WHO《医学领域人工智能的伦理与治理：多模态大模型指南》解读及其对中国的启示.pdfVIP

WHO《医学领域人工智能的伦理与治理：多模态大模

型指南》解读及其对中国的启示

【摘要】随着人工智能技术的快速发展，各国政府在人工智能监管方面存在空

白或滞后性，发展中国家与发达经济体之间在相关治理能力上存在“智能鸿沟”

和治理代差。为此，世界卫生组织发布了《医学领域人工智能的伦理与治理：多

模态大模型指南》（以下简称《指南》），旨在提升各国在该领域的治理能力。

本文将深入解读该《指南》，明确多模态大模型在医学健康领域应用的挑战与风

险，并以促进健康的伦理原则共识为指引，分析《指南》提出的三级治理框架及

相关建议，再结合我国现况，为我国医学健康领域的人工智能治理提供借鉴。

【关键词】医学；人工智能；多模态大模型；伦理与治理；指南解读

生成式人工智能作为人工智能技术的重要分支，通过深度学习和模仿数据中

的模式和特征，基于输入的数据生成新的内容，其技术演进对现代社会发展产生

深远影响。自2017年Transformer［1］架构被提出以来，该领域经历了革命性

突破，涌现出包括GPT系列［2-5］、PaLM系列［6-8］、Llama系列［9-11］

等在内的大型语言模型。这些模型的技术迭代周期显著缩短，展现出跨行业的应

用潜力，其中OpenAI在2023年发布的ChatGPT［12-13］更成为全球现象级应

用，标志着生成式人工智能技术进入新的发展阶段。

在基础技术突破的推动下，许多科技企业相继推出多模态大模型（largem

ulti-modalmodels，LMMs），如GPT-4o、Claude3、LLaVA、DeepSeek等。

此类模型通过对多模态数据间关联的深度捕捉，展现出对复杂场景与任务的综合

解析能力。医学健康领域涵盖文本（电子病历）、影像（X线、病理切片）、生

物信号（ECG）、基因组学等多维度信息，以其独特的数据特点为LMMs提供了天

然应用场景［14］。典型案例如LLaVA-Med模型利用PubMed上大量的医学图像

及对应的文本描述进行训练，显著提升医学图像问答性能［15］；PathChat［1

6］等模型在病理诊断领域的优化应用，则进一步验证了LMMs的临床实用价值。

LMMs的出现正在重构传统医学模式［17-18］，为提高患者满意度、优化

医疗资源配置、改善医疗质量和提高管理效率提供了新的途径［19］。然而，随

着LMMs性能的指数级提升与数据需求的几何增长，衍生出若干伦理挑战：包括

但不限于患者隐私泄露风险、算法解释和溯源困难、医疗资源分配不均、道德责

任界定和分配不明确等［20］。这些问题对社会伦理、卫生系统以及患者权益和

健康都构成了威胁，特别是在发展中国家与发达经济体间形成的“智能鸿沟”，

导致监管滞后与技术滥用风险并存［21-22］。

世界卫生组织（WHO）作为全球卫生治理的核心机构，已启动系统性应对措

施。2021年WHO发布的《卫生健康领域人工智能伦理与治理指南》确立6项核

心原则：保护人类自主权、促进人类福祉和安全、确保透明度、培养责任感、确

保包容性和公平性以及促进负责任和可持续的人工智能使用［23］。鉴于LMMs

技术的快速演进，WHO于2024年发布了专项指南《医学领域人工智能的伦理与

治理：多模态大模型指南》（以下简称为《指南》）［24］，旨在帮助各成员国

了解在医学健康领域使用LMMs的益处和挑战，并在开发、试用和部署阶段制定

适宜的政策和措施。

近年来，我国在医学健康领域的LMMs研发取得了突破性进展，建立了全球

首个面向糖尿病诊疗的视觉大语言模型的多模态集成智能系统DeepDR-LLM［2

5］、多模态人工智能流感预测模型（self-adaptiveAImodel，简称为SAAIM）

［26］和多模态肿瘤治疗决策模型MuMo［27］等。尽管这些成就标志着技术突

破，但在伦理与治理方面仍面临一系列挑战。如资源分布的不均衡导致偏远地区

医疗机构和患者难以平等地获取数字医疗服务；不同区域间数据标准的差异导致

了信息孤岛，阻碍了数据共享与分析效率；LMMs等新兴技术的透明性和安全性

也是亟待解决的问题。因此，《指南》的发布引起了国内学术界广泛的关注。对

此，学者王玥等［28］对《指南》进行了翻译与解读，李鹏等［29］则在此基础

上进一步剖析了《指南》对人工智能在中国老年医学应用的深远影响。然而，既

往解读尚未充分融合我国在医学健康领域人工智能治理的现实与挑战。因此，本

文进一步深度解析WHO