正文
与医学的绑定程度，将达到如今计算机与医学的关系级别。
关键而令人不安（甚至令人恐惧）的区别在于：与计算机不同，
AI
可能很快会取代医疗中诸多人类职能。这未必意味着人类将退出医疗领域，但未来医生的角色定位必将发生根本性改变。
临床遗传学与人工智能的关联
在众多医学领域中，临床遗传学尤其可能受到人工智能的深远影响，这背后有几个相互关联的原因：
首先，临床遗传学家和其他遗传学专家数量严重不足。其次，已知的遗传疾病多达数千种，其中许多属于罕见病。即使遗传学专家充足，单个临床医生也难以掌握全部（甚至大部分）遗传疾病的诊疗知识。第三，遗传性疾病往往病情严重且累及多系统，对个人、家庭和社会造成重大影响；早期诊断对于实现最佳疗效和成本效益的医疗至关重要。
尽管基因测序及相关技术已取得进步，且及时诊断的益处已被证实，但患者仍常面临长达数年的诊断延误，并难以获得前沿检测技术——这一问题在历史上处于弱势的群体和较贫困地区尤为突出。
正因临床遗传学具有这些特性，人工智能可能帮助填补空白，高效、准确地进行诊断、研究、管理，并改善与患者及其家属的沟通。换言之，借助人工智能，非遗传学专业的临床医生和患者或许能够弥补无法直接获得遗传学专家服务的缺憾。
值得注意的是，临床遗传学（或许是医学领域中独树一帜的存在）始终以探索发现为核心使命。每年都有数十种遗传疾病的新致病机制被报道。人工智能不仅能助力此类研究，更能有效应对前文所述的紧迫临床需求。例如，近期一项研究通过大规模外显子组测序队列分析，成功鉴定出
28
个与神经发育障碍相关的
"
新致病基因
"
。研究者采用的基因优先排序策略中，就运用了基于支持向量机（一种机器学习算法）的变异分析方法
——CADD
（组合注释依赖缺失评分）。如今，
CADD
已成为全球临床实验室和研究机构的常规工具，而十年前还被视为前沿的机器学习方法，正逐渐被新兴的深度学习技术所取代。
更具启示意义的是，人工智能在破解病因隐匿复杂的疑难病例方面展现出独特价值。正如后文将详述的，除了揭示遗传病成因，人工智能在开发新型遗传病治疗药物方面也将发挥不可替代的作用。
然而，正是那些使临床遗传学适合
AI
应用的特质，也带来了独特的挑战。单个遗传疾病的罕见性意味着，尽管人们长期致力于建立高质量的疾病和基因变异数据库（如
OMIM
、
Orphanet
、
ClinGen
、
ClinVar
、
gnomAD
等），但可用于训练
AI
模型的数据量往往仍不理想。
更重要的是，现有患者数据集并不能均衡代表所有受影响人群，这意味着
AI
模型在不同患者群体中的表现会存在差异。此外，虽然许多遗传疾病的病因已明确，但疾病分类学上仍存在诸多悬而未决的问题
——
比如如何对疾病进行
"
归并或细分
"
的分析决策仍无定论。
因此，在研究和应用
AI
时，临床医生和研究者必须充分考虑临床遗传学特有的复杂性。为确保
AI
模型和工具在临床遗传学中有效发挥作用，需要在多个环节持续努力：包括数据收集与标注、模型实施与调优，以及最重要的是
——
严格验证这些应用在不同人群中的实际表现。
基本概念与定义
在深入探讨临床遗传学中的人工智能应用前，我们需要先厘清一些通用术语和概念。以下内容虽然刻意保持宏观概述而不涉及细节与例外情况，但对部分读者可能具有历史性和普遍认知价值。
首先，人工智能并非单一概念——该领域包含众多子类别和方法（基本定义与示例参见图
1
）。尽管某些描述
AI
