《Chinese Medical Journal Pulmonary and Critical Care Medicine》：Artificial intelligence in respiratory medicine: From diagnosis to treatment and future directions
编辑推荐：
肺部疾病——包括肺癌、慢性阻塞性肺疾病（COPD）、哮喘、间质性肺疾病（ILDs）以及罕见疾病如囊性纤维化——仍然是全球发病率和死亡率的主要驱动因素。及时的诊断和个体化治疗常常受到异质性临床表型和多模态数据复杂性的挑战。本综述对人工智能（AI）在呼吸护理中的变
肺部疾病——包括肺癌、慢性阻塞性肺疾病（COPD）、哮喘、间质性肺疾病（ILDs）以及罕见疾病如囊性纤维化——仍然是全球发病率和死亡率的主要驱动因素。及时的诊断和个体化治疗常常受到异质性临床表型和多模态数据复杂性的挑战。本综述对人工智能（AI）在呼吸护理中的变革性作用进行了关键性综合，追溯了从经典机器学习到新兴大语言模型（LLMs）和多模态基础模型的范式转变。研究人员评估了AI在患者护理连续体中的表现：从放射科医师级别的结节检测和自动化诊断开始，推进到AI驱动的临床决策支持系统（CDSS）和手术/放射治疗干预，并最终达到预后建模和用于纵向患者管理的“数字孪生”模拟。此外，研究人员探索了精准医学的转化前沿，研究了AI如何利用多组学和液体活检来推动新型生物标志物发现并加速药物重定位。最后，研究人员解决了持续存在的社会技术障碍——包括数据主权、法律责任以及对前瞻性临床验证的关键需求——提出了一项用于将通用医学AI安全整合到临床工作流程中的转化路线图。
**AI在诊断影像中的应用**
AI在临床决策中的整合已从实验性自动化转变为肺病学中的范式变革力量。当代研究强调整体诊断，超越孤立的、任务特定的模型，转向连接原始像素数据与呼吸疾病生物学和病理生理学基础的综合系统。高分辨率成像和下一代测序平台常规生成庞大的多维数据，AI系统独特地具备探究这种复杂性的能力，以促进在临床表现之前发现新的亚视觉生物标志物和早期疾病指标。AI通过实现从高分辨率计算机断层扫描（HRCT）到组织病理学中的数字全切片成像（WSI）等多种模态的高灵敏度解读，彻底改变了诊断格局。这些多样模态与稳健深度学习架构的整合开创了多模态、数据密集型诊断工作流的时代，超越了人类视觉感知的内在限制。现代诊断框架通过三部分管道运作：多样成像模态捕获多尺度解剖和细胞数据；AI范式使用卷积神经网络（CNN）和影像组学处理这些输入；计算引擎将数据转化为直接临床效用，涵盖疾病检测、定量评估和预后规划。
**肺癌检测与特征描述**
AI在胸部肿瘤学中的应用代表了计算技术最成熟的临床整合，从单纯的检测战略性地转向综合特征描述。在大体成像中，深度学习（DL）系统为早期筛查建立了新的临床标准。例如DeepLung平台，利用三维卷积神经网络（3D-CNNs）结合影像组学对低剂量计算机断层扫描（LDCT）进行分析。在肺图像数据库联盟和图像数据库资源倡议（LIDC-IDRI）以及肺结节分析2016（LUNA16）等公共数据集上进行的回顾性验证显示，其灵敏度持续超过90%，但面临结节变异性和跨队列普适性的临床挑战。AI驱动的影像组学量化亚视觉地形——如纹理异质性、球形度和结节周围血管分布——使临床医生能够准确区分惰性病变和侵袭性恶性结节，减少不必要的侵入性活检。为进一步细化肿瘤分期，像PET-LungAI这样的混合模型将DL与正电子发射断层扫描-计算机断层扫描（PET-CT）影像组学整合。基于国家肺筛查试验（NLST）和机构数据集训练，该模型捕获亚视觉代谢异质性，相比标准放射科医生评估提高了诊断准确性，但高成像成本和有限可及性使其主要限于临床研究和试点使用。