人工智能在慢性病運(yùn)動康復(fù)中的應(yīng)用進(jìn)展

摘要：慢性病是一類病情復(fù)雜、發(fā)作緩慢、影響深遠(yuǎn)、久治不愈的綜合性疾病，具有病程時(shí)間長、功能損害和社會危害嚴(yán)重等特點(diǎn)。近年來，隨著人工智能的發(fā)展，與醫(yī)療領(lǐng)域的結(jié)合逐漸深入，對慢性病的預(yù)防、治療和康復(fù)發(fā)揮著重要作用。本文綜述人工智能在慢性病運(yùn)動康復(fù)領(lǐng)域的應(yīng)用現(xiàn)狀，分析目前在技術(shù)研發(fā)、臨床實(shí)踐、法律和道德層面存在的問題，并提出進(jìn)一步的可行策略，以期為人工智能技術(shù)在慢性病康復(fù)中的進(jìn)一步發(fā)展提供可行建議。

關(guān)鍵詞：人工智能；慢性??；運(yùn)動康復(fù)；綜述

Progress of artificial intelligence in exercise rehabilitation for chronic diseases

Shi Minglei

（College of Physical Education， China West Normal University， Nanchong， Sichuan "Province， 637000 "China）

Abstract： Chronic disease is a kind of comprehensive disease with complex disease， slow attack， far-reaching influence and long treatment. It has the characteristics of long course of disease， functional damage and serious social harm. In recent years， with the development of artificial intelligence， the combination with the medical field has gradually deepened， and plays an important role in the prevention， treatment and rehabilitation of chronic diseases. This paper summarizes the current application status of artificial intelligence in the field of sports rehabilitation for chronic diseases， analyzes the existing problems in technology research and development， clinical practice， law， and morality， and proposes corresponding coping strategies， in order to provide feasible suggestions for the further development of AI technology in the rehabilitation of chronic diseases.Key words： artificial intelligence; chronic disease; exercise rehabilitation; review

目前，慢性病已成為全世界人口死亡的主要原因，各年齡階段、性別和種族的患病率都在增加[1]。世界衛(wèi)生組織（WHO）在《2017年世界衛(wèi)生統(tǒng)計(jì)》報(bào)告中稱，2015年慢性非傳染性疾病導(dǎo)致4000萬人死亡，相當(dāng)于全球死亡人數(shù)的70%[2]?！吨袊用駹I養(yǎng)與慢性病狀況報(bào)告（2020）》數(shù)據(jù)顯示，2019年我國居民因慢性病而導(dǎo)致的死亡占總死亡人數(shù)的88.5%，其中慢性呼吸系統(tǒng)疾病、癌癥和心腦血管疾病占比最大，為總死亡數(shù)的80.7%[3]，這與人口老齡化、惡化的生活方式和環(huán)境等因素密切相關(guān)。慢性病患者的治療和恢復(fù)過程不僅需要藥物的介入，正確、科學(xué)的運(yùn)動鍛煉也在其中扮演著重要的一環(huán)。近年來，隨著人工智能的多維度發(fā)展，其與醫(yī)療領(lǐng)域的結(jié)合也逐漸深入，可穿戴設(shè)備、智能訓(xùn)練、虛擬現(xiàn)實(shí)等人工智能技術(shù)廣泛應(yīng)用到慢性病運(yùn)動康復(fù)領(lǐng)域[4]，為其治療注入了新的思路。本研究對近年來國內(nèi)外人工智能在慢性病運(yùn)動康復(fù)中的應(yīng)用進(jìn)行綜述，并分析其現(xiàn)階段面臨的難題和應(yīng)對策略，以期為人工智能在慢性病干預(yù)中的進(jìn)一步發(fā)展提供可行性建議。

1. 人工智能概述

“人工智能”一詞誕生于1956年美國舉辦的一次科學(xué)學(xué)會，會上由麥卡錫首次提出了“人工智能”這個(gè)概念，定義為：任何有助于讓機(jī)器（尤其是計(jì)算機(jī)）模擬、延伸和擴(kuò)展人類智能的理論、方法和技術(shù)都可歸入人工智能的范疇[5]。經(jīng)過半個(gè)多世紀(jì)的發(fā)展，人工智能的概念尚未達(dá)成一致，國內(nèi)外學(xué)者眾說分壇?？偟膩碚f：人工智能是一種復(fù)雜的計(jì)算機(jī)程序，可以復(fù)制人腦的功能，開辟了基于大數(shù)據(jù)處理的非正式學(xué)習(xí)的可能性，從而可以解決模式識別（文本、圖像、語音）問題以及管理決策的形成[6]。自20世紀(jì)50年代提出正式人工智能學(xué)科以來，經(jīng)過多年深入研究和發(fā)展，人工智能已廣泛應(yīng)用于慢性病診斷、評估、治療等諸多醫(yī)療領(lǐng)域[7]。

