让医疗 AI 读病历、给医生建议，风险不只是“答错了”。恶意指令也可能藏在输入或资料里，诱使模型偏离任务，甚至触及病历与外部工具。这篇 Nature 综述把安全（模型无意造成伤害）与安保（有人蓄意攻击系统）放进同一张全流程地图，回答一个更实用的问题：医疗大语言模型（LLM，基于大量文本训练的生成式模型）从研发到临床，到底要在哪些环节设防。
作者将风险对应到五个阶段：设计、数据、模型、推理和运行环境。换句话说，检查不能只盯着模型输出，还要覆盖训练数据、用户输入、连接的数据库与工具，以及真实医院工作流。综述同时梳理了从核心优化目标、知识完整性、模型对齐，到人与系统交互的多层防线，并按当前临床相关性给威胁分类、划分各方责任。它的价值不在提出一个万能修补办法，而在提供一份可沿流程逐项核对的检查框架；不过现有材料仅为论文摘要，未披露各类威胁的具体排序与缓解效果。