算法偏見視角下醫(yī)療AI知情同意的倫理審查演講人01引言：醫(yī)療AI時代的倫理困境與知情同意的再審視02算法偏見的生成機(jī)制與醫(yī)療場景中的具體表現(xiàn)03現(xiàn)有醫(yī)療AI知情同意倫理審查框架的局限性04算法偏見視角下醫(yī)療AI知情同意倫理審查的優(yōu)化路徑05結(jié)論：以倫理審查照亮醫(yī)療AI的公平之路目錄算法偏見視角下醫(yī)療AI知情同意的倫理審查01引言：醫(yī)療AI時代的倫理困境與知情同意的再審視引言：醫(yī)療AI時代的倫理困境與知情同意的再審視隨著人工智能（AI）技術(shù)在醫(yī)療領(lǐng)域的深度滲透，從影像診斷、藥物研發(fā)到臨床決策支持，醫(yī)療AI正逐步成為現(xiàn)代醫(yī)療體系的重要輔助工具。據(jù)《Nature》雜志2023年統(tǒng)計，全球已有超過500款醫(yī)療AI產(chǎn)品獲批上市，其中輔助診斷系統(tǒng)的臨床應(yīng)用占比達(dá)62%。然而，當(dāng)算法開始參與甚至主導(dǎo)醫(yī)療決策時，一個隱形的倫理風(fēng)險——算法偏見，正悄然侵蝕醫(yī)療信任的基石。算法偏見源于訓(xùn)練數(shù)據(jù)的代表性不足、模型設(shè)計的邏輯缺陷或應(yīng)用場景的適配偏差，可能導(dǎo)致特定人群（如少數(shù)族裔、女性、低收入群體）在診療中獲得不公平的結(jié)果。這種偏見不僅違背醫(yī)療公平性原則，更直接挑戰(zhàn)了知情同意權(quán)的核心內(nèi)涵——患者能否在充分理解AI決策邏輯及其潛在風(fēng)險的基礎(chǔ)上，自主參與醫(yī)療選擇。引言：醫(yī)療AI時代的倫理困境與知情同意的再審視作為長期參與醫(yī)療AI倫理審查與實踐的臨床工作者，我曾見證過這樣的案例：某三甲醫(yī)院引入的AI輔助糖尿病視網(wǎng)膜病變篩查系統(tǒng)，因訓(xùn)練數(shù)據(jù)中亞洲人群樣本占比不足30%，導(dǎo)致對黃種人早期病變的漏診率較白種人高1.8倍。當(dāng)患者因“AI漏診”延誤治療時，醫(yī)院卻以“AI僅為輔助工具”為由規(guī)避告知義務(wù)，這一事件暴露出算法偏見與知情同意失效之間的深刻關(guān)聯(lián)。在此背景下，構(gòu)建針對算法偏見視角的醫(yī)療AI知情同意倫理審查框架，不僅是技術(shù)倫理的必然要求，更是維護(hù)患者權(quán)益、重塑醫(yī)患信任的關(guān)鍵路徑。本文將從算法偏見的生成機(jī)制入手，剖析其對知情同意原則的侵蝕邏輯，審視現(xiàn)有審查框架的局限性，并提出系統(tǒng)性優(yōu)化路徑，以期為醫(yī)療AI的規(guī)范應(yīng)用提供倫理指引。02算法偏見的生成機(jī)制與醫(yī)療場景中的具體表現(xiàn)算法偏見的根源性成因算法偏見并非技術(shù)偶然，而是數(shù)據(jù)、模型與應(yīng)用三重因素交互作用的結(jié)果，其生成機(jī)制具有隱蔽性和系統(tǒng)性特征。算法偏見的根源性成因數(shù)據(jù)偏見：訓(xùn)練樣本的結(jié)構(gòu)性失衡醫(yī)療AI的“智能”源于海量數(shù)據(jù)的喂養(yǎng)，但當(dāng)訓(xùn)練數(shù)據(jù)本身存在群體代表性偏差時，算法便會復(fù)制甚至放大這種偏差。例如，某肺癌早期篩查AI系統(tǒng)的訓(xùn)練數(shù)據(jù)中，吸煙人群占比達(dá)78%，而從不吸煙的肺癌患者樣本僅占12%，導(dǎo)致該系統(tǒng)對不吸煙人群的病灶識別敏感度較吸煙人群低42%。