人工智能在糖尿病诊疗中的数据隐私保护

人工智能在糖尿病诊疗中的数据隐私保护演讲人01人工智能在糖尿病诊疗中的数据隐私保护02AI赋能糖尿病诊疗：数据驱动的革命与价值03糖尿病诊疗数据隐私风险的多元来源与深层挑战04技术与管理协同：构建数据隐私保护的多维屏障05伦理与法律框架：隐私保护的合规基石06未来展望：在创新与安全间寻求动态平衡07结语：以隐私之盾，护AI之路目录01人工智能在糖尿病诊疗中的数据隐私保护人工智能在糖尿病诊疗中的数据隐私保护作为深耕医疗信息化与数据安全领域多年的从业者，我亲历了人工智能（AI）技术从实验室走向临床的全过程。尤其在糖尿病这一全球高发慢性病的诊疗领域，AI凭借其强大的数据处理能力，正深刻改变着传统的管理模式——从风险预测、早期筛查到个性化治疗方案制定，再到并发症的实时监测，每一个环节都离不开对海量医疗数据的深度挖掘。然而，当我们在为AI赋能下的精准诊疗欢呼时，一个不容忽视的命题也随之浮现：如何在释放数据价值的同时，切实保护患者的隐私安全？糖尿病患者的数据具有高度敏感性，涵盖血糖监测、基因信息、生活方式、用药史等全维度信息，一旦泄露或滥用，不仅可能引发个人歧视、经济损失，更会动摇患者对医疗科技的信任根基。因此，数据隐私保护绝非AI在糖尿病诊疗中“附加”的合规要求，而是决定这项技术能否行稳致远的生命线。本文将从AI在糖尿病诊疗中的价值切入，系统剖析数据隐私风险的来源与挑战，并从技术、管理、法律等多维度构建隐私保护体系，最终展望在创新与安全动态平衡中实现AI与医疗信任的双赢。02AI赋能糖尿病诊疗：数据驱动的革命与价值AI赋能糖尿病诊疗：数据驱动的革命与价值糖尿病作为全球第三大慢性病，其管理核心在于“长期监测、精准干预、动态调整”。传统诊疗模式下，医生依赖患者定期复诊的离散数据（如空腹血糖、糖化血红蛋白）进行判断，难以捕捉血糖的波动规律，更无法实时响应个体化需求。而AI技术的引入，通过整合多源异构数据，构建了“数据-模型-决策”的智能闭环，为糖尿病诊疗带来了范式革新。糖尿病诊疗的数字化转型：从“经验驱动”到“数据驱动”糖尿病管理的复杂性在于其影响因素的多元性——遗传背景、饮食习惯、运动量、药物依从性、心理状态等均会直接影响血糖水平。传统诊疗中，医生的经验判断往往受限于有限的数据样本，难以实现“千人千面”的精准干预。例如，两位空腹血糖均为7.8mmol/L的患者，可能因餐后血糖波动幅度、胰岛素抵抗程度不同，而需要截然不同的治疗方案。数字化技术的普及为破解这一难题提供了基础。近年来，连续葡萄糖监测（CGM）、胰岛素泵、智能手环等可穿戴设备的应用，使血糖数据的采集频率从“每日数次”提升至“每5分钟一次”；电子病历（EMR）、实验室信息系统（LIS）、影像归档和通信系统（PACS）的互联互通，则整合了患者的病史、检查结果、并发症信息等结构化与非结构化数据。据国际糖尿病联盟（IDF）统计，2021年全球糖尿病患者数据总量已达2.5EB（1EB=10亿GB），且以每年40%的速度增长。这些海量、高维、动态的数据，为AI模型的训练与优化提供了“燃料”，推动糖尿病诊疗从“基于群体经验的标准化治疗”向“基于个体数据的精准化决策”跨越。AI在糖尿病诊疗中的核心应用场景AI技术在糖尿病诊疗中的应用已渗透至全流程，其核心价值在于通过数据挖掘发现隐藏规律，实现“预测-诊断-治疗-管理”的闭环优化。AI在糖尿病诊疗中的核心应用场景风险预测：从“被动筛查”到“主动预警”2型糖尿病的发生往往经历数年的“糖尿病前期”（空腹血糖受损/糖耐量异常）阶段，若能在这一阶段及时干预，可延缓甚至阻止糖尿病的发生。AI模型通过整合人口学特征（年龄、BMI、家族史）、生化指标（空腹血糖、胰岛素、C肽）、生活方式（饮食结构、运动频率）等多维度数据，能够构建高风险人群预测模型。