瞿介明教授:突破呼吸诊疗能力瓶颈的“AI for AI”框架……从抗感染、气道疾病识别与先进介入浅谈驱动呼吸系统疾病精准诊疗

2025年10月,《Lancet》发布2023年全球主要死亡原因，相比2021年，COPD、下呼吸道感染上升1位，肺癌上升2位。人口老龄化导致肺部感染的重症率、死亡率显著提高。呼吸系统疾病进入高负担时代[1]。

传统诊疗能力正在逼近天花板，耐药感染病人的程度日益突出。碳青霉烯类耐药革兰阴性菌抗菌药物耐药率高，传统影像诊疗肺结节面临核心挑战[2]。

2026年5月，《Science》首次报道大型语言模型在多项核心医学推理任务上的表现，已显著超越人类医生，甚至在信息有限的紧急情况下，也能提供更准确的“第二意见”[3]。人工智能的快速发展，为疾病快速精准诊断提供了技术基础。

因此，我们突破呼吸诊疗能力的瓶颈，首次提出了更广义的“AI for AI”的概念框架。AI用于感染，AI用于慢性气道疾病识别以及AI用于呼吸介入。

在呼吸系统感染中，面对病原体谱复杂、传统检测滞后、耐药压力增加、病情进展速度快等等的复杂情况，我们需要对重症化风险进行动态评估病原微生物的诊断，如何做到“快、准、全”？目前仍然面临多重挑战。

因此，我们如何利用人工智能多模态助力呼吸系统感染性疾病精准诊疗？首先可以看到，胸部CT影像、mNGS/宏基因组检测、电子病历、实验室检测，以及流行病学等多维度输入到AI模型中，我们可以进行AI模型相关特征的提取、概率校准、风险分组、可解释输出，从而应用于临床的不同场景，包括感染类型初判、药敏判断与用药决策、ICU/ARDS风险预警以及抗感染药物筛选等。

场景1：感染类型及病原体判断。影像组学相关特征的输入，应用于多模态AI融合模型，再结合炎症反应强度、氧合指数严重度。我们可以对感染类型是病毒、细菌还是混合感染，给出一定自信度，同时给出下一步建议，包括是否需要复核相关病原的检测，并提出初始抗感染策略。

相关研究应用MALDI-TOF质谱+AI，来预测大肠杆菌、肺炎克雷伯菌、金黄色葡萄球菌等耐药菌的特质，以及应用单细胞纳米运动+AI来判断细菌到底是哪一种病原微生物，同时也可以判断如美罗培南等抗菌药物的敏感性。这些研究虽说只是初步尝试，但也为我们提供了用AI解决感染类型和病原体判断中的复杂性，将复杂的原始信号转化为可学习的特征，同时用分类模型更好地用于耐药和敏感概率的判断[4-5]。

场景2：抗生素药敏快速判断及用药决策。在该场景下，我们能否直接从临床标本中进行抗菌药物敏感性检测？我们开发了GenseqAMR软件，通过机器学习的mNGS数据深度挖掘之后，可以看到，平均药敏的报告时间缩短70%，MIC预测准确率超过90%，并已获得国家发明专利[6]。

临床回顾性研究提示，可能改善95.83% (23/24) 患者的治疗结局。因此，我们可以从临床标准直接进行宏基因组检测，利用智能分析软件和我们团队自己构建的病原微生物基因库作为比较，可用于药敏快速判断和用药决策的依据[6]。

场景3：疾病预后风险预测。可以看到这项研究中，通过CT影像的肺部参数以及临床病例相关数据进行模型的开发，建立了7种相关主要参数得模型，用于感染ARDS的模型预测[7]。

我们在1万多例病人中，对支气管肺泡灌洗的mNGS进行了深度肺部微生态挖掘，并结合AI分析出两类拮抗性的核心菌群。一类是对宿主增加防御功能有关的，简称为N-Cpre；另一个是促进感染风险升高相关的，简称为P-Core。因此，对ICU和非ICU病人来说，P-Core与N-Cpre的数值比例完全不同。如果使用log(N/P)比值，正值（N-Core占优）与患者生存率提升、住院周期缩短显著相关，可作为预后指标[8]。

场景4：新型抗感染药物筛选。可以看到，通过AI驱动，超大规模的模拟筛选，可将200万个小分子进行高通量筛选，对于超过14亿个化合物进行筛选。因此，在如此大的量的情况下，效率和精准性会明显提高。相关研究还可以利用临床直接标准进行高预测性模型训练，从百亿级多肽空间中挖掘出抗鲍曼不动杆菌的抗菌肽。这是最近刚上市、临床研究刚完成的结果，从药物角度来看，不动杆菌的抗菌肽正是用AI技术进行筛选成功的[9-10]。

新型抗感染药物，如何利用靶点信息、化合物空间，包括临床试验的输入信息，其质量非常关键。输入质量决定模型上限。可用于AI相关筛选，同时提供候选组合与下一步临床转化验证。因此，AI可帮助我们对新型抗感染药物的筛选从传统的“海量盲筛”转变为“可解释、可迭代、可验证”的候选优先级方案[11]。