MRI-PulmoDL等模型则展示了CNN在描绘儿童肺肿瘤和软组织边界方面的新兴效用，虽然因胸部疾病中MRI历史采用率低而仍处于早期验证阶段。在细胞微观层面，数字病理学的出现催化了肺癌亚型分类的重大突破。基于Transformer的DL架构，如临床组织病理学成像评估基础模型（CHIEF）已在超过60,000张全切片图像（WSIs）上训练，实现了接收者操作特征曲线下面积（AUROC）大于0.93的卓越性能。类似地，Prov-GigaPath模型使用自监督Transformer框架，在美国、欧洲和亚洲的超过30,000张WSI数据集上训练，提供了肿瘤亚型分类的最新AUROC，但受限于数据集偏差和标注质量等转化障碍。为弥合筛查与干预之间的差距，AI现直接整合到实时诊断程序中。在介入环境中，AI-BronchoVision和专门的YOLO/ResNet架构在实时支气管镜视频流上部署目标检测，突出可疑黏膜病变和早期气道肿瘤。EndoLung-Net利用DenseNet和可解释深度学习来识别不典型增生和支气管内病变，在窄带和白光内镜下早期肿瘤识别中准确性超过92%，但依赖于设备和影像普适性。
**间质性肺疾病（ILD）与COPD表型分析**
在慢性纤维化疾病背景下，AI将临床焦点转向复杂的定量亚型分析。对于间质性肺疾病（ILD），AI驱动的定量CT分析已成为多学科团队（MDT）评估中不可或缺的辅助工具。DL模型自主识别结构性标志，如网状影、蜂窝影和磨玻璃影，促进特发性肺纤维化（IPF）、非特异性间质性肺炎（NSIP）和过敏性肺炎之间的高准确度鉴别诊断。例如VUNO Med–LungCT AI平台结合CNN和影像组学特征分析HRCT扫描，在亚洲多中心数据上验证，提供改进的ILD与肺癌分类，在韩国获批用于临床，但仍需专家解读。类似地，在慢性阻塞性肺疾病（COPD）中，AI增强的定量CT实现了小气道狭窄和区域空气潴留的详细表型分析。COPDGene AI分析框架利用CNN、机器学习和影像组学，基于COPDGene研究、ECLIPSE和SPIROMICS等大型队列发现新的肺气肿表型，成功将患者分层为特定的急性加重风险表型，但面临多中心数据协调和生理表型变异性的挑战。
**急性、感染性和动态诊断**
AI越来越多地用于解决复杂、时间敏感的急性病症和感染性疾病。在公共卫生领域，像qXR这样的工具使用稳健的2D-CNN解析胸部X光片进行结核病和肺炎筛查，在ChestXray14数据库以及印度和非洲诊所的临床数据上训练，实现了95%的灵敏度和90%的特异性，广泛部署在资源有限的诊所，但存在模型在小数据集上过拟合的风险。COVID-Net在疫情期间的全球部署展示了集成CNN和可解释AI在高通量严重程度分级中的能力，使用X射线和CT模态，尽管快速部署和数据变异性带来了普适性挑战。AI在识别隐蔽急性病症方面也表现出色，如放射透光性异物吸入（FBA）。结合高精度气道分割（Medpseg）和ResNet分类器的最新DL模型显著优于专家放射科医生，召回率达71.4%对比35.7%，但需要多中心验证以克服小训练数据集的限制。同时，AI辅助CT肺动脉造影（AI-CTPA）平台使用深度2D和3D CNN快速分析CT肺动脉造影以检测栓子，在急诊科部署增加，但需减轻低患病率环境中的假阳性。最后，AI通过处理时间序列而非静态帧推进了时空动态成像的实时分析。如TD-CNN-LSTM-LungNet这样的混合模型将可解释2D-CNN与长短期记忆（LSTM）网络结合应用于床旁肺部超声（POCUS）视频，捕获胸膜滑动征和节律性肺部伪影，以96.57%的准确率区分心源性肺水肿和病毒性肺炎，实现连续床边监测，对重症监护环境中的引导复张和快速分诊至关重要。