例如，谷歌DeepMind开发的糖尿病风险预测模型，基于50万人的电子健康记录数据，通过深度学习算法识别出17个关键风险因子，其预测准确率达85%，较传统Framingham风险评分提升20%以上。在国内，北京某三甲医院联合企业研发的“糖尿病风险预警系统”，通过纳入肠道菌群、血清炎症因子等新型生物标志物，对糖尿病前期的预测灵敏度达92%，已在社区健康管理中推广应用，使早期干预率提升35%。AI在糖尿病诊疗中的核心应用场景早期筛查与并发症诊断：突破“肉眼识别”的局限糖尿病视网膜病变（DR）、糖尿病肾病（DN）、糖尿病足等并发症是致残致死的主因，早期筛查对改善预后至关重要。AI在影像诊断领域的优势尤为突出：通过分析眼底照片，AI模型可自动识别微动脉瘤、渗出、出血等DR病变，其诊断准确率已接近三甲医院专科医生水平（AUC达0.95以上）；基于尿液白蛋白肌酐比（ACR）和估算肾小球滤过率（eGFR）数据，机器学习算法可提前12-18个月预测DN的发生风险，较传统肾活检等有创检查更易普及。例如，某AI企业开发的“糖尿病足溃疡预测模型”，通过整合足底压力数据、皮肤温度、踝肱指数（ABI）等多模态信息，对足溃疡的预测特异性达89%，有效降低了因延误治疗导致的截肢率。AI在糖尿病诊疗中的核心应用场景个性化治疗与动态管理：从“一刀切”到“量体裁衣”糖尿病的治疗方案需根据患者血糖波动、药物反应、并发症进展动态调整。AI通过强化学习（ReinforcementLearning,RL）算法，可模拟“医生-患者”交互过程，不断优化治疗策略。例如，闭环胰岛素输注系统（“人工胰腺”）结合CGM数据与RL模型，能实时计算胰岛素输注剂量，使1型糖尿病患者血糖在目标范围内的时间（TIR）从传统的55%提升至75%以上。对于2型糖尿病患者，AI模型可根据饮食日记、运动记录和血糖数据，生成个性化的饮食运动建议，并通过智能提醒系统提升患者依从性。国内某互联网医院的“AI糖尿病管理平台”显示，经过6个月个性化管理的患者，糖化血红蛋白（HbA1c）平均下降1.8%，达标率（HbA1c<7%）从32%提升至68%。AI在糖尿病诊疗中的核心应用场景患者自我管理赋能：从“医院中心”到“家庭延伸”糖尿病管理的“最后一公里”在于患者的日常自我管理。AI聊天机器人、移动健康APP等工具通过自然语言处理（NLP）技术，可解答患者关于血糖监测、药物使用、低血糖处理等问题；基于计算机视觉的饮食识别系统，能通过拍照自动分析食物种类与分量，为患者提供精确的碳水化合物摄入建议。例如，某智能血糖仪配套的APP，不仅能实时上传血糖数据，还能结合天气、情绪、月经周期等非生理因素，生成“血糖波动影响因素分析报告”，帮助患者理解“为什么今天血糖高了”。这种“数据+智能+互动”的管理模式，显著提升了患者的参与度和自我管理能力。03糖尿病诊疗数据隐私风险的多元来源与深层挑战糖尿病诊疗数据隐私风险的多元来源与深层挑战AI在糖尿病诊疗中的价值实现，以数据开放与共享为前提。然而，医疗数据的敏感性（直接关联个人健康、身份、经济状况）与AI模型对海量数据的依赖，使得数据隐私风险贯穿于“采集-传输-存储-使用-共享”全生命周期。这些风险不仅威胁患者个人权益，更可能导致医疗机构面临法律诉讼、声誉受损，甚至阻碍AI技术的临床推广。数据采集环节：隐私边界的模糊与知情同意的虚化糖尿病诊疗数据的采集具有“多源、高频、实时”的特点，涵盖医疗机构内的电子病历、检验检查结果，以及患者自用的可穿戴设备、血糖仪、健康APP等。采集环节的隐私风险主要体现在两方面：一是“过度采集”与“目的外使用”。部分AI项目为追求模型精度，采集了与诊疗无关的数据（如患者的社交媒体行为、购物记录等），或在未明确告知用途的情况下，将数据用于商业营销、保险定价等目的。