2. 人工智能在慢性病運(yùn)動康復(fù)中的應(yīng)用現(xiàn)狀

2.1 運(yùn)動風(fēng)險(xiǎn)防范

規(guī)律、健康、科學(xué)的運(yùn)動對健康的好處顯而易見，不當(dāng)?shù)倪\(yùn)動或姿勢改變也可能會增加慢病易患者疾病風(fēng)險(xiǎn)程度，因此對于慢性病的前期預(yù)防至關(guān)重要。?oltys等[8]采用機(jī)器學(xué)習(xí)分析老年人（包括老年終生運(yùn)動員和久坐不動的老年人）腸道微生物組、血漿成分等身體指標(biāo)的差異性，確定了一系列指標(biāo)和比率作為合適的聯(lián)合預(yù)測因子，可以明顯區(qū)分兩組受試者身體水平，其結(jié)果顯示耐力運(yùn)動和持續(xù)鍛煉對于老年人的心肺健康、體脂水平和有利的腸道微生物群組成具有顯然的益處。有研究[9]采用深度學(xué)習(xí)的相關(guān)算法，從老年人運(yùn)動健康水平管理分析的角度出發(fā)，提出建立深度神經(jīng)網(wǎng)絡(luò)模型并結(jié)合遞歸神經(jīng)網(wǎng)絡(luò)算法和反向傳播神經(jīng)網(wǎng)絡(luò)對心臟健康動態(tài)評估，該模型可以提示老年人患心臟病的風(fēng)險(xiǎn)，從而對身體做出及時(shí)的調(diào)整，降低心臟疾病的發(fā)生率。但鑒于只考慮數(shù)值數(shù)據(jù)，與真實(shí)世界可能存在差異，因此需加大此類研究，以驗(yàn)證評估的有效性。

2.2 運(yùn)動姿態(tài)感知

慢性?。ㄈ缒X卒中偏癱、帕金森等）患者病情發(fā)生、發(fā)展過程中，伴隨著一系列運(yùn)動姿勢的錯(cuò)誤變化。Yuliang等[10]提出了一種輕量級非接觸式異常步態(tài)行為識別方法，該方案借助單目相機(jī)捕獲人體姿勢數(shù)據(jù)，構(gòu)建一個(gè)具有深度可分離卷積的輕量級基于深度學(xué)習(xí)的開放源代碼庫模型，用于實(shí)時(shí)提取異常步態(tài)特征，再對采集到的二維下肢數(shù)據(jù)進(jìn)行三維重建，最后進(jìn)行特征篩選，其結(jié)果證實(shí)隨機(jī)森林結(jié)合三維特征為異常步態(tài)行為識別提供了最高的精度（92.13%），這有利于臨床醫(yī)生根據(jù)不同疾病引起的不同異常步態(tài)行為來識別患者的病變。Slemen?ek等[11]設(shè)計(jì)了一種可穿戴步態(tài)運(yùn)動數(shù)據(jù)采集系統(tǒng)結(jié)合各種機(jī)器學(xué)習(xí)算法來分析帕金森病患者的凍結(jié)步態(tài)理想的活動或識別常見的風(fēng)險(xiǎn)因素，其結(jié)果也證實(shí)了可靠地檢測特定步態(tài)事件是可行的，但局限性是無法進(jìn)行實(shí)時(shí)機(jī)器學(xué)習(xí)算法部署和“按需”提供反饋。Maskeliūnas等[12]將BiomacVR系統(tǒng)用于患者康復(fù)，該系統(tǒng)利用一種經(jīng)過訓(xùn)練的稱為卷積姿勢機(jī)的深度學(xué)習(xí)運(yùn)動識別模型，通過深度傳感器收集的圖像序列精確定位人體的關(guān)鍵部位，以識別人體運(yùn)動正確和錯(cuò)誤的姿勢，并根據(jù)所呈現(xiàn)的場景評估運(yùn)動干預(yù)的有效性。由此，實(shí)時(shí)、可靠、便利的人工智能系統(tǒng)及設(shè)備是未來此類研究方向的重點(diǎn)之一。