**AI在治疗计划和决策支持中的应用**
过去十年，肺病学中治疗计划和临床决策支持的面貌发生了根本性转变。AI驱动的平台，基于深度学习、概率建模和大规模数据整合的进步，使临床医生能够综合多维数据，包括高分辨率影像、基因组学和真实世界纵向临床记录。这一治疗范式正从判别性“黑箱”分类器转向生成式AI和多模态基础模型。AI驱动的临床决策支持系统（CDSS）在肺病学中尤为重要，因为管理策略必须不断适应异质性疾病表型、合并症和快速演变的治疗指南之间的复杂交互。传统的深度学习管道现作为LLM驱动推理框架内的模块化组件。这些高级系统使用医学LLM执行复杂、高级任务，如自动报告总结、跨模态诊断推理和基于实时证据的个体化治疗策略综合。通过模拟专家级临床推理，这些模型充当交互式“临床副驾驶”，弥合原始数据采集与可操作的患者特定管理之间的差距。
**精准肿瘤学与介入决策支持**
在胸部恶性肿瘤管理中，AI通过整合尖端计算框架和下一代治疗方式重新定义了全身治疗选择。当前前沿以多模态基础模型和医学LLM与精准策略（包括靶向治疗、免疫治疗及其协同组合）的融合为特征。对于靶向治疗，成熟的CDSS平台如Tempus、OncoKB和Watson已从简单突变编目转向复杂的基因组-表型整合。利用Transformer架构，这些系统综合多组学数据预测药物耐药模式，与专家共识的一致性高达80%。在免疫治疗领域，AI正应对识别免疫检查点抑制剂（ICIs）应答者的关键挑战。新兴多模态LLM和视觉-语言模型（如LLaVA-Med）能够将程序性死亡配体1（PD-L1）表达水平、肿瘤突变负荷（TMB）和从数字病理学得出的肿瘤微环境（TME）空间结构对齐，提供生成式推理以预测对抗程序性死亡蛋白1（PD-1）/PD-L1治疗的应答。此外，AI通过分析纵向“数字孪生”模拟，帮助临床医生平衡联合治疗协同疗效与免疫相关不良事件（irAEs）风险，确保真正的个体化精准肿瘤学方法。与全身治疗并行，AI革新了局部治疗，使程序从静态干预转变为动态实时适应性治疗。在放射肿瘤学中，Qure.ai、RayStation和Varian Ethos等平台使用的DL架构（如U-Net和Transformer）自动分割肿瘤和危及器官（OAR）。这些自动轮廓系统与专家共识相比准确性超过90%，将计划时间大幅减少高达80%。将AI整合到在线锥束CT（CBCT）适应性放疗中，可实现每日计划修改以应对解剖变化。多中心随机对照试验显示，这种适应性将局部控制率提高15%，同时降低≥2级放射性肺炎发生率30%，并减少OAR辐射剂量25%。此外，AI引导的剂量优化使用影像组学和可解释AI（XAI）框架（如SHAP）预测正常组织并发症概率（NTCP），实现高度个体化的方案定制。为保障患者安全，预测性ML模型部署于常规质量保证（QA），以95%的准确率标记剂量学异常和机器日志错误。在手术领域，AI与机器人辅助胸外科手术（如达芬奇系统）的结合为肿瘤安全性设立了新基准。AI增强控制台使用深度学习3D重建和视觉Transformer，将实时肿瘤边界的增强现实（AR）叠加直接投射到外科医生视野中。这种空间智能将阳性切缘率从传统视频辅助胸腔镜手术（VATS）的15%降至AI辅助手术的5%，同时围手术期并发症减少20%，住院时间缩短1.5天。AI还通过分析高光谱成像的DL分类器提供术中决策支持，快速检测隐匿性淋巴结转移，灵敏度93%，特异性88%，比传统冰冻切片快约20分钟。AI驱动的运动学运动分析基于力反馈提供外科医生灵巧度的自动评估，与胸外科培训中关键错误减少30%相关。
