ARTICLE · 1143029
临床-AI科学家
Lancet Digital Health · Viewpoint
临床-AI科学家：医学新职业路径的提出
The clinician-artificial intelligence scientist: a proposed career pathway in medicine
作者：Wu Y, Ong AY, Chen H, Yang GD, Tham YC, Keane PA, Wong TY
期刊：The Lancet Digital Health（2026年9月29日在线发表）
DOI：10.1016/j.landig.2026.101077 ｜ PMID：42810919
通讯作者：Wong TY（清华大学医学部 / 新加坡眼科研究所）
💡 核心观点：正如20世纪"临床科学家"（clinician-scientist）角色弥合了基础研究与临床实践之间的鸿沟，AI时代需要一个类似的新角色——"临床-AI科学家"（clinician-AI scientist）。这一角色应同时具备临床和技术领域的训练与专长，并理解从AI开发到临床采纳全生命周期的实施科学。
一、历史回望：临床科学家的诞生与使命
"临床科学家"这一概念可追溯至20世纪中叶。1940年代，美国国立卫生研究院（NIH）开始资助既做临床又做研究的医生，标志着临床科学家角色的制度化。这一角色的核心使命是将实验室的基础发现转化为临床实践——从分子机制到新药研发，从基因突问到精准医学，临床科学家在基础科学与临床医学之间架起了一座桥梁。
然而，这一角色的培养和维持从来都不容易。临床科学家面临着"双重身份"的张力：临床工作要求全情投入，科研同样需要大量时间，而学术评价体系往往更偏重其中一面。尽管如此，历史已经证明，临床科学家在心血管疾病、肿瘤学、免疫学等领域推动了无数改变临床实践的重大突破。
二、AI时代的呼唤：为什么需要"临床-AI科学家"？
当今医学正进入人工智能（AI）时代。AI工具在医学影像分析、临床决策支持、药物研发等领域已展现出超越人类专家的潜力。然而，从AI模型的有效性到其临床价值的实现之间存在巨大鸿沟：
🔴 现实困境：大量AI模型在学术benchmark上表现优异，却无法在真实临床环境中落地。原因包括：模型与临床工作流不匹配、缺乏监管合规路径、临床团队对AI工具缺乏信任、数据偏移导致性能退化等。技术团队往往不理解临床需求，临床团队又难以评估技术方案——两端之间缺少"翻译者"。
文章指出，这一困境与20世纪中叶基础科学与临床实践之间的鸿沟惊人地相似。正如当年需要临床科学家来弥合"从实验台到病床"（bench-to-bedside）的转化缺口，如今AI时代需要一个类似的角色来弥合"从算法到病床"（algorithm-to-bedside）的转化缺口。这个角色，就是"临床-AI科学家"。
三、"临床-AI科学家"的定义与核心能力
文章将"临床-AI科学家"定义为：同时具备临床医学和AI技术两个领域的训练与专长，并理解从AI开发到临床采纳全生命周期实施科学的临床医生。其核心能力可概括为以下三个维度：
① 临床领域专长
深入理解疾病诊疗流程、临床决策逻辑、患者需求和医疗系统运作方式。能够识别真正有临床价值的AI应用场景，而非仅追求技术新颖性。
② 技术领域专长
掌握AI/机器学习的基本原理、模型评估方法、数据科学工具链。能够批判性地评估AI模型的性能、局限性和偏倚风险，并与技术团队有效沟通。
③ 实施科学素养
理解AI从开发到采纳的完整生命周期——包括数据治理、模型验证、监管审批、临床集成、工作流改造、持续监测和迭代优化。能够设计并执行将AI工具嵌入临床实践的科学方案。
四、核心对比：传统临床科学家 vs 临床-AI科学家
文章系统分析了传统临床科学家与临床-AI科学家的异同。下表从七个维度进行了对比：
▲ 表1. 传统临床科学家与临床-AI科学家的多维度对比
📋 表格解读
继承与超越：临床-AI科学家并非凭空创造的新角色，而是对临床科学家模式的继承与扩展。两者共享"双重身份"的核心特征——既属于临床世界，又属于技术/科学世界，并在两者之间充当"翻译者"。