2.3 運(yùn)動處方制定

慢性病前期的預(yù)防和識別是改善患者病情的基礎(chǔ)，中后期的運(yùn)動訓(xùn)練干預(yù)起著核心的作用。Robert 等[13]在渥太華大學(xué)心臟研究所或倫敦健康科學(xué)中心招募了223名未參與過心臟康復(fù)的冠心病患者，隨機(jī)分為干預(yù)組和常規(guī)護(hù)理組，干預(yù)小組采用專家系統(tǒng)進(jìn)行干預(yù)，每名成員出院后會收到一份個(gè)人量身定制的體育活動計(jì)劃，并可以訪問安全網(wǎng)站進(jìn)行活動計(jì)劃和跟蹤，采取分組后7天、6個(gè)月、12個(gè)月內(nèi)自我報(bào)告顯示，干預(yù)組的客觀測量、身體活動和心臟相關(guān)生活質(zhì)量維度表現(xiàn)的更為活躍。歐洲預(yù)防心臟病協(xié)會日常實(shí)踐和康復(fù)訓(xùn)練中的運(yùn)動處方 （EXPERT） 工具已開發(fā)用于臨床實(shí)踐中心血管疾病患者的數(shù)字培訓(xùn)和決策支持，此工具可根據(jù)患者的特征自動生成（個(gè)性化）運(yùn)動處方，從而整合針對不同心血管疾病和風(fēng)險(xiǎn)因素的運(yùn)動處方。有研究[14]將臨床醫(yī)生間的運(yùn)動處方與與專家工具的建議進(jìn)行了比較，結(jié)果發(fā)現(xiàn)二者存在顯著差異（p lt; 0.001）。在另外一項(xiàng)前瞻性研究中，Hansen等[15]通過對物理治療師進(jìn)行為期一個(gè)月的數(shù)字化培訓(xùn)，完成了 31 ± 13 個(gè)培訓(xùn)案例，其結(jié)果顯示，當(dāng)使用 EXPERT 培訓(xùn)工具時(shí)，物理治療師為心血管疾病患者制定的運(yùn)動處方明顯更符合歐洲的建議。可見，對于人工智能技術(shù)自動生成的運(yùn)動處方信度仍存在爭議，未來需通過大量樣本的隨機(jī)對照試驗(yàn)予以證實(shí)。

2.4 運(yùn)動心理改善

慢性病患者病情維持、進(jìn)展和恢復(fù)過程中，由于個(gè)人、家庭、社會等因素，伴隨著一系列的心理變化，運(yùn)動興趣及動機(jī)缺乏、運(yùn)動恐懼、依從性和堅(jiān)持性差等現(xiàn)象時(shí)有發(fā)生。Park[16]使用具有視覺和聽覺反饋的智能應(yīng)用程序?qū)ε两鹕∪诉M(jìn)行鍛煉，發(fā)現(xiàn)與常規(guī)組和使用智能應(yīng)用程序的個(gè)人運(yùn)動組相比，使用智能應(yīng)用程序的公共運(yùn)動組對跌倒的恐懼更低，跌倒效能更高，其步態(tài)能力的改善也更為顯著。Nauman等[17]描述了一種新的身體活動跟蹤個(gè)性化指標(biāo)-個(gè)人活動智能，可以更為輕松的量化每周需要多少身體活動，以減少心血管疾病的發(fā)生，且能夠觀察到男女亞群的差異和激勵(lì)鍛煉的堅(jiān)持性。Helal等[18]開發(fā)了一個(gè)由連接技術(shù)和個(gè)人可穿戴設(shè)備組成的監(jiān)控和分析平臺，該平臺由自集成、遠(yuǎn)程監(jiān)控和編程、模型生成和分析等構(gòu)成，可以對糖尿病患者透明的方式自動收集豐富的行為信息數(shù)據(jù)庫并報(bào)告給醫(yī)療人員，用來解釋患者的行為改變，進(jìn)而反饋改變患者的活動、飲食和運(yùn)動依從性。缺點(diǎn)是該平臺的準(zhǔn)確性、可理解性以及使用體驗(yàn)有待進(jìn)一步驗(yàn)證。