這種數(shù)據(jù)偏見源于醫(yī)療資源分配不均——優(yōu)勢人群往往更易參與臨床研究、電子病歷數(shù)據(jù)更完整，而弱勢群體則因就醫(yī)頻率低、數(shù)據(jù)缺失而被邊緣化。此外，歷史數(shù)據(jù)中隱含的歧視性標(biāo)簽（如將“低收入”與“治療依從性差”關(guān)聯(lián)）也會被算法學(xué)習(xí)，形成“標(biāo)簽偏見”。算法偏見的根源性成因模型偏見：算法設(shè)計中的價值預(yù)設(shè)模型設(shè)計階段，開發(fā)者對“最優(yōu)解”的定義可能隱含價值判斷。例如，在醫(yī)療資源分配AI中，若將“治療成本效益”作為核心優(yōu)化目標(biāo)，算法可能會優(yōu)先推薦對年輕、高收入患者有效的治療方案，而忽視老年患者或慢性病患者的需求。此外，深度學(xué)習(xí)模型的“黑箱特性”使得決策邏輯難以追溯，當(dāng)算法因特征權(quán)重設(shè)置不當(dāng)而產(chǎn)生偏見時，臨床醫(yī)生難以發(fā)現(xiàn)并糾正。例如，某膿毒癥預(yù)警AI將“男性”作為高風(fēng)險特征之一，原因是訓(xùn)練數(shù)據(jù)中男性患者的膿毒癥死亡率更高，但這一忽略了女性患者因癥狀隱匿而易被誤診的現(xiàn)實，導(dǎo)致對女性患者的預(yù)警延遲率升高。算法偏見的根源性成因應(yīng)用偏見：臨床適配中的場景脫節(jié)即便算法本身無偏見，其在臨床應(yīng)用中也可能因環(huán)境差異而產(chǎn)生偏差。例如，某AI心電分析系統(tǒng)在大型三甲醫(yī)院的測試準(zhǔn)確率達(dá)99%，但在基層醫(yī)院應(yīng)用時，因設(shè)備精度不足、操作人員不規(guī)范等因素，準(zhǔn)確率驟降至75%。這種“遷移偏差”使得算法在不同層級醫(yī)療機(jī)構(gòu)、不同患者群體中的表現(xiàn)差異顯著，而開發(fā)者往往缺乏對應(yīng)用場景的精細(xì)化適配，導(dǎo)致“標(biāo)準(zhǔn)算法”在復(fù)雜醫(yī)療環(huán)境中失效。醫(yī)療AI偏見對知情同意的核心要素侵蝕知情同意權(quán)是醫(yī)療倫理的核心原則，其包含自主性、理解性、自愿性三要素。算法偏見通過模糊決策邊界、隱瞞風(fēng)險信息、削弱患者自主選擇能力，對三要素造成系統(tǒng)性侵蝕。醫(yī)療AI偏見對知情同意的核心要素侵蝕對自主性的削弱：算法決策的“隱形權(quán)威”在傳統(tǒng)醫(yī)療模式中，醫(yī)生基于專業(yè)知識與患者病情共同決策，患者可通過提問、質(zhì)疑等方式參與診療過程。但醫(yī)療AI的介入改變了這一權(quán)力結(jié)構(gòu)——當(dāng)AI以“客觀”“精準(zhǔn)”的標(biāo)簽被賦予權(quán)威時，醫(yī)生可能過度依賴算法輸出，甚至將AI結(jié)論等同于“醫(yī)學(xué)真理”。例如，某醫(yī)院引入AI輔助腫瘤治療方案推薦系統(tǒng)后，65%的醫(yī)生表示“當(dāng)AI建議與臨床經(jīng)驗沖突時，更傾向于相信AI”。這種“算法權(quán)威化”使得患者喪失了與醫(yī)生平等對話的機(jī)會，自主選擇的空間被壓縮。更嚴(yán)重的是，部分醫(yī)療機(jī)構(gòu)為推廣AI應(yīng)用，刻意淡化醫(yī)生的主導(dǎo)作用，向患者傳遞“AI決策更可靠”的錯誤暗示，進(jìn)一步削弱患者的自主地位。醫(yī)療AI偏見對知情同意的核心要素侵蝕對理解性的消解：風(fēng)險信息的“黑箱化”知情同意的前提是患者對醫(yī)療手段的充分理解，但算法偏見的隱蔽性使得相關(guān)風(fēng)險難以被清晰傳達(dá)。