当前，医疗AI的分类往往是基于模型算法的异同（例如：传统统计模型vs.动态贝叶斯模型vs.大语言模型），然而我们也需要新的概念框架/工具协助评估AI在医疗行业中所扮演的角色。

2026年1月29日，中国医学科学院血液病医院（中国医学科学院血液学研究所）陈俊仁教授在《Leukemia》发表观点文章“Physician-Complementing Artificial Intelligence in Haematology: Ushering in a New Era”[1]。

文章首次提出运用经济学理论将医疗AI区分为“医生互补型”（physician-complementing）和“医生替代型”（physician-substituting）[2]。文章核心论点是：要判别一个AI工具和医生之间的关系是互补还是互替，关键看这个AI工具是放大还是缩小医生彼此之间的能力差异。如果AI放大了医生之间的能力差异，那么这个工具是医生互补型AI，因为它和医生能力之间是相辅相成的关系。反之，如果AI缩小了医生之间的能力差异，那么这个工具是医生替代型AI，因为它的主要功能是在医疗能量不足的时候弥补短板。医生替代型AI可能在医疗资源短缺的情境特别重要。然而，我们应当注意替代型AI可能造成Will Rogers效应，即技能较低的人力取代了技能较高的人力，而技能较低的岗位只能用比原本平均技能水平更低的人力填补[3, 4]。

       上述新概念框架的优点在于它更关注一个AI技术对于实际业务和行业生态的影响，而不是关注于数学模型或信息技术。此外，医生互补型AI技术未必和患者照护直接相关。例如：在某些血液病临床科室，不论医术、沟通和共情能力的高下，大部分医生每天花费大量时间操作医院管理信息系统。如果智能信息系统助手能优化电子流程操作、解放医生的工作时间，更高明的医生就能将更多的时间投入在实际诊疗、医病沟通和临床研究，将医疗的最高水平提升到比现在更高的高度。虽然这样的智能信息系统助手没有直接参与诊疗决策或行为，但依照新提出的概念框架它算是医生互补型AI。

文章推测大部分医生互补型AI将直接协助医生诊疗，并列举了医生互补型AI的几个可能发展方向。例如：即便是经验丰富的血液科医生，在面对高度复杂的精准治疗决策时，也难以同时权衡大量变量，而AI可协助医生拓展信息处理能力。近期，中国医学科学院血液病医院（中国医学科学院血液学研究所）陈俊仁和姜尔烈团队报道运用AI实时监测超过140项动态临床指标，协助移植专家做出预防严重急性移植物抗宿主病的前瞻性用药决策[5, 6]。

       当前临床指南通常默认生存或疾病无进展生存是最重要的临床指标，然而，患者和患者家属实际上需要考量耐受性、生活质量、时间毒性、治疗费用等许多其他因素[7, 8]。文章提出：在不久的将来，对于个别疾病的患者，医生可能使用一个AI模型和患者共同探索、确认治疗目标和核心需求，接着运用另一个AI模型基于医学文献和真实世界大数据将多个方案选项排序，最终做出最符合患者个人情况的治疗决策。

中国医学科学院血液病医院（中国医学科学院血液学研究所）陈俊仁教授为第一作者兼通讯作者，英国帝国理工学院血液学中心Robert Peter Gale教授为共同作者。该研究获得了国家重点研发计划、国家自然科学基金、中国医学科学院医学与健康科技创新工程和天津市科技计划项目等的支持。

       点击此处阅读原文

       参考文献：

       1. Chen J, Gale RP. Physician-complementing artificial intelligence in haematology: ushering in a new era. Leukemia. 2026.

       2. Becker GS. A Treatise on the Family. Harvard University Press. 1993.

       3. Feinstein AR, Sosin DM, Wells CK. The Will Rogers phenomenon. Stage migration and new diagnostic techniques as a source of misleading statistics for survival in cancer. N Engl J Med. 1985;312(25):1604-1608.

       4. Chen J, Gale RP. Physician-Complementing Artificial Intelligence in Oncology. The ASCO Post, Oct 29, 2025.

       5. Liu X, Cao Y, Guo Y, et al. Dynamic forecasting of severe acute graft-versus-host disease after transplantation. Nature Computational Science. 2022;2(3):153-159.

       6. Chen J, Cao Y, Feng Y, et al. Autonomous artificial intelligence prescribing a drug to prevent severe acute graft-versus-host disease in HLA-haploidentical transplants. Nature Communications. 2025;16(1):8391.

       7. Gupta A, Eisenhauer EA, Booth CM. The Time Toxicity of Cancer Treatment. J Clin Oncol. 2022;40(15):1611-1615.

       8. Shen Q, Gale RP, Chen J. Rethinking End Points in Modern Oncology Trials-Beyond the P Value. JAMA Oncol. 2025;11(12):1553.