当然，在新型抗感染药物筛选中，我们仍面临一些挑战：1、数据质量/完整性。真实世界数据常不完整、不一致、偏移、结构化不足，代表性不足；2、跨源链接困难。电子健康档案的调阅，公共卫生数据的实时更新，基础设施不足；3、泛化能力。AMR 流行趋势改变会导致模型性能衰减，跨病原体泛化是亟待突破的瓶颈；4、伦理与监管。医疗器械属性、隐私安全、算法责任边界，AI输出结果的人工审核；5、实施与监测。界面设计、临床信任、维护资源与成本效果。

因此，我们建议的路线是：从单中心回顾性验证开始，例如多中心外部验证，再到前瞻性试验/现实世界监测，并持续更新与审核，从而更好地提高效率。

AI用于慢性气道疾病的识别方面，以慢阻肺病为例，其发病率、患病率以及疾病负担大家有目共睹。目前，我国慢阻肺病的诊断率存在严重不足，包括肺功能检查率低、肺功能报告达标率不足、患者知情率不足等等。

为此，我们研发了一款诊断软件，该AI软件可以在三分钟内在手机上完成慢阻肺病的筛选[12]。

主要包括以上几个流程：创建患者的基本信息，包括年龄、性别、体重指数等6个方面；背景噪音检测达到标准后，录制三次咳嗽音；填写吸烟史和临床症状。后台会立即提示病人是否有慢阻肺病的风险和疑似慢阻肺病的风险。如果没有，我们就认为没有问题；如果有，我们建议进一步通过“小肺”或者“大肺”的检查来确定。我们的相关研究已发表论文，申请三类的诊断证[12]。

其原理是将正常的咳嗽声音转化为可视图谱。可以看到，健康人的咳嗽图谱和慢阻肺病人的咳嗽图谱，慢阻肺病病人明显有咳嗽音的速度。因此，我们通过可转化图谱和算力进行识别，使用AI设备将声音特征性用于慢性气道疾病的筛查[12]。

团队从百万级的数据、3万多个临床病人中，通过数据表征和相关疾病的大模型比较，目前，该AI软件的敏感度达89.5%，特异性达91.1%，完全可以满足临床应用[12]。

而在另外一项研究中，我们可以看到，使用手机对着病人或者正常人的胸部，尤其是针对慢阻肺病人群，使用该软件来检测“深呼吸+咳嗽”，构建了一个大模型。通过网络进行多模态融合，来预测慢阻肺病是否有急性加重（AECOPD）的风险。该研究将不同人群的表现分为轻度和重度的AECOPD，其有效性达到95.5%，完全可以满足临床应用需求。因此，以“深呼吸+咳嗽”的方法，使用一部手机就可以帮助基层来筛查慢阻肺病的急性加重[13]。

另一项研究，则是基于肺功能图时间序列的深度学习用于慢阻肺病的检测与早期预测。该研究首次提出DeepSpiro，这是一种基于深度学习的慢阻肺病早期风险预测方法[14]。

关于AI与先进介入方面，重点讨论人工智能电子支气管镜影像辅助监测软件的开发。瑞金医院团队与相关企业共同研发，利用两个深度学习网络对3690份支气管镜检查结果进行训练[8]。

我们通过多中心、优效性的随机对照临床试验，可以看到，AI系统直接连接到内镜系统，用于操作过程的实时动态监测，可协助内镜医生（低中/高级）提高支气管镜检查中支气管解剖部位的覆盖率，降低盲点率，延长操作时间，中低级医生获益最大。段及以上支气管识别准确率达95.94%[8]。

过去几年间，尤其是新冠疫情发生之后，我们一直在思考是否可构建一种替代设备，即一次性支气管镜机器人。通过几年的努力，我们终于研发出了首个快速替换式的一次性/单次使用的支气管镜，采用磁吸附/即插即用模块化接口，实现床旁10秒级镜体快速更换，真正打破“必须在特定介入室或手术室、专用昂贵镜体”的刚性限制[8]。

同时，我们还进一步研发了临床相关配套AI设施，包括采集专家医生操作数据，通过多模态融合入机器人操作系统，可以显著减少支气管镜碰壁次数，保证镜头居中，让初级医生操作机器人也像专家医生一样熟练。

近几年，我们团队还研发了基于专家操作技能学习的CT引导下经皮肺穿刺活检机器人。在仿真模拟实验和动物实验中反复测试后，我们发现该机器人能够通过正向和侧向穿戴方式，适应不同场景的肺结节穿刺。无论患者处于俯卧位、仰卧位还是左右侧卧位，它都能顺利完成操作[8]。

相比于徒手操作，使用专家技能智能控制机器人进行肺穿刺时，操作时间更短，穿刺精度更高，出错率更低。

AI正在塑造呼吸系统疾病的诊疗新方式，无论是抗感染、慢性气道疾病还是先进介入，我们仍需要加速临床转化与落地，同时进一步做好伦理、安全与监管，确保患者隐私、标准路径以及技术质量的可控，从而构建全周期、智能化的呼吸健康管理体系，进一步提升呼吸系统疾病诊疗的精准度。