应。
他还提到，人工智能在临床研究和真实世界数据治理中同样潜力可观：面对长期积累的大规模患者数据，传统人工方式很难逐例清洗、筛选、分层与匹配，若借助人工智能完成初步处理，研究者便能把有限精力集中在真正符合要求的数据上。
03 从论文里的“95%”到临床应用：AI要帮医生省时间，而非增负担
医疗人工智能研究数量不断增加，真正长期进入医院使用的产品却仍然有限。鲍旭辉校友认为，一个重要原因是研究与临床之间存在完全不同的评价逻辑：论文可用准确率、曲线下面积证明性能，医生关心的却更现实——愿不愿意用？是否方便？会不会增加操作？出了问题谁负责？患者最终有没有获益？
因此，系统能否与医院既有信息系统和业务流程衔接、能否减少而非增加工作量，往往与算法指标同等重要。谈到医生如何看待人工智能，鲍旭辉校友用一个朴素的标准概括：能帮医生省时间，就会被欢迎；反而添麻烦，就很难推广。现阶段更现实的模式，仍是由人工智能提供辅助信息或“第二意见”，再由医生结合临床经验作出最终判断。
这也意味着，医疗人工智能不应一味追求功能繁多、系统复杂，而应尽可能自然地嵌入原有工作方式。加之医疗数据不能随意离院，许多在通用互联网可行的方案进入医院后还须重新考虑本地部署、安全与基础设施等。从论文走向临床，需要的不只是一次次模型训练，而是一整套围绕临床场景的持续评价与优化机制，其最终标准仍要回到医疗服务：是否提高了诊断效率、缩短了时间、让诊断更精准、帮助患者获得更合适的治疗。
04 非医学背景并非劣势，关键是成为“听得懂临床的人”
作为智能医学相关专业的博士生，走访同学也提出了职业困惑：本科并非医学专业、博士阶段从事“AI+医疗”研究，未来如果进入医院能有哪些发展方向？鲍旭辉校友结合趋势给出几种可能：从事算法与人工智能研究的科研岗位，围绕真实世界与临床研究的临床数据科学岗位，以及链接临床需求与技术、产业团队的成果转化和医疗技术转移类工作。随着多中心临床研究不断发展，未来医院的研究团队很可能需要更多既懂人工智能、又懂临床数据的复合型人才。
因此，非医学背景本身并非劣势，关键是逐渐成为一个既懂技术、又听得懂医生在说什么的人。对希望长期从事这一领域的学生，他特别提出四方面能力：
一、扎实的技术基本功，包括人工智能、编程及相关工程能力；
二、理解临床问题的能力——医生的需求往往不是一个定义清楚的技术问题，需从模糊的描述中提炼出真正的核心痛点；
三、工程与落地能力——研究环境中的算力、云端模型未必能原样搬进医院，须按数据安全要求和基础设施条件重新设计；
四、沟通协调能力——一个项目往往需与临床科室、信息部门、伦理管理等多方合作，仅掌握技术并不足够。
他也提醒，论文成果虽然重要，但能否把技术放进真实的医疗环境中解决具体问题，更值得重视。
05 科研成果转化，从选题第一天就已经开始
围绕“成果为何难以转化”，鲍旭辉校友提出了一个印象深刻的观点：转化不是论文完成之后才考虑的事情，而应从选题、立项之初就着手设计。若一个研究从一开始就没有考虑未来谁来用、在哪里用、成本能否承受、样本能否获得、临床流程能否接入等关键环节，即便最终得到漂亮的初步结果，也可能难以真正落地。为此，他建议选题时同时权衡三个层面：科学上有无新意、临床上有无价值、现实条件下能否实施。
这一思路也延伸到临床、科研、教学与行政工作的平衡：不必把几项工作看作彼此独立的任务，而应尽量找到它们的交汇点——从临床中发现问题、将其转化为科研课题，科研成果反过来改善临床，成熟的案例又可进一步转化为教学内容。相比“把每一件事都做得更快”，更重要的是厘清哪些必须亲力亲为、哪些可以借助团队与外部力量共同推进。
06 AI负责广度，人负责深度
人工智能正在改变科研人员阅读文献的方式。鲍旭辉校友认为，面对每天激增的论文，已不必再机械地以“读了多少篇”来衡量阅读——人工智能完全可以帮助完成初步的搜索、梳理、归纳与笔记，提高获取信息的广度。
但他特别强调：关键结论一定要回到原文。对准备引用、模仿或深入使用的方法，仍需阅读原始论文、查看原始数据和关键证据，判断文献是否真正支持自己的问题。因此，在AI时代，重要的不是单纯“多读”，而是先提出一个好问题，再带着它去寻找和阅读真正相关的文献。
07 母校与校友：建立“终身学习、终身连接”的网络
走访的最后，话题回到校友与母校的联系。谈及希望母校提供怎样的支持，鲍旭辉校友首先提到持续学习：医学、人工智能、生物医药和临床研究发展迅速，校友离校后仍需不断更新知识，母校可通过高质量的继续教育、学术论坛和跨学科交流，创造持续成长的机会。其次是资源连接：复旦校友遍布医院、高校、科研机构与企业，更有效的校友网络将有助于科研、产业与跨行业合作，资深校友也可在职业发展中为年轻一代提供指引。
而这种联系并非单向。校友可在人才培养、科研与产业合作、国内外资源连接等方面反哺母校；更重要的是，每一位校友把本领域的事情做好，本身就在不断扩大母校的社会影响力。相比某一种具体的服务，更值得期待的，是母校与校友共同建设一个“终身学习、终身连接”的平台。
08 让一次走访，成为新的连接
近一个小时的交流，从人工智能如何走进临床，到科研成果如何走出论文；从博士生该培养怎样的能力，到校友与母校如何长期连接——话题不断展开，却始终围绕同一个关键词：连接。技术要与临床连接，科研要与真实需求连接，学生的专业能力要与未来的职业场景连接，校友的发展也要与母校保持长期连接。
对参与走访的同学而言，这不仅是一次对校友经历与观点的记录，更是一次从真实医疗环境重新审视自身研究的契机。人工智能的发展或许很快，但医疗真正需要的，从来不只是更大的模型，而是一项能理解真实需求、融入真实流程、并最终服务患者的技术。而“从真实问题出发”，或许正是青年科研工作者走向临床与社会时，最值得记住的起点。
附注：本文根据走访访谈整理，文中所述均为鲍旭辉校友的个人观点，不代表复旦大学附属浦东医院及复旦大学的立场。关于校友的更多背景与相关工作，亦可参见既往报道。
延伸阅读 · 既往报道：〔师生活动丨探索生命密码，点燃科学梦想 ——2024级鲍旭辉导师组活动纪实https://mp.weixin.qq.com/s/_RGy8qomYLu41KcFU7OlWg〕