例如，某智能血糖APP的用户协议中，虽声明“数据仅用于健康管理”，但实际却与保险公司共享用户数据，导致部分高风险患者面临保费上浮甚至拒保。数据采集环节：隐私边界的模糊与知情同意的虚化二是“知情同意”的形式化。传统医疗知情同意强调“书面同意”，但在AI场景下，数据使用场景复杂、动态变化，患者难以理解“同意”的实质内容。例如，某AI糖尿病风险预测项目要求患者在入院时签署“数据授权书”，其中包含“数据用于AI模型训练与第三方合作研究”等模糊条款，患者因缺乏专业知识而无法真正行使“选择权”，实质上沦为“被同意”的对象。数据传输与存储环节：技术漏洞与安全防护不足糖尿病数据在传输与存储过程中，面临被窃取、篡改、泄露的风险。传输环节，若采用非加密通道（如HTTP协议），数据在传输过程中可能被中间人攻击（MITM）截获；存储环节，若采用明文存储或弱加密算法，一旦服务器被攻破，海量敏感数据将面临“裸奔”风险。2022年全球医疗数据泄露事件统计显示，糖尿病相关数据泄露占比达18%，主要攻击手段包括：医疗机构内部人员违规拷贝数据（占比35%）、第三方服务商系统漏洞（占比28%）、勒索软件攻击（占比22%）。例如，美国某糖尿病管理平台因云存储配置错误，导致超过10万患者的血糖数据、身份证号、联系方式等在暗网被售卖，造成恶劣的社会影响。在国内，某三甲医院的AI糖尿病诊疗系统也曾因数据库权限设置不当，导致住院患者的血糖曲线、用药记录被内部人员非法查询并用于商业交易。数据传输与存储环节：技术漏洞与安全防护不足（三）数据使用与共享环节：模型训练中的“隐私泄露”与“数据滥用”AI模型训练需要大量数据“投喂”，但直接使用原始数据可能导致患者隐私泄露。即使经过脱敏处理，仍可能通过“链接攻击”（LinkageAttack）重新识别个人身份——例如，通过结合公开的人口统计数据（如年龄、性别、居住地）与脱敏后的血糖数据，攻击者可关联到特定患者。此外，数据共享是AI模型优化的关键，但共享过程中的“责任转嫁”与“权责不清”问题突出。部分医疗机构为快速提升模型性能，将数据共享给商业AI企业，但未明确数据使用范围、安全责任及收益分配，导致企业可能将数据用于训练通用模型并对外销售，或因自身安全防护不足引发数据泄露。例如，某高校与AI企业合作的糖尿病风险预测项目，企业方在未签订数据保密协议的情况下，将共享数据存储在个人电脑中，导致数据因硬盘被盗而泄露。患者隐私自主权的现实困境：信息不对称与维权成本高在AI诊疗场景中，患者处于“信息弱势”地位：一方面，缺乏对数据采集目的、使用方式、风险后果的了解，难以做出理性决策；另一方面，即使发现隐私泄露，也面临维权难、举证难、成本高的问题。例如，某患者怀疑其智能血糖APP泄露数据导致频繁接到糖尿病相关保健品推销电话，但因APP后台数据加密，患者无法获取证据，最终只能放弃维权。更深层次的挑战在于“隐私保护与诊疗效果”的平衡。若过度强调隐私保护（如严格限制数据使用），可能导致AI模型训练数据不足，影响诊疗准确性；若为追求诊疗效果而放宽数据共享，则可能加剧隐私泄露风险。这种“两难选择”使得数据隐私保护成为AI在糖尿病诊疗中落地应用的“阿喀琉斯之踵”。04技术与管理协同：构建数据隐私保护的多维屏障技术与管理协同：构建数据隐私保护的多维屏障面对糖尿病诊疗数据隐私风险的复杂性与系统性，单一技术或管理手段难以奏效。唯有通过“技术赋能、制度约束、流程优化”的协同，构建覆盖全生命周期的隐私保护体系，才能在释放数据价值与保障隐私安全之间找到平衡点。技术层面：隐私计算与数据安全技术的创新应用隐私计算技术是实现“数据可用不可见”的核心，通过数学方法保证数据在“使用中不泄露”，为AI模型训练与数据共享提供技术支撑。