一方面，算法決策邏輯的復(fù)雜性（如深度學(xué)習(xí)的非線性特征交互）超出了普通患者的認(rèn)知能力，醫(yī)生即使想解釋也面臨“技術(shù)語言轉(zhuǎn)化”的困境；另一方面，開發(fā)者往往未提供算法偏見的系統(tǒng)性評估報告，臨床醫(yī)生無法獲知AI對特定人群的潛在誤差。例如，某AI骨折愈合預(yù)測系統(tǒng)未公開其在骨質(zhì)疏松患者中的準(zhǔn)確率數(shù)據(jù)，導(dǎo)致醫(yī)生無法告知患者“該系統(tǒng)對骨質(zhì)疏松患者的愈合時間預(yù)測可能存在±2周的偏差”。這種風(fēng)險信息的缺失，使得患者的“理解”停留在表面，無法形成實質(zhì)性的知情。醫(yī)療AI偏見對知情同意的核心要素侵蝕對自愿性的違背：選擇權(quán)的“被動化”算法偏見可能通過“結(jié)構(gòu)性誘導(dǎo)”剝奪患者的自愿選擇權(quán)。例如，某醫(yī)院為提高AI使用率，將AI輔助診斷作為“常規(guī)流程”，患者若拒絕使用AI，需額外簽署《知情拒絕書》，這種程序性設(shè)計給患者造成心理壓力，迫使“被動同意”。此外，當(dāng)AI系統(tǒng)對特定群體存在系統(tǒng)性偏見時（如對女性患者的疼痛評估敏感度較低），患者即使懷疑結(jié)果，也因缺乏專業(yè)知識而難以提出異議，最終只能“被迫接受”不公正的診療決策。03現(xiàn)有醫(yī)療AI知情同意倫理審查框架的局限性審查標(biāo)準(zhǔn)的模糊性與滯后性當(dāng)前，國內(nèi)外醫(yī)療AI倫理審查主要遵循《赫爾辛基宣言》《涉及人的生物醫(yī)學(xué)研究倫理審查辦法》等傳統(tǒng)醫(yī)學(xué)倫理規(guī)范，但這些規(guī)范制定于AI技術(shù)普及之前，未能針對算法偏見的特殊性建立明確標(biāo)準(zhǔn)。審查標(biāo)準(zhǔn)的模糊性與滯后性“風(fēng)險-受益”評估的片面化現(xiàn)有審查框架多聚焦于AI的技術(shù)風(fēng)險（如數(shù)據(jù)安全、設(shè)備故障），而忽視算法偏見帶來的社會風(fēng)險（如醫(yī)療公平性受損）。例如，某AI藥物研發(fā)系統(tǒng)在審查時，僅對其預(yù)測準(zhǔn)確率進(jìn)行評估，未分析其在不同種族間的療效差異，導(dǎo)致最終上市的藥物對亞裔患者的有效率低于白種人28%，但這一風(fēng)險在審查階段未被識別。此外，對“受益”的界定多局限于醫(yī)療效率提升（如縮短診斷時間），而未將“減少偏見損害”納入核心指標(biāo)，使得審查過程偏離了“以患者為中心”的根本原則。審查標(biāo)準(zhǔn)的模糊性與滯后性偏見指標(biāo)的缺失傳統(tǒng)倫理審查缺乏對算法偏量的量化評估工具。雖然部分國際組織（如歐盟AI法案）提出“公平性指標(biāo)”概念，但醫(yī)療場景中的公平性需結(jié)合疾病特征、人群差異等多維度因素制定，目前尚無統(tǒng)一標(biāo)準(zhǔn)。例如，評估AI糖尿病管理系統(tǒng)的公平性時，是否應(yīng)考慮不同年齡段的血糖控制目標(biāo)差異？是否需納入經(jīng)濟(jì)因素對治療依從性的影響？這些關(guān)鍵問題在現(xiàn)有審查框架中均未明確，導(dǎo)致審查結(jié)果主觀性強(qiáng)、可重復(fù)性差。審查主體的單一性與能力不足醫(yī)療AI倫理審查涉及醫(yī)學(xué)、計算機(jī)科學(xué)、倫理學(xué)、法學(xué)等多學(xué)科知識，但當(dāng)前審查主體以醫(yī)院倫理委員會為主，存在明顯的“專業(yè)壁壘”。