**慢性气道疾病的主动管理**
对于COPD和哮喘等慢性疾病，CDSS的焦点已从反应性诊断识别转向主动管理和急性加重预测。传统机器学习模型现已由多模态LLM和生成式AI平台增强，能够进行连续纵向监测。这些系统利用视觉-语言Transformer将高维成像与非结构化临床叙述和可穿戴设备实时传感器数据整合。在哮喘管理中，AI驱动工具支持早期干预和生物制剂选择，急性加重预测AUROC达0.89-0.93。在初步随机试验中，这些平台显著改善哮喘控制，哮喘控制测试（ACT）评分提高3-5分，急诊就诊减少30%。对于COPD，新兴泛化医学AI（GMAI）框架可通过综合声学咳嗽分析、每日肺活量测定和电子健康记录（EHR）数据，提前30天预测急性加重。这些生成模型作为“临床副驾驶”，提供可解释的预后推理，允许临床医生提前调整治疗并提高患者依从性。
**罕见纤维化疾病与急性重症监护**
AI的关键前沿是管理罕见纤维化肺病，这些疾病往往缺乏专家临床指南。在IPF和其他ILD中，AI辅助风险预测工具如ILD-RiskNet和LUNGOMIC-AI结合定量HRCT影像组学、多组学和用药依从性数据，使用支持向量机（SVM）和多模态融合，预测快速疾病进展的AUROC大于0.85，有效指导抗纤维化治疗调整和肺移植转诊时机，优于传统临床评分系统。在急性重症监护环境中，疫情期间快速开发的分类工具已成熟为稳健平台，如ARDS-CDSS和COVID-TriageAI。通过实时DL分析持续处理床旁监测数据、影像和EHR，这些系统预测急性呼吸窘迫综合征（ARDS）发作并优化机械通气管理，与传统序贯器官衰竭评估（SOFA）评分相比，死亡率预测AUROC相对提高20%，实现更精准的分诊和及时升级治疗。
**AI在患者管理和预后中的应用**
人工智能正在迅速重塑肺病学中患者管理和预后评估的格局，有效将该领域从反应性、偶发性护理转变为前瞻性、数据驱动的疾病管理。大规模临床、影像和分子数据集的无缝整合——包括高维影像组学、基因组学以及来自EHR的真实世界证据——使得开发支持全谱呼吸疾病动态风险分层的稳健算法成为可能。临床预后评估的基本演变涉及从传统线性统计方法和早期DL架构到多模态基础模型和生成式AI的转变。不同于经典模型需要手动特征选择或早期CNN充当“黑箱”，高级框架——包括医学大语言模型（Med-LLMs）和视觉-语言Transformer——能够执行复杂的跨模态推理。这些系统自主综合来自纵向临床轨迹和非结构化医生笔记的潜在预后因素，不仅提供数值风险评分，还提供可解释的预后推理。这一转变实现高度动态的个体化风险估计，实时适应患者不断变化的临床状态。
**预后建模**
在胸部肿瘤学领域，AI已远超传统解剖分期框架。虽然像DeepSurv-Lung这样的先进预后模型通过整合基因组突变、影像组学和组织病理学数据建立了基线，达到一致性指数（C-index）大于0.80，显著优于肿瘤-淋巴结-转移（TNM）分期系统的典型C-index 0.60-0.70，但前沿现已转向生成式AI和LLM。新兴GMAI框架能够执行跨模态推理，将EHR中的非结构化临床叙述与高维影像数据对齐。这些视觉-语言模型（如LLaVA-Med）可解释复杂空间肿瘤环境，生成可解释的预后推理，弥合数值风险评分与临床决策之间的差距。同样，AI弥合了罕见纤维化肺病的预后缺口。在IPF中，AI平台如AIPredict-ILD利用集成ML和CNN实现1年死亡率预测AUROC大于0.85，预测准确性比传统GAP（性别、年龄和生理）评分估计高15%。在囊性纤维化（CF）中，DL模型识别亚视觉结构生物标志物（如细微气道壁增厚），提前数月预测第一秒用力呼气容积（FEV1）下降。将医学LLM整合到这些工作流中，可实现囊性纤维化跨膜传导调节因子（CFTR）调节剂治疗的个性化滴定，确保在不可逆气道损伤发生前进行干预。