在糖尿病诊疗场景中，以下技术已展现出显著应用价值：1.联邦学习（FederatedLearning）：数据“不动模型动”联邦学习是一种分布式机器学习框架，其核心思想是“数据保留在本地，仅交换模型参数”，避免原始数据集中存储与传输。在糖尿病多中心研究中，可采用联邦学习模式，由各医院作为“客户端”在本地训练模型，仅将加密的模型参数上传至中心服务器进行聚合，最终得到全局模型。例如，某国家级糖尿病研究项目联合全国30家三甲医院，通过联邦学习构建了覆盖10万患者的糖尿病并发症预测模型，模型AUC达0.92，且全程未共享原始患者数据，有效降低了数据泄露风险。技术层面：隐私计算与数据安全技术的创新应用2.差分隐私（DifferentialPrivacy）：为数据添加“可控噪声”差分隐私通过在查询结果或模型参数中添加经过精心设计的噪声，使得攻击者无法通过多次查询推断出特定个体的信息。在糖尿病数据发布中，可采用差分隐私技术，对统计结果（如不同年龄段的平均血糖值）或模型参数（如神经网络权重）进行加噪处理，确保“个体数据的存在与否不影响查询结果”。例如，某疾控中心在发布区域糖尿病流行病学数据时，采用ε-差分隐私（ε=0.1），在保证数据统计意义的同时，使攻击者识别特定患者身份的概率低于0.1%。3.安全多方计算（SecureMulti-PartyComputation技术层面：隐私计算与数据安全技术的创新应用,SMPC）：在不泄露数据的前提下联合计算安全多方计算允许多方在不泄露各自私有数据的前提下，共同完成计算任务。在糖尿病联合诊疗中，若两家医院需合作训练模型，可采用SMPC协议，通过密码学方法（如秘密共享、混淆电路）对数据进行加密计算，最终仅输出模型结果，而不暴露原始数据。例如，某省人民医院与某医科大学附属医院通过SMPC技术，联合构建了妊娠期糖尿病预测模型，双方数据全程加密传输与计算，模型准确率达89%，且符合《个人信息保护法》对数据本地化处理的要求。技术层面：隐私计算与数据安全技术的创新应用4.同态加密（HomomorphicEncryption）：直接在密文上计算同态加密允许对加密数据进行计算，得到的结果解密后与对明文计算的结果一致。在糖尿病云端AI诊疗中，患者数据可在本地加密后上传至云端，云端模型直接在密文上运行，返回密文结果，再由本地解密。例如，某智能医疗云平台采用部分同态加密（如Paillier加密算法）处理患者血糖数据，云端模型可在不解密的情况下完成血糖趋势分析，既利用了云端算力，又保证了数据隐私。技术层面：隐私计算与数据安全技术的创新应用区块链技术：构建可信的数据共享与溯源体系区块链的分布式账本、不可篡改、智能合约等特性，可为糖尿病数据共享提供可信基础设施。通过将数据访问记录、模型训练日志、共享协议等上链存证，实现数据全生命周期的可追溯；利用智能合约自动执行数据访问权限控制与收益分配，减少人为干预。例如，某区域糖尿病数据共享联盟采用区块链平台，患者通过数字身份自主授权数据使用，医疗机构每次访问数据均生成上链记录，患者可实时查看数据流向，并对违规访问行为进行追溯。管理层面：制度流程与组织保障的协同优化技术是隐私保护的“硬约束”，管理则是“软保障”。在糖尿病AI诊疗项目中，需通过建立完善的制度体系、优化管理流程、强化组织责任，将隐私保护要求嵌入数据全生命周期。管理层面：制度流程与组织保障的协同优化建立数据分级分类与权限管理制度根据《数据安全法》《个人信息保护法》要求，对糖尿病诊疗数据进行分级分类：核心数据（如基因信息、住院病历）列为“敏感个人信息”，严格限制处理；重要数据（如血糖监测数据、用药记录）列为“重要数据”，实行加密存储与访问审批；一般数据（如人口学统计信息）列为“普通数据”，按常规流程管理。