2.5 運(yùn)動效果預(yù)測

慢性病患者運(yùn)動干預(yù)的過程必不可少，其評估也是重要的一環(huán)。在使用豐富多樣的慣性數(shù)據(jù)集進(jìn)行訓(xùn)練時(shí)人工智能模型可實(shí)現(xiàn)較高的識別精度，可以利用圖像輸入來使用卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，減輕參與者和研究人員在收集數(shù)據(jù)集時(shí)的負(fù)擔(dān)，還能實(shí)現(xiàn)運(yùn)動的遷移學(xué)習(xí)，使有限的數(shù)據(jù)集受益于大數(shù)據(jù)訓(xùn)練的模型[19]。Li， Jiaqi等[20]使用步態(tài)運(yùn)動學(xué)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)對中風(fēng)患者的下肢功能和平衡評估結(jié)果和運(yùn)動建議進(jìn)行預(yù)測，結(jié)果顯示模型準(zhǔn)確地預(yù)測了臨床評估和決策的結(jié)果，該項(xiàng)研究還初步提供了使用生物力學(xué)數(shù)據(jù)和人工智能來協(xié)助制定治療計(jì)劃并縮短康復(fù)過程的準(zhǔn)確證據(jù)。Faruqui等[21]開發(fā)了一個(gè)基于長短期記憶的循環(huán)神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型來預(yù)測個(gè)體患者第二天的血糖水平，該模型在10名超重或肥胖的2型糖尿病患者的數(shù)據(jù)（飲食、身體活動、體重和血糖）基礎(chǔ)上預(yù)測個(gè)體患者第二天的血糖水平，也表現(xiàn)出相當(dāng)大的準(zhǔn)確性，因此有必要進(jìn)行進(jìn)一步的研究來評估日常活動方式對血糖的影響，以對患者做出正確健康指導(dǎo)。

3. 人工智能慢性病運(yùn)動康復(fù)中的應(yīng)用不足

3.1 臨床層面

人工智能的介入使得臨床診斷和治療有了新的變革的方式，但是臨床醫(yī)務(wù)人員對于人工智能的認(rèn)識和看法不一而足。Boillat等[22]調(diào)查發(fā)現(xiàn)，醫(yī)生和醫(yī)學(xué)生對于人工智能的熟悉程度沒有差異且相當(dāng)?shù)停苌儆嗅t(yī)學(xué)從業(yè)人員參加相關(guān)的教育和培訓(xùn)，并且部分人認(rèn)為醫(yī)學(xué)中的人工智能還會給患者和整個(gè)醫(yī)學(xué)領(lǐng)域帶來更高的風(fēng)險(xiǎn)。在AlZaabi[23]的調(diào)查中，大多數(shù)人認(rèn)為如果人工智能有著科學(xué)的規(guī)范，他們還是希望進(jìn)入這個(gè)新興領(lǐng)域并且了解、使用它。

3.2.2 患者層面

人工智能已經(jīng)在部分臨床專科診斷與治療中得到了參與，但患者對其反饋迥然不同。Temple等[24]收集了95名患者的調(diào)查問卷，結(jié)果顯示，患者對在治療中使用人工智能持中等負(fù)面看法，他們更希望在治療過程中與醫(yī)療保健專業(yè)人員進(jìn)行重要的個(gè)人互動，但在年齡和性別上沒有呈現(xiàn)顯著相關(guān)性?，F(xiàn)有研究[25]發(fā)現(xiàn)，兒童和青少年對于人工智能普遍持積極看法，表達(dá)了強(qiáng)烈的興趣和支持參與研究中，并將他們的聲音納入臨床護(hù)理中與人工智能共同決策，在其前瞻性使用此類臨床技術(shù)的一個(gè)重要主題也是希望患者和臨床醫(yī)生之間保持相當(dāng)?shù)幕印?/p>

3.1 保障層面

人工智能的應(yīng)用不可避免的會導(dǎo)致一系列問題，其法律和道德的劃分引起了諸多討論。有學(xué)者認(rèn)為當(dāng)人工智能模型不可避免的走向超越人類臨床醫(yī)師時(shí)，使用的必要性、臨床醫(yī)生同意或者不同意建議時(shí)造成患者不良后果的責(zé)任等都是需要考慮的方向[26]。Hedderich等[27]認(rèn)為，醫(yī)療事故責(zé)任、基于人工智能的醫(yī)療設(shè)備的監(jiān)管以及共享醫(yī)學(xué)數(shù)據(jù)中的隱私保護(hù)也是法律和道德所存在的漏洞。鑒于人工智能的黑盒特性，在臨床實(shí)踐中使用人工智能時(shí)，需要提倡患者保密、專業(yè)責(zé)任保險(xiǎn)、法律和道德制定規(guī)范，加強(qiáng)醫(yī)學(xué)和人工智能領(lǐng)域的監(jiān)管、問責(zé)制和法律權(quán)限，完善醫(yī)生、患者、設(shè)備供應(yīng)商三者之間的決策過程。

