AI会取代寄生虫学家吗？

47%。这是寄生虫学家面临的AI暴露评分——适中，且暴露高度集中在特定任务上，而定义这门学科的工作基本上不受影响。

寄生虫学家研究寄生虫——原生动物、蠕虫、体外寄生虫，以及它们在人类、牲畜、野生动物和水产养殖中引起的疾病。BLS没有专门针对寄生虫学家的职业代码，因此我们参考最接近的类比：医学科学家（预计2034年前就业增长+11.5%）和微生物学家（+5.5%增长）。热带病防控、食品安全、兽医寄生虫学和新兴人畜共患病研究都在增长，因此寄生虫学的实际需求前景要更为细致。

本文将告诉你AI已经在重塑寄生虫学工作的哪些部分、哪些部分不会受到触及，以及未来十年这一领域的走向。

47%暴露评分涵盖的范围

在职寄生虫学家的工作通常包括：显微镜检查和标本鉴定、分子诊断（PCR、测序）、流行病学数据分析、野外工作（样本采集，通常在挑战性环境中）、动物或体外培养工作、药物疗效测试、公共卫生沟通以及科学写作。47%的暴露评分对这些任务加权，而权重说明了很多问题。

显微镜检查和标本鉴定具有高AI暴露——可能是任何传统寄生虫学任务中最高的。针对粪便、血液或组织样本中常见寄生虫的图像识别系统，在最重要临床生物体（疟原虫、贾第鞭毛虫、隐孢子虫、常见蠕虫卵）的精心策划数据集上已达到89-96%的准确率。对于常规临床诊断实验室，这意味着台式技术员的工作正在快速转变。

分子诊断具有中等暴露。实验室规程本身越来越自动化，但解读结果与临床病史的关系、设计针对新靶点的检测方法，以及验证新诊断方法，都需要寄生虫学家的判断。

野外和临床研究暴露较低。在野外采集样本、询问患者暴露史、设计干预试验、与受影响社区合作——这些是应用寄生虫学的核心，不受当前AI影响。

AI已经改变工作的地方

诊断实验室是AI以严肃方式进入寄生虫学的第一个地方，影响是实质性的。几个主要参考实验室和医院系统已经部署了自动化显微镜系统用于疟疾诊断，这些系统可以扫描血膜、计数寄生虫，并以可与有经验技术员相媲美的精度识别物种。在高通量环境中，这已减少了技术员级别的人员需求——尽管具有更高级培训的寄生虫学家仍然需要处理非典型案例、质量保证和方法验证。

类似系统正在出现，用于粪便虫卵和寄生虫检查（临床寄生虫学的基础工作）。新一代设备使用共聚焦或全息成像结合深度学习，对最常见目标的敏感度和特异度往往超过人工阅读者。在全球范围内，采用情况参差不齐——高资源临床实验室发展迅速，而流行地区的社区级实验室大多仍在手工操作。

在流行病学领域，结合环境和气候数据的地理空间模型正在产生更好的疾病分布和爆发风险预测。WHO、CDC等机构正在使用这些模型指导干预部署。在这一领域工作的寄生虫学家越来越多地与数据科学家合作，或自己培养数据科学技能。

AI不触及工作的地方

AI不显著影响的寄生虫学部分往往是定义什么使人成为寄生虫学家而非实验室技术员的部分。

分类学和生物学判断。 认识到不寻常的发现可能代表新物种、被错误识别的已知物种或人工产物，需要对相关生物体及文献的深刻熟悉。当前AI系统可以标记候选对象，但判断某样东西实际上是什么——尤其是对于研究较少的类群——仍然依赖人类专家。寄生虫的分类学混乱复杂，有隐蔽种、复杂生活史和频繁的重新分类，能够驾驭这一领域的人非常受重视。

研究设计。 无论是新药临床试验、流行病学调查还是寄生虫生物学基础研究项目，设计决策都是智识上深刻且后果重大的。选择终点、制定采样策略、设计对照、预测混淆因素——这决定了研究是否产生有用知识。目前没有工具能做这项工作。

