合成数据在医疗研究中展现出巨大潜力，可加速X光片等医学影像的AI分析，缓解全球放射科医生短缺问题。这类数据由算法生成，虽非真实世界采集，但模拟了真实数据的统计特征，有助于在缺乏真实数据的低收入和中等收入国家开展研究，且因匿名性更高，便于共享与协作。 然而，其广泛应用也带来显著风险。首先，尽管合成数据源自真实人类数据，但若模型迭代多次，仍存在通过反向工程识别原始个体的风险，尤其在缺乏知情同意的情况下，伦理隐患不容忽视。其次，长期依赖合成数据可能导致“模型坍塌”——即AI模型在多轮生成中逐渐脱离真实世界规律，产生虚假或无意义的结果。 当前，部分高校已允许使用合成数据的研究免于伦理审查，理由是不涉及真实受试者。但这一做法引发担忧：若缺乏独立验证机制，研究结果的可靠性难以保障。为此，专家呼吁建立透明的报告标准，要求研究者详细说明合成数据的生成算法、参数与假设，并提供可被第三方验证的方法。 世界卫生组织数据科学家齐西斯·科兹拉基迪斯建议，研究应公开其合成过程，以增强可复现性。美国密苏里大学的兰迪·福拉克提出，应像对待真实数据和代码一样，制定合成数据的报告规范，并与期刊合作推动实施。德国慕尼黑亥姆霍兹人工智能研究所的马塞尔·宾兹则强调，所有AI模型，包括其开发的“奇美拉”（Centaur）决策预测模型，都必须接受外部独立验证，以确保其科学价值。 合成数据的确能推动医疗AI发展，但其潜在风险必须正视。科研人员必须警惕“机器说对了就是对的”这一误区，坚持严谨的验证原则，才能真正实现AI赋能医疗的可持续进步。