科技 Bestblogs · 100 Women in AI · 11-02 02:32 · AI 生成
Regina Barzilay：乳腺癌如何让她转向医疗 AI｜100 Women in AI MIT 教授 Regina Barzilay 讲述自己患乳腺癌后从 NLP 转向临床 AI 的经历，核心观点是数据准入与问题选择比模型本身更决定 AI 能否真正有用。她复盘 Mirai 乳腺影像风险预测、Sybil 肺癌工具与 ARPA-H ADAPT 项目，强调论文发表只是临床转化链条中的一步，监管、指南、支付与运营整合缺一不可。适合关注 AI 落地医疗真实瓶颈的读者。原文 ↗ 原文 ↗
核心观点
▍ AI 医疗的真正瓶颈不在模型性能，而在数据准入、临床流程整合与监管支付等转化链条，论文发表远不足以改变实践。 ▍ 患者未被满足的需求可以重塑研究方向：Barzilay 因自身乳腺癌经历离开熟悉的 NLP 领域，转向临床影像与分子研究。 01 Barzilay 为获取临床影像数据奔走约一年半，早期营养研究方向因数据不足而受阻。 02 Mirai 的核心问题是乳腺影像能否在肉眼可见诊断之前呈现未来癌症风险信号，开放代码与跨国医院网络促成了回顾性验证。 03 她引述「要改变一项指南，发表一篇论文是不够的」，将 Mirai 推进联系到监管、指南、支付和运营整合的多年过程。 04 Sybil 是肺癌风险预测工具，ARPA-H ADAPT 则探索转移癌个体化治疗决策，两者均定位为研究与转化工作而非成熟产品。 反方 / 局限
— 文章注明医疗效果、审批和部署状态均为受访者说法，未独立核实，个体化预测旨在为讨论和试验提供信息，不能消除临床不确定性或保证患者获益。
概念锚点 Mirai 看的是几年后的风险，不是当天的病灶
多数人以为乳腺 AI 是在帮医生看清「这张片子有没有结节」，Mirai 赌的是另一件事：从今天的影像里读出未来五年才显现的癌变信号。Barzilay 翻出自己确诊前两年的旧片，放大后说迹象其实已在那里。这意味着产品的临床价值不在提高当天诊断准确率，而在重排随访时间表——也正因如此，它必须跨过监管、指南和支付三道门，而不只是发一篇论文。
▸ 2 条关联资料
▼
前置背景 从破译死语言到预测活人的癌症
Barzilay 在转向医疗 AI 前是 NLP 领域的顶级学者：从句法解析到破译已消亡语言、开发神经网络训练方法，拿过 ACL、EMNLP 多次最佳论文奖。2014 年确诊乳腺癌成了断点——她反复追问的不是「我会不会死」，而是「为什么我的癌症没能早两年被发现」，再把这个问题变成可研究的课题。理解这条从语言到影像的迁移路径，才能看懂她为何执意要「足够多数据」的领域。
▸ 1 条关联资料
▼
平行视角 FDA 批了 1000 多款，监管却追不上模型更新
Barzilay 把临床采用归为一条多环节链条，另一派则直接把矛头指向监管本身。MIT 临床研究员 Leo Anthony Celi 等人在 PLOS Digital Health 指出：FDA 已批准超 1000 款医疗 AI 产品，但审批标准通常不及药物严格，且这类工具获批后还会随新数据持续更新，而现行法规恰恰限制持续监督。也就是说，批准不等于对患者有益——这与「先开放代码、多中心回顾性验证再谈落地」的路径，是同一问题的两种解法。
▸ 1 条关联资料
▼
未来推演 ADAPT 的靶子：在肿瘤进化中抢先一步
ADAPT 不是又一个影像筛查项目，它假定肿瘤会随治疗演化出耐药，所以要在多线治疗的每次变化中动态推荐方案。ARPA-H 2025 年 5 月投入 1.42 亿美元，首期聚焦乳腺癌、肺癌、结肠癌；MIT 团队负责用遗传、分子、影像与电子病历数据推荐治疗策略。可观察的信号是 2026 年 2 月启动的首个适应性临床试验能否按生物标志物实时改方案——这决定「个体化」停在论文还是进指南。
▸ 2 条关联资料
▼
延伸追问 数据不是不给，是给了没好处
「数据孤岛」的说法把问题简化了。国内行业调研的真实诊断是：跨机构数据清洗成本占单项目落地的 60% 以上，而卡点不在隐私安全，在「共享无收益、不共享无代价」的激励失衡——合肥某中试基地推进数月，数据归集完成不到 20%。对照 Barzilay 自述为拿数据奔走约一年半，这里真正值得问的是：医院贡献数据的对价应该是什么？浙江「数据贡献换 AI 能力反哺」和武汉按影像例数结算，是目前已知的两个方向性答案。
▸ 2 条关联资料
▼