One-Health整合。 现代寄生虫学越来越多地跨越人类、动物和环境健康工作。人畜共患病爆发（从动物传播至人类的寄生虫）、水产养殖寄生虫学、野生动物疾病生态学——这些需要跨多个领域、监管和政策背景以及利益相关者沟通的综合性思维。这种复杂性远超当前AI的能力。

与受影响社区沟通。 大量应用寄生虫学发生在寄生虫造成真实痛苦的社区中——撒哈拉以南非洲的血吸虫病、拉丁美洲的恰加斯病、全球的土源性蠕虫病。有效的干预需要理解当地条件、建立信任，并与社区卫生工作者合作。这从根本上是人类的工作。

工作实际在哪里

纯学术寄生虫学——研究型大学的终身教职职位——竞争激烈且并未真正增长。

寄生虫学就业的增长部分在其他地方：

政府公共卫生机构持续招聘——CDC、NIH、FDA、州卫生部门及其国际同等机构。热带病研究、监测和爆发响应是需求稳定或增长的领域。

兽医寄生虫学随着对伴侣动物和牲畜寄生虫病认知的提高而增长。兽医诊断实验室、开发动物健康产品的制药公司以及州农业机构都雇用寄生虫学家。

水产养殖寄生虫学是一个较小但快速增长的领域。随着水产养殖的发展，鲑鱼养殖中的海虱、虾养殖中的寄生虫病，以及鱼类养殖干预措施的开发已成为商业重点。训练有素的水产养殖寄生虫学家相对于需求而言数量稀少。

诊断测试开发领域——生产PCR试剂盒、快速诊断测试和基于显微镜设备的公司——为检测设计、验证和临床事务雇用寄生虫学家。这些职位的薪酬通常优于学术替代方案。

现在应该怎么做

如果你是寄生虫学的研究生或博士后，实际建议与我们在许多相邻生物学领域给出的建议类似。

有意识地培养计算技能。 你不需要成为生物信息学家，但你应该对序列分析工具、基本的Python或R数据分析以及统计方法足够熟练，能够有效地与计算专家合作。能够进行自己的初级数据分析的寄生虫学家比不能的人更有效率，也更具就业竞争力。

积累跨学科经验。 曾与流行病学家、兽医、生态学家或社会科学家合作过的寄生虫学家，比只在自己狭窄子领域内工作的人更有价值。

如果可能，争取野外工作经验。 曾在疾病流行地区工作过的寄生虫学家拥有很难在职业生涯后期获取的资历和视角。许多资助机构和雇主高度重视这种经验。

认真考虑应用路径。 传统学术路径是一个选择，而非唯一的好选择。政府公共卫生、兽医寄生虫学、诊断行业和全球卫生NGO都提供需求增长、工作与生活平衡往往优于学术职位的真实职业。

诚实的总结

2035年的寄生虫学将与今天不同，但它仍然会存在。在资源丰富的实验室中，诊断技术员工作将随着自动化扩展而继续整合。更高层次的寄生虫学工作——研究、监测、干预开发、应用全球卫生——将适度增长，并需要比上一代更多的计算流利度。这一领域规模小，但它不会消失。

47%的暴露评分有意义，但并非灾难性的。暴露的任务不是定义寄生虫学家实际工作的任务。判断力、野外经验、跨学科整合、与受影响社区的沟通——这些才是真正的工作，而在可预见的未来，它们将留在人类手中。

---

方法说明：暴露评分遵循Eloundou等人（2023年）GPT影响框架，通过任务级分析应用于科学职业。就业增长数据来自BLS 2024-2034年就业预测（医学科学家19-1042和微生物学家19-1022作为参考）。诊断AI准确率数据来自2020-2024年同行评审临床验证研究。[估计]标签表示综合数据；[事实]标签表示原始来源数据；[主张]标签表示未经独立核实的已发表主张。