4. 展望與小結(jié)

由于醫(yī)療人員對人工智能應(yīng)用認(rèn)識不足，患者參與感缺乏，導(dǎo)致人工智能在疾病治療中存在局限性。因此，在未來的智能醫(yī)學(xué)中，有必要將其課程引入醫(yī)學(xué)教育，培養(yǎng)醫(yī)護(hù)人員對人工智能的了解和專業(yè)的技術(shù)人才，促進(jìn)人工智能和醫(yī)學(xué)的深度融合。其次，考慮到患者的感受，需要對患者進(jìn)行教育并使患者參與該技術(shù)的未來發(fā)展方向。同時(shí)，醫(yī)護(hù)人員篩選適宜人群，借助人工智能工具和患者建立密切的聯(lián)系，使其輔助效果得到進(jìn)一步的增強(qiáng)。最后，基于人工智能的黑盒特性，在臨床實(shí)踐中使用人工智能時(shí)，提倡患者保密、專業(yè)責(zé)任保險(xiǎn)、法律和道德制定規(guī)范。并且要加強(qiáng)醫(yī)學(xué)和人工智能領(lǐng)域的監(jiān)管、問責(zé)制和法律權(quán)限，完善醫(yī)生、患者、設(shè)備供應(yīng)商三者之間的決策過程。

綜上，人工智能技術(shù)日新月異的發(fā)展，其在慢性病運(yùn)動康復(fù)中的重要作用不容忽視。但人工智能是把“雙刃劍”，伴隨而來的一系列技術(shù)和保障等問題也值得思考。此外，人工智能在我國的發(fā)展較晚，尤其是對慢性病運(yùn)動治療的解釋和應(yīng)用還存在著很大的局限。因此，在未來的智能醫(yī)療中，應(yīng)該著重于提高自主研發(fā)和應(yīng)用能力，培養(yǎng)醫(yī)工交叉的復(fù)合型人才，以期探索兩者更佳的結(jié)合方式，使人工智能更好的服務(wù)于慢性病患者。

參考文獻(xiàn)

[1] ANDERSON E， DURSTINE JL. Physical activity， exercise， and chronic diseases： A brief review[J]. Sports Med Health Sci. 2019 ，1（1）：3-10.

[2] KATANNA G. Factors Affecting the Incidence of Hypertension in Menopause Using Literature Studies[J]. PROFESSIONAL HEALTH JOURNAL， 2022， 4（1）： 103-113.

[3] 中國居民營養(yǎng)與慢性病狀況報(bào)告（2020年）[J]. 營養(yǎng)學(xué)報(bào)， 2020， 42（06）： 521.

[4] XIE Y， LU L， GAO F， et al. Integration of artificial intelligence， blockchain， and wearable technology for chronic disease management： a new paradigm in smart healthcare[J]. Current Medical Science， 2021， 41（6）： 1123-1133.

[5] 鄧曉芒. 人工智能的本質(zhì)[J]. 山東社會科學(xué)， 2022， （12）： 39-46.

[6] DMITRIEV V Y， IGNAT'EVA T A， PILYAVSKIY V P. Development of Artificial Intelligence and Prospects for Its Application[J]. Economics and Management， 2021， 27（2）： 132-138.

[7] BRIGANTI G， LE MOINE O. Artificial intelligence in medicine： today and tomorrow[J]. Frontiers in medicine， 2020， 7（27）：1-6.

[8] ?OLTYS K， LENDVORSKY L， HRIC I， et al. Strenuous physical training， physical fitness， body composition and bacteroides to prevotella ratio in the gut of elderly athletes[J]. Frontiers in Physiology， 2021， 12（1）： 1-12.

[9] XIAO， L， HUANG， L， CHANG， H， et al. Management and Analysis of Sports Health Level of the Elderly Based on Deep Learning[J]. COMPUT INTEL NEUROSC， 2022， 2022（1）： 1-8.