转化的本质变化：传统角色的转化对象是"生物学知识"（从分子到药物），而新角色的转化对象是"技术能力"（从算法到临床工具）。后者的特殊性在于：AI技术迭代极快，监管框架尚不成熟，且临床采纳涉及工作流、伦理、公平性等更复杂的实施层面。
挑战叠加：临床-AI科学家面临传统角色的全部挑战，同时还需应对技术快速迭代、缺乏明确职业路径、跨学科沟通等额外难题。这意味着培养和支持这一角色需要更系统性的制度设计。
五、历史借鉴：从临床科学家的经验中学习
文章深入分析了临床科学家角色发展中的关键经验教训，并讨论如何将其应用于临床-AI科学家的培养：
经验一：制度化的培养路径至关重要
临床科学家角色的成功很大程度上归功于MD-PhD双学位项目、NIH K系列职业发展基金等制度化培养路径。这些路径提供了明确的时间线、资金支持和学术认可。对临床-AI科学家，需要类似的制度化路径——例如临床培训与AI/数据科学学位的整合项目。
经验二：保护研究时间是关键
临床科学家面临的最大挑战之一是临床工作挤占研究时间。解决方案包括受保护的研究时间（protected time）、减负临床排班等。临床-AI科学家同样需要受保护的技术开发和研究所间。
经验三：评价体系需要适配
传统学术评价体系以论文和基金为核心指标，但临床-AI科学家的产出可能更多体现为AI工具的临床部署、数据基础设施建设、临床工作流优化等"非传统"成果。需要建立能公平评价这些贡献的新型学术评价体系。
六、面临的挑战
1. 知识跨度极大：AI/数据科学本身就是一个快速迭代的广阔领域，要求临床医生在繁忙的临床工作之余持续学习新技术，门槛远高于传统基础科研。
2. 职业路径不明确：目前缺乏公认的"临床-AI科学家"职业定义、晋升通道和评价标准。年轻医生难以评估投入这一路径的风险与回报。
3. 跨学科协作困难：临床医学与AI工程在文化、语言、工作方式上差异巨大。有效协作需要双方都具备一定的"跨界"理解力，这在实践中很难实现。
4. 资金与资源限制：AI研究需要计算资源、数据访问权限和工程支持，这些在传统临床研究基金中往往不被覆盖。需要新型的资助机制。
七、培养策略：面向三方主体的行动建议
文章最后提出了面向临床医生个人、医疗机构和专业组织三个层面的靶向策略：
▲ 表2. 培养临床-AI科学家的三方行动策略
📋 策略解读
三层联动：文章强调，培养临床-AI科学家不是任何单一主体的责任，而是需要个人、机构和行业三层协同发力。个人需要主动学习跨界知识，机构需要提供制度保障和资源支持，行业需要建立标准、资金和评价体系。
最紧迫的一环：在三层策略中，机构层面的职位设立和评价体系改革可能是最紧迫的。只要"临床-AI科学家"没有明确的职位定义和晋升通道，年轻医生就不敢将职业生涯押注于这一路径。制度先行，人才才能跟进。
八、展望与启示
这篇文章的作者团队来自眼科领域——Wong TY教授是新加坡眼科研究所和清华大学的眼科AI领军人物，其团队开发的AI眼底筛查系统已在多国临床部署。正是这一实践经验让他们深刻体会到：AI从模型到临床的"最后一公里"是最难的，而这恰恰是技术团队无法独立完成、临床团队又缺乏能力完成的部分。
"临床-AI科学家"概念的提出，本质上是对AI医疗领域人才结构性短缺的回应。当前，懂AI的不懂临床、懂临床的不懂AI，两端之间的"翻译者"严重不足。文章借鉴临床科学家的成功历史，提出了一个系统性的解决方案——这不是简单地在临床医生身上叠加技术培训，而是要建设一个有制度保障、有评价标准、有职业前景的完整生态。
🔑 对中国医学教育的启示：中国正在大力推进"医学+X"交叉学科建设和"新医科"改革。这篇文章提供了重要的国际参照——培养临床-AI复合人才不能仅靠增设几门课程或举办几次培训，而需要从学位体系、职业路径、评价标准、资金机制等多个层面进行系统性制度设计。中国的医学院和大型医院有条件也有责任在这一领域先行先试。
原文链接：https://doi.org/10.1016/j.landig.2026.101077
本文为文献解读，内容基于原文摘要和公开信息整理
PMID: 42810919 ｜ Lancet Digit Health 2026