同时，实施“最小权限原则”，明确不同角色（医生、研究人员、AI工程师）的数据访问权限，并通过身份认证、访问控制、操作日志等技术手段实现权限动态管控。例如，某医院AI中心规定，研究人员仅可访问脱敏后的聚合数据，如需使用原始数据，需经伦理委员会审批并签署《数据使用保密协议》，且数据访问行为全程留痕。2.强化隐私影响评估（PrivacyImpactAssessment,P管理层面：制度流程与组织保障的协同优化建立数据分级分类与权限管理制度IA）隐私影响评估是指在项目启动前，系统评估数据处理活动对个人隐私的风险，并提出应对措施。在糖尿病AI诊疗项目中，PIA应覆盖以下环节：-目的评估：明确数据采集、使用的合法、正当、必要目的，剔除与诊疗无关的数据采集需求；-风险识别：分析数据全生命周期中可能存在的泄露风险（如传输未加密、内部人员滥用）；-措施设计：针对风险制定技术与管理措施（如采用联邦学习、签订数据保密协议）；管理层面：制度流程与组织保障的协同优化建立数据分级分类与权限管理制度-效果验证：通过渗透测试、合规审计等方式验证措施有效性。例如，某AI企业在开发糖尿病管理APP前，开展了为期3个月的PIA，发现其饮食识别功能存在图像数据泄露风险，遂调整了图像存储策略（本地加密处理，仅上传特征向量），并通过了国家信息安全等级保护三级认证。管理层面：制度流程与组织保障的协同优化构建数据安全事件应急响应机制制定数据泄露事件应急预案，明确事件报告、研判、处置、恢复、问责的流程与责任分工。对糖尿病诊疗数据安全事件，需做到“早发现、早报告、早处置”：-监测预警：部署数据泄露防护（DLP）系统，对异常数据访问、外发行为进行实时监控；-事件上报：建立内部上报通道（如安全热线）与外部监管报告机制（如网信办、卫健委）；-处置止损：立即隔离受影响系统，封堵泄露渠道，通知受影响患者并采取补救措施（如冻结账户、提供信用监控）；-复盘改进：分析事件原因，优化安全策略与流程。例如，某医院在发现内部人员非法查询患者数据后，2小时内启动应急预案，封禁违规账号，联系48名受影响患者并致歉，3天内完成系统漏洞修复，1个月内完成全员数据安全培训。管理层面：制度流程与组织保障的协同优化加强人员培训与患者隐私教育隐私保护的核心是“人”，需从医护人员、AI研发人员、患者三个群体入手：-医护人员：定期开展数据安全与隐私保护培训，重点讲解《个人信息保护法》要求、医院数据管理制度、违规案例警示，强化“谁经手、谁负责”的责任意识；-AI研发人员：将隐私保护技术（如差分隐私、联邦学习）纳入技术培训，要求在模型设计阶段即嵌入隐私保护要求（PrivacybyDesign）；-患者：通过通俗易懂的方式（如短视频、宣传手册）告知数据采集目的、使用方式、权利义务，提供便捷的隐私授权与撤回渠道（如APP内的“隐私管理中心”）。例如，某社区糖尿病管理项目在患者入组时，采用“知情同意+互动问答”模式，确保患者理解“哪些数据会被采集”“数据如何被使用”“如何撤回授权”，患者隐私知识知晓率从培训前的41%提升至89%。05伦理与法律框架：隐私保护的合规基石伦理与法律框架：隐私保护的合规基石数据隐私保护不仅是技术与管理问题，更是法律与伦理问题。在糖尿病AI诊疗领域，需通过完善法律法规体系、强化伦理审查、落实行业自律，为隐私保护提供“刚性约束”与“价值引导”。国内外相关法律法规的衔接与落地近年来，全球范围内针对医疗数据隐私保护的法律法规日趋完善，为糖尿病AI诊疗提供了合规指引：-国际层面：欧盟《通用数据保护条例》（GDPR）将健康数据列为“特殊类别个人数据”，要求处理时需获得“明确同意”，并赋予数据主体“被遗忘权、数据可携权”；美国《健康保险流通与责任法案》（HIPAA）规范了受保护健康信息（PHI）的使用与披露，要求医疗机构采取“合理与适当”的安全措施；世界卫生组织（WHO）《全球糖尿病报告（2021）》强调，AI应用需“以患者为中心”，平衡创新与隐私保护。