**远程监测与数字孪生**
对于COPD和严重哮喘，预后焦点通过综合数字健康整合延伸至门诊环境。远程医疗的作用已从简单的症状远程监测成熟为实时生理复制品的高层次整合，即概念上的“数字孪生”。数字孪生代表患者特定的人体呼吸系统虚拟计算副本，通过可穿戴生物传感器、数字肺活量测定和环境传感器的动态数据持续更新。这一范式转变为“居家医院”模型奠定技术基础，其中AI实时分析细微生理偏差（如夜间去饱和变异、呼吸频率和声学咳嗽频率），在急性症状出现前提供临床失代偿的早期检测。AI驱动的聚类技术应用于纵向EHR和可穿戴生物传感器数据，现支持识别高风险“频繁急性加重者”表型。高级预后平台如COPD急性加重预测器使用随机森林和时间CNN提前30天预测急性加重事件，实现30天风险AUROC达0.85，促进早期药物干预，但需注意减轻假阳性警报。综合移动健康（mHealth）生态系统如TeleCare-AI Lung使用自然语言处理（NLP）持续分析患者报告结局和远程监测指标。正在进行的随机对照试验（RCTs）表明，这些AI驱动的平台显著减少30天再入院率，从根本上分散呼吸护理并减轻急性医疗设施的经济负担。
**可解释性与转化瓶颈**
将复杂预测算法从计算机验证转化为床边临床决策面临关键障碍。深度生存模型内在的“黑箱”性质常引发临床怀疑，因医生无法验证高风险预测背后的推理。为缓解信任赤字，整合可解释AI（XAI）工具如可解释影像组学（SHAP-Lung）变得至关重要。通过直观和数学方式量化特定特征（如肺癌中结节周围毛刺征或COPD中区域肺气肿分布）如何影响患者预后输出，SHAP算法恢复了医生的可解释性。然而，广泛临床采用仍面临机构数据异质性和与现有电子病历（EMR）缺乏无缝整合的挑战。此外，校准不佳的远程监测平台存在临床“警报疲劳”风险，即医生被琐碎通知淹没。克服这些瓶颈需要进行大规模、前瞻性验证试验，涵盖社会经济和人口多样化的队列，以确保AI预后模型不会无意中加剧现有医疗差异。
**AI在分子医学中的应用**
从宏观临床管理转向阐明微观机制，AI在将高通量分子数据转化为临床可操作见解方面日益关键。通过处理庞大的多维数据集，AI实现向生物学知情的个体化管理的根本转变。当代AI驱动的精准医学工作流通过汇聚管道运作：整合基因组突变、转录组谱、蛋白质组学、表观基因组学和非侵入性液体活检。中央AI计算引擎利用高级特征工程和深度预测建模映射复杂生物相互作用，最终产生精准临床交付物，如新型生物标志物发现、分子分层和加速药物重定位。
**多组学与生物标志物发现**
AI广泛应用于综合多组学数据集，以发现新的诊断和预后特征。高通量分子谱分析的快速发展生成了阐明恶性、纤维化和炎症性肺部疾病遗传和蛋白质组基础的综合数据集。多组学工作流通过三部分汇聚管道运作：（1）多模态输入：框架通过摄取不同数据层捕获整体生物快照，包括基因组学、转录组学、蛋白质组学、表观基因组学和非侵入性液体活检。（2）AI分析引擎：这些异质性输入由中央计算核心处理，利用高级特征工程、深度预测建模和多组学整合协议映射复杂生物相互作用。（3）转化输出：通过将这些分子特征与临床记录结合，AI模型产生精准临床交付物：早期检测、预后生物标志物识别、精细化分子分层、治疗反应预测和新型药物靶点发现。分子谱分析中的持续数学瓶颈是“维度灾难”。当基因组和蛋白质组特征数量（p）超过可用患者样本数量（n）时，传统统计技术常难以应对数据固有的极端异质性、稀疏性和噪声。相比之下，先进AI方法——包括DL、SVM和集成方法如RF——独特地能够挖掘高维空间以识别复杂非线性生物关联。
