医疗AI数学基础综述 147项研究梳理八大数学框架

时间：2026年11月10日 地点：论文发表于《Frontiers in Artificial Intelligence》2026年第9卷医学与公共卫生栏目，10月21日上线；11月10日 Scienmag 与 Bioengineer.org 推出英文深度解读，中文解读由生物通发布 人物：论文作者为 Yuliana Jiménez-Gaona 与 Vasudevan Lakshminarayanan；英文解读作者为 Scienmag 的 Reid Dalton 事件详情：题为 Mathematical foundations of artificial intelligence in healthcare: a systematic review 的系统综述，按 PRISMA 2020 指南实施，从 Scopus、Google Scholar、PubMed/MEDLINE 检索 2016年1月1日至2026年6月30日发表的研究，检索使用 Harzing's Publish or Perish v8，文献计量使用 VOSviewer v1.6.20。初始识别 653 条记录，去重与两阶段独立筛选后有 147 项研究纳入定量综合；全文阶段排除 54 篇，理由分别是没有直接医疗相关性 18 篇、数学内容不足 12 篇、出版形式不符 10 篇、超出时间范围 8 篇、非英文 4 篇、数据不全或纯工程描述 2 篇。论文把医疗AI的数学基础归为八个领域：线性代数、微积分与优化、概率与统计、信息论、图论、离散数学与数值分析、随机过程与高级数学、量子数学与计算，并说明这是分析分类而非互斥类别，因为现代AI架构常在同一计算流程中整合多种数学基础。非互斥编码下，线性代数见于 100/147 项研究，占 68.0%；微积分与优化见于 91/147 项，占 61.9%；概率与统计见于 79/147 项，占 53.7%。互斥的主导方法学主题分类中，可解释与可信AI为 24/147 项，占 16.3%；统计与学习理论 23/147 项，占 15.6%；概率与贝叶斯方法 23/147 项，占 15.6%；微积分与优化 19/147 项，占 12.9%；线性代数 15/147 项，占 10.2%；其余 43 项占 29.3%，分布在图论、数值分析、随机微分和量子计算等专门方向。临床面上，放射学与医学影像占 24.3%，分类与诊断是最常见的临床任务，占 17.1%。方法学质量用改编的 Joanna Briggs Institute 框架评估，覆盖 12 个评价维度，系统综述另用 AMSTAR-2 评估，两名评审者的一致性 Cohen's kappa 为 0.89；综述已在 PROSPERO 注册，因研究异质性未做 meta 分析，也未套用 GRADE。 背景：医疗AI已经进入医学影像、疾病诊断、临床决策支持、药物发现和医疗管理，但黑箱模型、数据异质性、类不平衡、测量不确定性、跨人群泛化受限、算法偏倚、可解释性、公平性、稳健性、可重复性和患者安全要求共同卡住了临床转化。数学提供的是形式框架，负责信息表示、学习、不确定性量化、稳健性与可重复性评估，但既有综述多只聚焦某一个数学领域、某一种计算技术或某一类临床应用，缺少把经典与新兴数学基础、AI架构和医疗应用连成一张图的统一框架。论文用几项实证工作说明这套框架的用处：Schott 等人 2024 年把局部梯度敏感性分析改造成深度学习医学影像的不确定性量化方法，对图像退化的敏感度达到 62.35%，而标准做法只有 2.16%，ROC曲线下面积提升 20.1%，假阳性率下降 26%，恶性特征区分度提升 16.2%；Leibig 等人 2017 年用蒙特卡洛 dropout 把最不确定的 20% 自动化预测转交医生，保留队列的诊断准确率从约 87% 提升到至少 90%，敏感度保持在 85% 以上、特异度在 80% 以上。量子路线也在其中，Huang 等人 2025 年的量子神经网络分类肺部 CT 影像中的毛玻璃结节，准确率 89.23%、敏感度 96.55%、特异度 83.33%、AUC 0.937，对照经典支持向量机为准确率 76.56%、AUC 0.833；不过论文提醒，量子AI目前仍以实验和混合架构模拟为主，缺少大规模外部临床验证。标准化同样是数学问题，影像生物标志物标准化倡议检查的 169 个特征中，167 个占 98.82%，要在严格数学定义之后才达到良好到优秀的一致性。 影响：对做医疗AI的团队，这篇综述给出了一张可以自查的映射表——自己的模型用的是哪几类数学基础，落在哪个主导方法学主题上，缺了哪一环。对临床和审评环节，论文最直接的提醒是算法性能不等于临床效用：ROC曲线下面积仍是最常被报告的指标，但必须把外部验证、人群公平性、校准分析和临床效用指标放到与预测性能同等的位置。论文也举出捷径学习的例子，有些模型靠采集签名就能以超过 99.9% 的准确率识别出数据来自哪家医院，这识别的是机构偏倚而不是病理；Zhovannik 等人的工作显示分割不确定性会传导到下游影像组学特征，稳健特征在 5,000 次统计实现中约 90% 保持预后显著性，不确定性敏感的特征只剩约 30%。在报告规范上，作者建议对齐 WHO 以及 TRIPOD+AI、DECIDE-AI、CONSORT-AI 等框架，把数学定义显式写进方法学部分。 总结：这篇综述的价值在于第一次把医疗AI背后的数学家底整体摊开来看——八个数学领域、147项研究、每类数学方法在具体AI架构和临床任务里的角色，都被放进了同一张表里。它也把行业里被反复提及但很少被量化的几件事写成了数字：可解释与可信AI是最大的单一方法学主题，占 16.3%；放射学与医学影像是最主要的落地场景，占 24.3%；而两名评审者的一致性只有 kappa 0.89，说明这个领域的方法学描述本身也还在统一。对读者来说，它既是一份技术地图，也是一份问题清单：数学基础之所以要写清楚，是因为没有共同的数学定义，后面的可重复性、公平性和临床验证就都无从谈起。 常见问题： 问：医疗AI的数学基础分哪几类？ 答：论文归为八个领域：线性代数、微积分与优化、概率与统计、信息论、图论、离散数学与数值分析、随机过程与高级数学、量子数学与计算。 问：医疗AI可解释性怎么做？ 答：147项研究中有24项（16.3%）以可解释与可信AI为主要方向，是最大的单一类别；论文用梯度敏感性分析和蒙特卡洛 dropout 说明具体路径。 参考来源： Bioengineer.org 对该系统综述的详细报道（2026年11月10日） https://bioengineer.org/systematic-review-details-mathematical-foundations-governing-healthcare-artificial-intelligence-systems/ Scienmag 原始报道（2026年11月10日） https://scienmag.com/systematic-review-details-mathematical-foundations-governing-healthcare-artificial-intelligence-systems/ Frontiers in Artificial Intelligence 论文正文 https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2026.1995929/full Frontiers in Artificial Intelligence 论文 PDF https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2026.1995929/pdf 论文 DOI 解析页 https://doi.org/10.3389/frai.2026.1995929 Crossref 论文元数据 https://api.crossref.org/works/10.3389/frai.2026.1995929 生物通中文解读（2026年10月21日） https://www.ebiotrade.com/newsf/2026-10/20261021172653809.htm