-国内层面：《中华人民共和国个人信息保护法》（2021）明确“健康医疗信息”属于敏感个人信息，处理需满足“单独同意、书面同意”等严格要求；《数据安全法》（2021）要求数据处理者开展风险评估、国内外相关法律法规的衔接与落地采取安全措施；《医疗卫生机构网络安全管理办法》（2019）规定，医疗数据需按“保密级、内部级、公开级”分类管理，重要数据需本地存储；《人工智能医疗器械注册审查指导原则（2022）》明确，AI产品需提交“隐私保护与数据安全验证报告”。在糖尿病AI诊疗实践中，需特别注意法规的“落地衔接”：例如，跨境数据传输（如国内医院与国外AI企业合作）需通过安全评估；患者“撤回同意”后，需及时删除相关数据或停止使用；AI模型的“自动化决策”不得对患者权益产生不利影响（如仅因血糖数据异常拒绝提供保险服务）。伦理原则在AI诊疗中的刚性约束医学伦理是医疗实践的“灵魂”，在AI赋能糖尿病诊疗中，需坚守以下伦理原则，并将其转化为可操作的隐私保护规范：伦理原则在AI诊疗中的刚性约束知情同意原则：从“形式同意”到“实质同意”04030102传统“一刀切”的知情同意难以适应AI场景的动态性，需探索“分层、分阶段、可撤回”的同意机制：-分层同意：将数据使用分为“基本诊疗”“模型训练”“科研合作”等层级，患者可自主选择同意范围；-分阶段同意：在数据采集、模型迭代、用途变更等关键节点重新获取同意；-可撤回同意：患者随时可通过APP、客服等渠道撤回授权，医疗机构需在15个工作日内完成数据处理。伦理原则在AI诊疗中的刚性约束最小必要原则：数据采集与使用的“量体裁衣”严格限制数据采集范围与使用目的，仅收集与诊疗直接相关的“最小必要数据。例如，AI血糖管理APP仅需采集血糖数据、饮食记录等必要信息，不得索要通讯录、位置信息等无关数据；模型训练时，需对数据进行“去标识化”处理，移除姓名、身份证号等直接标识符，仅保留与诊疗相关的间接标识符（如年龄、性别）。伦理原则在AI诊疗中的刚性约束可解释性原则：AI决策的“透明化”与“可追溯”AI模型的“黑箱特性”可能隐藏数据使用逻辑，增加隐私泄露风险。需通过可解释AI（XAI）技术，向患者与医生解释“AI为何建议调整用药”“数据如何影响预测结果”，并保留模型训练与决策的完整日志，确保隐私保护措施可验证、可追溯。伦理原则在AI诊疗中的刚性约束公平性原则：避免“算法歧视”导致的隐私不公需警惕AI模型因训练数据偏差（如特定年龄、种族群体数据不足）导致的隐私保护不公。例如，若糖尿病风险预测模型主要基于中年人群数据训练，可能导致老年患者的隐私保护不足。应通过“数据增强”“算法公平性约束”等技术手段，确保不同群体的隐私保护权益均等。行业自律与患者赋权的双向互动在法律法规与伦理框架之外，行业自律与患者赋权是隐私保护的重要补充。-行业自律：推动医疗机构、AI企业、科研机构成立“糖尿病AI数据安全联盟”，制定《糖尿病诊疗数据隐私保护公约》，明确数据共享标准、安全责任、违规惩戒机制；定期发布隐私保护最佳实践案例，促进行业交流。-患者赋权：建立“患者数据权利实现平台”，方便患者查询数据使用记录、行使被遗忘权、数据可携权；鼓励患者参与隐私保护政策制定，通过“患者代表”参与医院伦理委员会审查，确保政策制定“以患者为中心”。06未来展望：在创新与安全间寻求动态平衡未来展望：在创新与安全间寻求动态平衡AI在糖尿病诊疗中的应用方兴未艾，数据隐私保护也面临新的挑战与机遇。展望未来，需从技术创新、政策完善、生态构建三个维度，持续优化隐私保护体系，实现“技术创新”与“隐私安全”的动态平衡。技术创新：隐私保护技术的“智能化”与“轻量化”未来隐私计算技术将向“高效、低门槛、场景化