当AI已经能读片、写病历、给出诊断建议，为什么真正改变临床的AI仍然不够多？文章认为，关键缺口之一，是缺少能够连接AI技术开发与临床落地的“临床AI科学家”。
在线发表截图
近日，医学院黄天荫教授团队联合国内外研究者在《柳叶刀·数字健康》在线发表观点文章The clinician–artificial intelligence scientist: a proposed career pathway in medicine。文章提出一个正在兴起的新角色——临床AI科学家（clinician-AI scientist），系统讨论其必要性、面临的挑战与培养路径。
文章认为，应该将培训体系和社群建设放在核心位置。没有系统培养，就很难形成稳定的人才队伍；没有多学科社群，临床AI科学家也很难真正成长。
AI开发与临床落地之间的“最后一公里”
文章指出，医学AI研究增长很快，但只有一小部分算法真正从开发走向临床使用。以2022年一项系统性综述为证，在11839篇文章中，仅有39篇是评估AI在真实临床实践中应用的随机对照试验；而2024年一项范围综述也提出，试验结果在真实临床环境中的可推广性和实用性还需进一步关注。
文章没有把这些现象简单归因于某一类研究或某一个模型，而是指出一个共同挑战：很多AI模型即便在基准测试中表现优异，也可能因为临床医生信任不足、与临床工作流不匹配、部署条件不兼容等原因，难以带来有意义的临床获益。
文章关注的不仅是模型性能，也包括AI如何融入临床工作流。文章认为，医学AI需要一群既理解临床需求、又懂AI技术的人，来参与模型设计、验证、实施和治理。这个角色，就是临床AI科学家。
谁来做“翻译者”？临床AI科学家的清晰定义
文章将临床AI科学家定义为连接AI技术开发与真实临床采用、实施的医疗专业人员。这一角色类似传统的“临床科学家”，但需要适应AI时代的新需求。
文章指出，临床AI科学家不是要取代现有角色。它不同于普通参与AI研究的临床医生，后者通常贡献专科知识，但未必系统参与AI开发到落地的全生命周期；也不同于临床信息学家、传统临床科学家或数据科学家。它的独特之处在于三重身份的交集：临床医生、工程师、科学家。
临床AI科学家三重身份的交集
文章进一步提出三项实践责任：
第一，持有端到端视角，从最初临床问题到模型开发、前瞻性验证和部署后监测；
第二，为AI技术团队提供临床领导，定义有意义的临床目标，并能超越常规性能指标批判模型行为；
第三，确保AI工具带来真实临床结局和患者获益，而不只是统计准确率。
从真实世界的具体工作中，已有真实例子表明他们可以扮演四种角色：问题提出者，把未满足的临床需求转化为可解决的技术问题；证据架构师，设计前瞻性研究、定义稳健评估标准和临床有意义终点；实施负责人，负责将验证后的模型整合进复杂医院系统；临床倡导者和守护者，在日常使用中反馈效率、可用性和安全性。这些角色定位代表了不同的细分专业方向，共同构成了临床AI科学家群体应当协同履行的全方位转化职能。
这一定义的价值在于：它让“临床AI科学家”不再只是一个模糊头衔，而成为有边界、有责任、有实践场景的专业角色。
建设分阶段、可衔接的培训体系
文章强调，培养临床AI科学家不能靠零散兴趣，而需要系统的培训体系。现实挑战也很清楚：同时发展临床能力、研究方法和快速演进的AI技术非常困难；AI发展速度远超传统生物医学领域；临床服务任务压缩研究时间；结构化培训项目少、专项资助少、榜样导师少，也缺少专业机构来定义标准。
在个人发展层面，文章建议早期职业临床医生进行战略性技能培养。技术能力至少包括：深入理解AI系统行为和局限，熟悉AI技术概念和模型评估指标。临床研究能力包括：AI验证的研究设计、结局选择、数据分析和解释。治理与伦理方面，需要了解真实世界健康数据的隐私问题、健康数据贫困和算法偏见。编程能力是加分项，但并非临床AI科学家的严格必需。
在机构层面，文章建议医院和学术医学中心建立综合支持框架，可以借鉴甚至整合现有的临床科学家项目。培养应从医学院开始，把AI基础概念、批判性评估和伦理整合进核心课程；在研究生培训阶段设置结构化路径；专业组织应在国家层面定义临床数据科学和AI核心能力，推动标准化课程。文章还基于ACGME核心胜任力和NIH医师科学家培养路径，提出了一套临床AI科学家的核心教育目标和成长路径。