審查主體的單一性與能力不足醫(yī)學(xué)倫理專家的技術(shù)認(rèn)知局限倫理委員會成員多為臨床醫(yī)生、醫(yī)學(xué)倫理學(xué)者，對算法原理、數(shù)據(jù)偏見等技術(shù)問題的理解有限。例如，在審查某AI醫(yī)學(xué)影像系統(tǒng)時，委員會成員僅關(guān)注其“診斷符合率”，卻未能識別出訓(xùn)練數(shù)據(jù)中因不同設(shè)備廠商導(dǎo)致的“品牌偏差”——該系統(tǒng)對A品牌設(shè)備的影像識別準(zhǔn)確率達(dá)95%，但對B品牌設(shè)備的準(zhǔn)確率僅70%，但這種技術(shù)性偏差因超出委員的專業(yè)認(rèn)知而被忽略。審查主體的單一性與能力不足開發(fā)者與臨床醫(yī)生的“責(zé)任共謀”風(fēng)險在實踐中，醫(yī)療AI的倫理審查往往由開發(fā)者提交技術(shù)報告，醫(yī)院倫理委員會進(jìn)行形式化審查，這種“開發(fā)者主導(dǎo)、醫(yī)院配合”的模式存在責(zé)任共謀風(fēng)險。開發(fā)者可能選擇性披露favorable數(shù)據(jù)（如僅展示高準(zhǔn)確率案例），隱瞞算法偏見信息；而醫(yī)院為快速引入AI技術(shù)，傾向于簡化審查流程。例如，某醫(yī)院倫理委員會在審查AI輔助手術(shù)機(jī)器人時，僅審查了開發(fā)者提供的“成功率95%”的報告，未要求其公開不同經(jīng)驗級別醫(yī)生的手術(shù)數(shù)據(jù)差異，導(dǎo)致該機(jī)器人在基層醫(yī)院使用時，并發(fā)癥發(fā)生率較三甲醫(yī)院高3倍。審查流程的靜態(tài)性與形式化醫(yī)療AI具有“迭代更新快、應(yīng)用場景復(fù)雜”的特點(diǎn)，但現(xiàn)有審查流程多為“一次性審批”，難以應(yīng)對動態(tài)變化的風(fēng)險環(huán)境。審查流程的靜態(tài)性與形式化缺乏“全生命周期審查”機(jī)制當(dāng)前審查多聚焦于AI產(chǎn)品上市前的“準(zhǔn)入審查”，而對上市后的“持續(xù)監(jiān)測”缺乏制度設(shè)計。算法在實際應(yīng)用中會因數(shù)據(jù)積累、環(huán)境變化而產(chǎn)生新的偏見（如某AI心電圖系統(tǒng)隨著使用時間延長，因新增數(shù)據(jù)中老年患者比例升高，對青年患者的誤診率上升），但現(xiàn)有流程未要求開發(fā)者定期提交偏見評估報告，醫(yī)院也缺乏主動監(jiān)測的意識和能力。審查流程的靜態(tài)性與形式化患者參與審查的機(jī)制缺失知情同意的核心是“患者視角”，但現(xiàn)有審查流程完全由專家主導(dǎo)，患者作為利益相關(guān)方被排除在外。這種“精英主義”審查模式難以識別算法偏見對患者的實際影響——例如，某AI精神健康評估系統(tǒng)因未充分考慮文化差異，對少數(shù)民族患者的心理狀態(tài)判斷存在偏差，但這一情況因患者無法參與審查而被長期忽視。04算法偏見視角下醫(yī)療AI知情同意倫理審查的優(yōu)化路徑構(gòu)建“全生命周期、多維度”的審查標(biāo)準(zhǔn)體系針對現(xiàn)有標(biāo)準(zhǔn)的模糊性，需建立涵蓋“數(shù)據(jù)-模型-應(yīng)用”全鏈條、融合“技術(shù)-倫理-法律”多維度的審查標(biāo)準(zhǔn)，將算法偏見防控嵌入知情同意的各個環(huán)節(jié)。