[10] ZHAO Y， LI J， WANG X， et al. A lightweight pose sensing scheme for contactless abnormal gait behavior measurement[J]. Sensors， 2022， 22（11）： 4070.

[11] SLEMEN?EK J， FISTER I， GER?AK J， et al. Human gait activity recognition machine learning methods[J]. Sensors， 2023， 23（2）： 745.

[12] MASKELIūNAS R， DAMA?EVI?IUS R， BLA?AUSKAS T， et al. BiomacVR： a virtual reality-based system for precise human posture and motion analysis in rehabilitation exercises using depth sensors[J]. Electronics， 2023， 12（2）： 339.

[13] REID R D， MORRIN L I， BEATON L J， et al. Randomized trial of an internet-based computer-tailored expert system for physical activity in patients with heart disease[J]. European journal of preventive cardiology， 2012， 19（6）： 1357-1364.

[14] HANSEN D， ROVELO RUIZ G， DOHERTY P， et al. Do clinicians prescribe exercise similarly in patients with different cardiovascular diseases？ Findings from the EAPC EXPERT working group survey[J]. European journal of preventive cardiology， 2018， 25（7）： 682-691.

[15] HANSEN D， MARINUS N， CORNELISSEN V， et al. Exercise prescription by physiotherapists to patients with cardiovascular disease is in greater agreement with European recommendations after using the EXPERT training tool[J]. Medical Education Online， 2023， 28（1）： 1-10.

[16] PARK Y J. Effects of communal exercise with visual and auditory feedback provided by a smart application on gait ability and fear of falling in Parkinson’s disease patients[J]. Journal of exercise rehabilitation， 2014， 10（5）： 286.

[17] NAUMAN J， NES B M， ZISKO N， et al. Personal activity intelligence （PAI）： a new standard in activity tracking for obtaining a healthy cardiorespiratory fitness level and low cardiovascular risk[J]. Progress in Cardiovascular Diseases， 2019， 62（2）： 179-185.

[18] HELAL A， COOK D J， SCHMALZ M. Smart home-based health platform for behavioral monitoring and alteration of diabetes patients[J]. Journal of diabetes science and technology， 2009， 3（1）： 141-148.

[19] CELIK Y， ASLAN M F， SABANCI K， et al. Improving inertial sensor-based activity recognition in neurological populations[J]. Sensors， 2022， 22（24）： 9891.

[20] LI J， KWONG P W H， LUA E K， et al. Development of a convolutional neural network （CNN） based assessment exercise recommendation system for individuals with chronic stroke： a feasibility study[J]. Topics in Stroke Rehabilitation， 2022（1）： 1-10.

[21] FARUQUI S H A， DU Y， MEKA R， et al. Development of a deep learning model for dynamic forecasting of blood glucose level for type 2 diabetes mellitus： secondary analysis of a randomized controlled trial[J]. JMIR mHealth and uHealth， 2019， 7（11）： e14452.

[22] BOILLAT T， NAWAZ F A， RIVAS H. Readiness to embrace artificial intelligence among medical doctors and students： questionnaire-based study[J]. JMIR Medical Education， 2022， 8（2）： e34973.

[23] ALZAABI A， ALMASKARI S， AALABDULSALAM A. Are physicians and medical students ready for artificial intelligence applications in healthcare？[J]. Digital Health， 2023， 9（1）： 1-11.

[24] TEMPLE S， ROWBOTTOM C， SIMPSON J. Patient views on the implementation of artificial intelligence in radiotherapy[J]. Radiography， 2023， 29（1）： S112-S116.

[25] THAI， K， TSIANDOULAS， KH， STEPHENSON， EA， et al. Perspectives of Youths on the Ethical Use of Artificial Intelligence in Health Care Research and Clinical Care[J]. JAMA Netw Open. 2023， 6（5）： 1-10.

[26] BANJA J D， HOLLSTEIN R D， BRUNO M A. When artificial intelligence models surpass physician performance： medical malpractice liability in an era of advanced artificial intelligence[J]. Journal of the American College of Radiology， 2022， 19（7）： 816-820.

[27] HEDDERICH D M， WEISSTANNER C， VAN CAUTER S， et al. Artificial intelligence tools in clinical neuroradiology： essential medico-legal aspects[J]. Neuroradiology， 2023， 65（7）： 1091-1097.