问题——乳腺癌是全球女性高发恶性肿瘤之一，但筛查覆盖不足、影像与病理工作量持续攀升、诊断资源分布不均等问题长期存。多地放射科与病理科承受“病例增、人员紧、时间急”的压力：筛查人群扩大带来阅片量激增，复杂病例需要更快完成优先级判断，偏远地区医疗机构则更缺乏经验充足的专科力量。有关研究预测，到本世纪中叶全球女性乳腺癌新发病例可能明显增加，增幅或超过三成。如何在可承受成本下提高早诊率、改善治疗可及性，成为公共卫生与医疗体系需要直面的挑战。 原因——推动诊疗链条变化的动力主要来自两上：其一，数据规模快速积累与计算能力提升，使对海量影像和病理切片进行模式识别成为现实；其二，精准医学发展要求更细分的肿瘤分型与生物标志物解读，而传统人工流程耗时长、重复劳动多，容易挤占有限资源。科尔特斯认为，智能技术进入诊断环节已是现实，应把它作为可被规范使用的工具，通过与临床流程衔接来提升患者获益，而不是回避或一概抵触。 影响——放射学上，智能工具对乳腺X光检查与超声检查的辅助判读正扩大应用，可更快定位可疑病灶并进行风险分层，帮助医生优先处理紧急或高风险检查，减少重复阅片与疲劳导致的差错，并缓解筛查高峰期的拥堵。其效果与持续学习能力密切相关：随着数据库纳入的影像样本由百万级向千万级甚至更大规模扩展，算法识别细微变化、降低漏诊以及减少不必要复查各上仍有提升空间。 病理学上，智能分析提高诊断准确性与一致性上同样受到关注，尤其在生物标志物检测与分型判读中，可为病理医生提供更稳定的辅助参照，缩短报告出具时间。科尔特斯指出，在部分场景下，机器对标志物识别的精细度已达到较高水平，能够支持更快、更准的判断，这对结直肠癌、胰腺癌及乳腺癌等高度依赖病理分型的肿瘤尤为重要。 更深层的影响体现在医疗体系效率与诊疗模式的变化。通过自动化预处理与分流机制，医疗机构在相同人力配置下可完成更多病例的初筛与诊断支持，把专家时间更多投入疑难复杂病例与多学科会诊。同时，技术并不意味着“更少的医生”。专家强调，算法仍需要临床把关、质量控制与责任主体，也会催生新的岗位与能力需求，如数据治理、模型验证、流程管理与伦理合规等。医务人员面临的是能力结构升级与工作方式调整。 对策——要把技术能力转化为患者获益，关键在于“规范化嵌入流程”。一是建立严格的临床验证与质量评价体系，明确适用场景、性能边界与风险控制要求，避免把工具当作“最终裁判”。二是完善数据标准与隐私保护机制，提高跨机构数据的可用性与可追溯性，在确保安全的前提下扩大高质量样本积累。三是推进分级诊疗与区域协同，把辅助诊断能力更多下沉至基层与中小城市医疗机构，配套远程会诊与专家复核机制，提高早筛覆盖与诊断一致性。四是加强人才培养，使放射科、病理科及肿瘤科医生掌握新工具的使用方法与解释原则，形成“机器初筛—医生复核—多学科决策”的闭环。 前景——在治疗端，科尔特斯所倡导的个体化医疗理念正与智能工具形成联动：基于患者影像、病理、基因与临床信息的综合分析，未来有望为治疗方案选择提供更细致的参考，帮助医生更快匹配更适合的靶向治疗或联合方案，尤其对专科资源不足地区的临床决策具有现实意义。另外，药物研发也在加速变化：更高效的算法筛选与分子设计方法正在推动候选药物发现与优化，有望促进更具针对性、疗效更稳定的新药出现。以HER2阳性乳腺癌为例，随着靶向治疗与相关临床研究进展，部分侵袭性较强的类型正逐步转向可长期管理的疾病形态，提示“早诊断、准分型、精治疗”将成为未来乳腺癌防治的重要路径。
人工智能与医疗的融合是现代医学发展的重要趋势。从诊断到治疗、从影像分析到药物研发，人工智能正在多个环节起到更直接作用。但技术进步的落脚点仍是患者与健康需求。正如科尔特斯所言，关键不在于拒绝或接纳，而在于如何更好地适配临床、优化流程，让工具真正为患者带来价值。在该过程中，医疗专业人士的角色将更多转向把关、决策与监督，同时也需要建立相应的质量与责任体系。随着诊断数据深入积累、算法改进，人工智能有望在乳腺癌等重大疾病的防治中发挥更大作用，为更多患者带来更可及的诊疗支持与希望。