此外，保护研究时间、职业发展奖、私人基金会支持、继续教育、导师指导、计算资源、数据集和试点资金，都是培训体系不可缺少的部分。文章的贡献在于：它把临床AI科学家的培养，从“个人兴趣”推进到“分阶段、可衔接、有制度支撑的职业路径”。
建设多学科社群，让临床AI科学家不再孤立成长
文章特别提到，现代临床AI科学家不能孤立工作。最有效的合作，是临床与技术工程社区之间的协作，并且需要从“客户—服务”模式转向“共同创造”模式。临床AI科学家应作为催化剂，确保临床视角贯穿设计、开发、评估全过程。
这意味着，社群不是附属品，而是培养体系的一部分。文章提到，个人发展应超越理论知识，进入项目式学习和同行支持。例如，其研究组实践的“临床AI期刊俱乐部”，就汇集了国际、多学科的研究者，共同关注临床AI的开发与评估。类似形式可以为临床AI科学家提供持续学习、问题共享和同行反馈的空间。
社群还应包括临床医生、AI工程师、数据科学家、生物统计师、伦理学家、网络安全专家、法律专业人员等。通过多学科团队、专业网络、兴趣小组、会议、期刊专题和机构治理委员会，临床AI科学家可以获得导师、角色模型和职业认同。文章强调，临床AI科学家不是替代生物统计师、AI工程师或数据科学家，而是补充他们，提供临床愿景和领导力。
这一部分的贡献在于：文章为临床AI科学家描绘了一个可持续成长的社群生态，而不是让个人在碎片化环境中独自摸索。
全面支持体系
文章建议，医院和学术医学中心应建立全面支持框架，把临床AI科学家培养与现有临床科学家项目衔接起来。医学院要尽早整合AI基础、批判性评估和伦理教育；研究生课程要提供结构化培训；专业组织要定义核心能力，推动国家层面的标准化课程。
资金机构和专业组织也应倡导专项资助，支持跨学科研究、临床AI相关资助项目，并与私人基金会合作提供过渡支持。会议和期刊应主动扩展相关倡议，促进对话、可见度和对新一代临床AI科学家的认可。
最终，文章呼吁更广泛的多利益相关方共识，以细化能力标准、培训路径和实践门槛。只有把清晰的职业路径、成功指标、资源平台、榜样导师和机构认可结合起来，临床AI科学家才能从“个人兴趣”变成“制度路径”。
为医学AI落地补上“人”的环节
综合来看，这篇文章的贡献可以概括为五点：
第一，提出并定义“临床AI科学家”这一新角色，明确它连接AI技术开发与临床采用、实施；
第二，提出全生命周期责任，从临床问题提出、模型开发、前瞻性验证到部署后监测和治理；
第三，提出分阶段培训体系和教育目标，为医学生、住院医、研究 fellow、早期教职和资深领导者提供成长路径；
第四，强调多学科社群和共同创造，推动临床与技术工程社区从“客户—服务”走向协作共创；
第五，呼吁机构、资金和专业组织支持，把临床AI科学家培养纳入制度框架，并为政策、认证和课程设计提供概念基础。
文章解决的重要问题是：医学AI从开发到落地之间的鸿沟，不能只靠技术突破来填平；还需要临床领导力、系统培训、多学科协作和制度支持。临床AI科学家，正是补上“人”这一环节的关键角色。
医学AI需要桥梁 临床AI科学家是桥梁之一
AI有潜力深刻改变医学实践。但文章也提醒，AI在临床医学中的开发、评估、采用和整合，仍有很大提升空间。成功转化高性能AI模型，需要深刻理解临床需求和工作流、患者和家庭需求，以及不同医疗系统的复杂动态。
因此，文章提出一条新的混合型职业路径：临床AI科学家。要培养这批人，不能只靠零散课程，也不能让早期职业者独自摸索。建设系统的培训体系，培育持续的多学科社群，再配合机构、资金和专业组织的支持，才能让临床AI科学家真正成长为医学AI落地的桥梁。
医学AI需要的不只是更聪明的模型，更是能负责、能翻译、能协作的人。这篇文章提供的，正是一份面向培训体系和社群建设的路线图。
作者与论文信息
本文通讯作者为清华大学医学院院长黄天荫教授。第一作者为清华大学医学院八年制2025届毕业生吴漪澜博士，共同作者包括伦敦大学学院Ariel Yuhan Ong、清华大学医学院八年制2025届毕业生陈海潮博士、新加坡国立大学杨大卫博士、新加坡国立大学覃宇宗副教授、伦敦大学学院Pearse Keane教授。
论文链接：
https://www.thelancet.com/journals/landig/article/PIIS2589-7500(26)00100-7/fulltext
科研动态