面向外科决策支持与患者安全的多模态、以人为中心、领域自适应医疗AI框架
核心概要
本文提出一个循证的概念性框架，将多模态临床数据（电子病历、实验室、影像、生理监测、手术视频、设备遥测）经由模块化AI架构、领域自适应、不确定性估计与安全控制，连接到由临床医生最终决策的决策支持界面，并明确区分所提议的架构与文献中已证实的证据，指出外科AI的临床有效性仍待前瞻性验证。
深度剖析
提出一个七层、可追溯的多模态外科决策支持架构，从多模态临床数据、数据质量与溯源控制、模态特定表征、多模态融合、领域自适应与任务特定预测、临床安全与证据控制，到面向临床医生的决策支持。 相对以往将概念架构当作已验证平台呈现的做法，本文把计算推理与临床责任明确分离，并将架构定位为待验证的设计规范。 属于概念性框架与概念验证架构论文，作者明确说明未分析患者级数据、未训练模型、未产生新的临床性能估计。
以文献证据量化外科AI的验证缺口：一项36项研究的范围综述中，80.6%仅做内部验证、13.8%做外部验证、5.6%做实时验证，且无研究评估临床实施效果；另一项102项研究的系统综述报告高证据等级验证仅占45%、公开数据集占14%。 这些数字来自已发表综述而非本文结果，用于把框架的设计要求锚定在既有证据的验证短板上。 证据来自被引用的已发表系统/范围综述，本文仅作转述与定位，未做新的合并分析。
把领域自适应、不确定性估计与可弃权能力设为设计前提：系统在信息缺失、置信度低或遇到分布外病例时应拒绝给出建议，而非输出自信但缺乏支持的结论。 将“通用性能”主张替换为“共同安全与界面层加专科/院区特定已验证组件”的架构思路。 属于设计原则论证，依据可信AI文献与目标期刊关于临床大模型基准到部署表现差异的综述。
给出分阶段验证路径与安全控制清单：回顾性、时间、外部、静默前瞻部署、人机评估、前瞻性临床评价，以及不确定性估计、分布外检测、医生否决、告警优先级、失效安全、审计追踪、公平性监测、隐私与网络安全、部署后监测等控制项。 把验证与治理要求组织为可操作的阶段与控制表，并对应TRIPOD+AI、DECIDE-AI、CONSORT-AI/SPIRIT-AI、CLAIM、STARD-AI、FUTURE-AI及FDA与IMDRF相关指南。 基于报告规范与监管指南的整合，属于规范性建议而非实证结果。
启示与展望
该框架面向希望按安全、透明、人类监督与可复现原则组织外科AI研发的研究者、临床团队与治理/监管相关方，适用于把多模态临床数据连接到医生最终决策的决策支持场景；作者强调其定位是设计规范与验证路径，而非已部署系统，且需按专科、院区、设备与人群分别验证。
读者仍需关注：具体模型架构、超参数与训练流程在本文中保持任务依赖而未指定；证据综合为定向而非注册系统综述，不能视为对外科AI文献的穷尽估计；监管要求随辖区与预期用途变化；临床有效性、安全性、可用性与公平性均待前瞻性研究回答。此外，本次阅读为不完整范围，图表与部分细节未纳入，若需引用具体图示或表格内容，应以原文为准。