**液体活检**
与基于组织的多组学并行，AI与液体活检谱分析的前所未有融合正在从根本上重塑早期诊断和动态治疗监测的格局。深度神经网络和集成模型能够从血浆、支气管肺泡灌洗液（BAL）和呼出气中快速提取高维生物信息。在胸部肿瘤学中，多癌早期检测模型如Galleri利用ML解码复杂细胞游离DNA（cfDNA）甲基化模式，实现灵敏度和特异性超过95%和99%，显著加速诊断时间并促进常规微小残留病（MRD）监测。超越恶性肿瘤，AI正在解锁液体活检在慢性和急性呼吸系统疾病中的预后潜力。在阻塞性气道疾病中，应用于大型队列（如COPDGene和SPIROMICS）的多模态融合模型分析血浆microRNA和甲基化组，预测快速FEV1下降，有效分层频繁急性加重者以指导主动干预。在急性护理环境中，应用于血浆cfRNA（cfRNA-COVID）的DL模型显示出预测ARDS进展为呼吸衰竭的能力，AUROC超过0.90，动态指导重症监护病房（ICU）资源分配。新兴的“呼吸组学”前沿代表了终极非侵入性诊断模态。AI模型如VOC-AI使用CNN和SVM解释呼出气中的复杂挥发性有机化合物（VOCs）谱，准确区分肺癌、COPD和哮喘，验证准确性超过90%，完全无需抽血。
**药物发现与重定位**
AI通过克服传统药物开发的高成本、长时间和高临床失败率瓶颈，正在从根本上重塑肺药理学。AI平台加速了新分子从头设计和现有治疗药物的战略性重定位。对于历史上受限于“不可成药”靶点的疾病，AI提供结构智能。基于Transformer的DL架构如AlphaFold在三维蛋白质结构预测中达到接近实验的准确性。从结构预测到分子生成，利用生成对抗网络（GAN）和强化学习的平台实现了前所未有的开发速度。最值得注意的是，使用生成张量强化学习（GENTRL）模型的Insilico Medicine在仅21天内成功设计、合成并临床前验证了一种新型泛纤维化盘状结构域受体1（DDR1）激酶抑制剂，仅为传统多年时间线的一小部分。同时，Chemistry42和MolGPT等生成模型正在积极筛选大规模化学库，以识别非小细胞肺癌（NSCLC）和复杂呼吸道感染的高选择性激酶抑制剂。对于开发时间线关键的罕见和急性疾病，AI驱动的药物重定位产生即时可操作的见解。通过NLP和图神经网络（GNN）跨大量生物医学文献和多组学数据库部署，平台映射隐藏的药理学关系。在COVID-19疫情期间，BenevolentAI平台迅速识别类风湿性关节炎药物巴瑞替尼作为严重病毒性肺炎的有效抗病毒候选药物，导致其后续FDA批准和全球临床部署。对于高度耐药性疾病如耐药结核病，QPOP和DeepChem等平台使用经验表型ML建模复杂药物协同作用，成功预测高效个性化多药方案以克服获得性耐药。最后，为持续优化动态治疗策略，研究人员越来越多地使用强化学习（RL）框架。RL范式通过连续临床交互运作：AI代理观察患者当前状态，执行特定动作，并基于生理改善获得数学奖励。通过迭代优化，AI有望学会高适应性个性化治疗路径。
**挑战与未来方向**
尽管AI在呼吸护理连续体中具有变革性前景，但广泛临床采用的道路受到深刻“社会技术差距”的阻碍。从计算机概念验证过渡到标准临床实践需要克服多方面障碍，涉及数据完整性、模型可解释性和机构治理。
**数据与偏差**
医学AI的主要科学瓶颈是缺乏通用数据标准化和固有的“代表性偏差”。呼吸数据集通常存在于碎片化、机构特定的孤岛中。主要公开训练队列常表现出严重的人口统计偏差；例如，主要在欧洲血统人群上训练的算法在应用于少数民族或儿科人群时性能显著下降。在罕见呼吸疾病中，数据稀缺性造成恶性循环，AI模型易过拟合，边缘化最可能受益于精准医学的孤儿病患者。同样关键的是普遍存在的“模型漂移”现象——当模型从高度策划的回顾性训练数据集过渡到前瞻性临床工作流时预测准确性显著下降。为弥合这一差距，未来研究必须严格遵循专门报告指南，确保多中心随机对照试验（RCTs）验证这些算法的前瞻性临床效用。