構(gòu)建“全生命周期、多維度”的審查標(biāo)準(zhǔn)體系數(shù)據(jù)層面的“公平性準(zhǔn)入”標(biāo)準(zhǔn)-訓(xùn)練數(shù)據(jù)代表性審查：要求開發(fā)者提交數(shù)據(jù)集的人口統(tǒng)計學(xué)特征報告（如年齡、性別、種族、地域、socioeconomicstatus分布），確保與目標(biāo)人群的匹配度不低于85%；對歷史數(shù)據(jù)中的歧視性標(biāo)簽（如“低收入=低依從性”）進(jìn)行清洗，并公開清洗邏輯。-數(shù)據(jù)偏見影響評估：采用“敏感性分析”方法，測試算法在剔除特定群體數(shù)據(jù)后的性能變化，若差異超過10%，需重新調(diào)整數(shù)據(jù)或模型。例如，某AI腫瘤分期系統(tǒng)在剔除女性患者數(shù)據(jù)后，對乳腺癌分期的準(zhǔn)確率下降15%，則需補(bǔ)充女性樣本并重新訓(xùn)練模型。構(gòu)建“全生命周期、多維度”的審查標(biāo)準(zhǔn)體系模型層面的“透明度與可解釋性”標(biāo)準(zhǔn)-算法邏輯披露：要求開發(fā)者提供模型的可解釋性報告，采用“自然語言+可視化”方式向臨床醫(yī)生和患者說明決策依據(jù)（如“將‘視網(wǎng)膜厚度’和‘血糖水平’作為糖尿病視網(wǎng)膜病變的關(guān)鍵預(yù)測指標(biāo)，權(quán)重分別為60%和40%”）。-偏見閾值設(shè)定：明確不同人群的算法性能最低標(biāo)準(zhǔn)，例如，AI輔助診斷系統(tǒng)對少數(shù)族裔的敏感度不得低于對多數(shù)族裔的90%，對低收入人群的準(zhǔn)確率不得低于高收入人群的85%，未達(dá)標(biāo)的系統(tǒng)需重新優(yōu)化或限制應(yīng)用場景。構(gòu)建“全生命周期、多維度”的審查標(biāo)準(zhǔn)體系應(yīng)用層面的“動態(tài)監(jiān)測與風(fēng)險告知”標(biāo)準(zhǔn)-上市后偏見跟蹤：要求開發(fā)者在AI系統(tǒng)中嵌入“偏見監(jiān)測模塊”，實時記錄不同人群的預(yù)測誤差，每季度提交《偏見風(fēng)險報告》；醫(yī)院需建立“AI決策異常案例庫”，對因算法偏見導(dǎo)致的誤診、漏診案例進(jìn)行專項分析。-風(fēng)險告知清單化：制定《醫(yī)療AI知情同意書（偏見風(fēng)險版）》，明確告知患者AI的適用人群、局限性（如“本系統(tǒng)對65歲以上患者的疼痛評估可能存在低估”）及替代方案，確?；颊咧獣浴癆I并非絕對權(quán)威”。打造“多元協(xié)同、能力互補(bǔ)”的審查主體結(jié)構(gòu)打破單一審查主體的局限，構(gòu)建由“倫理委員會-技術(shù)專家組-患者代表-監(jiān)管機(jī)構(gòu)”組成的協(xié)同審查網(wǎng)絡(luò)，確保審查的專業(yè)性、代表性與公信力。打造“多元協(xié)同、能力互補(bǔ)”的審查主體結(jié)構(gòu)倫理委員會的核心統(tǒng)籌作用倫理委員會需吸納計算機(jī)科學(xué)、數(shù)據(jù)倫理、社會學(xué)等領(lǐng)域的專家，設(shè)立“AI倫理審查小組”，負(fù)責(zé)統(tǒng)籌審查流程、協(xié)調(diào)各方意見。例如，某三甲醫(yī)院倫理委員會新增“算法公平性評估小組”，由2名數(shù)據(jù)科學(xué)家、1名醫(yī)學(xué)倫理學(xué)者、1名社會學(xué)家組成，專門審查AI系統(tǒng)的偏見風(fēng)險。打造“多元協(xié)同、能力互補(bǔ)”的審查主體結(jié)構(gòu)技術(shù)專家組的深度參與建立“醫(yī)療AI技術(shù)審查專家?guī)臁?，邀請算法工程師、醫(yī)療影像專家、臨床數(shù)據(jù)分析師等參與技術(shù)評估，重點(diǎn)審查模型的公平性指標(biāo)、可解釋性設(shè)計及臨床適配性。例如，在審查某AI輔助病理診斷系統(tǒng)時，技術(shù)專家組需獨(dú)立驗證其在不同染色條件下的識別準(zhǔn)確率，避免開發(fā)者單方面數(shù)據(jù)的“美化”。打造“多元協(xié)同、能力互補(bǔ)”的審查主體結(jié)構(gòu)患者代表的實質(zhì)性參與通過“患者招募-培訓(xùn)-賦權(quán)”機(jī)制，讓患者代表參與審查全過程。一方面，通過社區(qū)組織、患者協(xié)會招募不同背景的患者代表（如老年、少數(shù)民族、低收入群體），進(jìn)行算法基礎(chǔ)知識培訓(xùn)，使其理解“什么是算法偏見”“如何識別風(fēng)險”；另一方面，在審查會議中設(shè)置“患者提問環(huán)節(jié)”，患者代表可基于自身體驗提出質(zhì)疑（如“這個系統(tǒng)能識別我這樣的農(nóng)村患者的糖尿病足嗎？”），確保審查視角貼近患者需求。打造“多元協(xié)同、能力互補(bǔ)”的審查主體結(jié)構(gòu)監(jiān)管機(jī)構(gòu)的規(guī)范與監(jiān)督藥監(jiān)部門、衛(wèi)生健康部門應(yīng)聯(lián)合制定《醫(yī)療AI倫理審查指南》，明確審查主體的資質(zhì)、流程和責(zé)任；建立“審查結(jié)果公示制度”，對存在嚴(yán)重偏見風(fēng)險的AI系統(tǒng)進(jìn)行通報，并限制其臨床應(yīng)用。例如，美國FDA已要求所有上市的醫(yī)療AI產(chǎn)品提交“算法公平性評估報告”，未通過審查的產(chǎn)品不予審批。創(chuàng)新“動態(tài)化、參與式”的審查流程機(jī)制針對現(xiàn)有流程的靜態(tài)性與形式化，構(gòu)建“事前準(zhǔn)入-事中監(jiān)測-事后追溯”的動態(tài)審查流程，強(qiáng)化患者在知情同意中的主體地位。創(chuàng)新“動態(tài)化、參與式”的審查流程機(jī)制事前準(zhǔn)入：引入“算法偏見影響評估（BIA）”在AI產(chǎn)品上市前，強(qiáng)制要求開發(fā)者提交《BIA報告》，內(nèi)容包括：數(shù)據(jù)代表性分析、模型公平性測試結(jié)果、潛在偏見風(fēng)險及應(yīng)對措施。倫理委員會需組織獨(dú)立第三方機(jī)構(gòu)對BIA報告進(jìn)行驗證，未通過驗證的產(chǎn)品不得進(jìn)入臨床應(yīng)用。例如，歐盟《人工智能法案》將“高風(fēng)險AI系統(tǒng)”（包括醫(yī)療AI）的BIA列為強(qiáng)制性要求，未通過者最高可處以全球年營業(yè)額6%的罰款。創(chuàng)新“動態(tài)化、參與式”的審查流程機(jī)制事中監(jiān)測：建立“醫(yī)患共治”的偏見反饋機(jī)制-醫(yī)生的“算法決策質(zhì)疑權(quán)”：賦予醫(yī)生在發(fā)現(xiàn)AI結(jié)果與臨床經(jīng)驗明顯沖突時，暫停使用并啟動復(fù)核的權(quán)利；醫(yī)院需設(shè)立“AI倫理爭議解決委員會”，及時處理醫(yī)生反饋的偏見案例。-患者的“風(fēng)險反饋渠道”：在AI系統(tǒng)中嵌入“患者反饋模塊”，允許患者對AI決策提出異議（如“AI說我沒病，但我癥狀很明顯”），并要求開發(fā)者72小時內(nèi)回應(yīng)反饋意見，定期公開《患者反饋處理報告》。創(chuàng)新“動態(tài)化、參與式”的審查流程機(jī)制事后追溯：明確“算法偏見責(zé)任劃分”制定《醫(yī)療AI侵權(quán)責(zé)任認(rèn)定指南》，明確開發(fā)者、醫(yī)院、醫(yī)生在算法偏