**可解释性与信任**
DL架构内在的“黑箱”性质为临床医生“接受”创造了重大障碍。肺科医生需要理解驱动预测的生理学推理。没有透明度，未校准的AI系统可能引发“警报疲劳”。为克服信任赤字，需要普遍实施可解释AI（XAI）框架，如SHAP或局部可解释模型无关解释（LIME）。通过数学量化和视觉突出影响模型输出的特定临床或影像组学特征，XAI将AI从不透明预言转变为协作、可验证的诊断伙伴。此外，现代医学教育必须培养“算法素养”，使下一代呼吸医生能够批判性解读AI输出并识别诊断漂移。
**监管与经济障碍**
随着算法在高压环境中趋向半自主角色，最严峻的障碍是机构而非技术性的。DL部署造成法律责任真空：当前医疗法律框架难以分配AI引起医疗错误的责任。监管机构开始适应，如FDA的“软件即医疗设备（SaMD）”预认证计划尝试监管部署后持续学习的算法。然而，广泛临床整合的最终瓶颈是经济可持续性。与拥有AI驱动心脏分析特定CPT编码的心脏病学不同，呼吸AI目前缺乏标准报销框架。没有明确财务途径，先进AI将仍局限于资金充足的学术中心，加剧全球医疗差异。
**未来趋势（联邦学习、基础模型）**
展望未来，肺病学下一个十年将由两种变革性技术范式定义：隐私保护AI和多模态基础模型（MFMs）。为解决大数据需求与严格数据隐私法规之间的悖论，该领域正迅速转向联邦学习（FL）和群体学习。这些去中心化架构允许AI模型在跨越全球机构网络时协同训练，无需交换原始可识别患者数据，保障数据主权同时实现稳健无偏模型普适性所需的统计能力。结合使用生成对抗网络（GAN）为罕见肺病创建高保真“合成数据”，FL为民主化精准医学提供安全路径。同时，架构格局正从狭窄、任务特定的算法转向MFMs和泛化医学AI（GMAI）。与局限于单模态的先前迭代不同，下一代LLMs（如Med-PaLM）和视觉-语言模型（VLMs，如CLIP）将放射学像素、组织病理学切片、多组学谱和非结构化临床叙述投射到统一表示空间。在不久的将来，这些生成模型将在多学科团队会议期间充当高度复杂的“副驾驶”——能够对罕见病理进行零样本诊断推理，自动综合数十年患者病史，并交叉参考实时临床试验文献以提出最优个体化治疗方案。最终，隐私保护联邦网络与多模态生成智能的融合将催化呼吸医学从反应性学科转变为真正可预测、公平且全球可扩展的科学。
**结论**
AI已从根本上从有前途的辅助工具演变为当代肺病学不可或缺的支柱。通过整合庞大、异质的生物医学数据，AI正在转变呼吸护理连续体的每个阶段。本综述批判性地综合了从任务特定自动化到多模态推理框架的转变，突出了AI驱动的解决方案如何将临床决策从主观判断转向高精度数据驱动精准医学。在临床实践中，AI的变革力量最明显地体现在其提供个性化干预的能力：从放射科医师级别结节检测和资源有限环境中的自动化结核病筛查到罕见肺病中可操作分子靶点的识别。在患者管理方面，“数字孪生”和AI驱动远程监测的出现催化了向“居家医院”模型的转变。然而，实现安全、公平和普遍临床采用仍是一个多方面挑战。呼吸护理界必须通过严格多中心随机对照试验弥合回顾性算法准确性与现实世界前瞻性效用之间的“社会技术差距”，并需应对法律责任、报销和隐私等非技术障碍。展望未来，多学科协作生态系统对于建立公平透明的AI标准至关重要，医学教育必须发展，使下一代临床医生具备负责任采用AI所需的“算法素养”。最终，生成式AI、数字孪生和隐私保护协作模型的整合具有重塑呼吸医学为真正可预测、公平且以结果为导向的学科的潜力，确保精准医学的益处惠及所有患者。
