醫療江湖來了位AI醫生
“ 低門檻、便捷、精準——AI正在把第二意見帶給每一位患者。”
文 | 王子
出品 | 極新
DeepSeek不僅能算卦，還能看病。
這聽上去有點荒誕，但AI輔助診斷正從“玩票”逐漸變成“真刀真槍”的臨床工具。
醫生們的態度卻分成了兩派。有人認為這未嘗不是好事——如果患者能通過AI更科學、詳細地了解病情，至少比在搜索引擎里胡亂查靠譜得多；另一派醫生則顯得謹慎：病人可以試錯，AI也可以出錯，但真正要簽在病歷上的名字，是醫生的。
資本市場顯然沒有這種顧慮。僅過去兩年，英偉達就投了十幾家AI+醫療公司，從硬件到算力再到應用，一條完整的產業鏈已然搭起。
與此同時，AI的診斷能力也在逼近甚至超越醫生，國內外醫療大模型層出不窮。
潮水已起，速度比想象中更快。
但落地到現實，中國醫療界的矛盾也非常刺眼�；颊邜跘I，因為它意味著低門檻、便捷、便宜；醫生則更加謹慎，因為那背后可能是風險、責任。再加上數據壁壘和監管紅線的模糊，AI診斷的熱鬧表演離真正進入臨床，仍橫亙著幾道硬骨頭。
因此問題也就來了：當AI診斷越來越強、甚至部分超過醫生的時候，中國的AI醫療企業究竟要靠什么突圍？
01三大階段：AI輔助診斷演進-Step1 醫學影像識別——干體力勞動的AI
AI第一次走進醫院，是從影像科開始的。十年前，深度學習剛剛興起，醫學界率先把它拉到讀片室里，幫醫生識別X光、CT和MRI上的細微病灶。
AI之所以從這里起步，并不難理解：影像數據標準化程度高、數量龐大，非常適合用來訓練模型；而影像科醫生長期面臨看片量大、出錯風險高的壓力，AI的效率優勢立顯；加之老齡化社會的到來與醫療資源分布的不均衡，使醫學影像領域長期存在供需缺口，也為AI醫療影像的快速發展奠定了現實基礎。
于是，“AI讀片”成了AI+醫療的第一個落地場景。從肺結節到腦出血，從乳腺腫瘤到糖尿病視網膜病變，AI影像診斷不斷取得突破。
目前，AI已經在醫學影像工作全流程的各環節發揮作用，體現在檢查前、檢查中及檢查后各個階段，在改進影像檢查的流程、自動勾畫放療靶區及受累器官、圖像質量優化、結構化報告等方向均起到了重要作用。
國內統計顯示，截至2024年6月，全國已有100多家三甲醫院在放射科、病理科等多個科室引入了AI輔助診斷系統，醫生的漏診率、誤診率顯著拉低，效率卻拉高了一個量級。
近年來，國務院、藥監局、衛健委、工信部等部門密集出臺政策，推動國產醫學影像設備發展，并鼓勵人工智能在多類醫學影像場景中落地，為AI醫療影像提供了堅實的制度支撐。截至2024年7月，國家藥監局已批準99個三類證，涵蓋輔助診斷與輔助治療兩大方向，應用領域涉及心血管、腦血管、肺部、骨折/骨齡、眼底等，展現出多元迅速的增長態勢。
可以說，這一階段的AI，是醫院里最早的體力勞動者，干的就是重復但關鍵的識別工作。
-Step2 智能分診與輔助預診——AI學會“對話”
不過，影像只是醫院里的一個環節。隨著自然語言處理（NLP）和知識圖譜技術的成熟，AI開始介入就診前的流程。
典型的場景是AI導診。很多患者掛號時都會遇到尷尬：頭疼該去神內還是普內？肚子疼到底該掛消化科還是普外？AI導診系統則能通過多輪問答，快速梳理患者癥狀，并匹配合適的科室和醫生，顯著降低掛錯號的概率。
以百度健康“AI智慧門診”為例，該系統的“智能加號”功能在武漢協和醫院上線一個月內，就為300多名患者提供了加號機會，其中超過70%的患者為需要緊急手術治療的腫瘤病人。
對患者來說，這是實實在在的“救命加號”。而對醫院來說，這套系統緩解了分診壓力，讓真正危急的病人能更快找到合適的專家。
當前，中國醫療機構已在全國34個省市的近10000家醫院部署了大模型驅動的智能導診和輔助預診服務 ；騰訊覓影的影像AI也已覆蓋500余家機構，累計輔助近1000萬人次醫學檢查。
今年3月，阜外深圳醫院上線了基于小程序的全流程智能導診服務，覆蓋掛號、繳費、就診、檢查、住院等環節，并提供 7×24 小時在線響應，相當于為患者配置了一位“AI就診管家”。該服務全面運行后，在人力不增加的情況下，醫院 2025 年前兩個月門診量提升 14.7%，患者平均候診時間由約 35 分鐘縮短至 18 分鐘，在一定程度上緩解了大城市醫院“人滿為患”的壓力。
這一階段的意義在于，AI不再只是醫生的工具，而是直接介入就診流程，成為“分流患者、優化效率”的助手。
-Step3 大模型驅動的個性化診斷——AI智庫
進入第三階段，AI已經走到醫生的辦公桌前，開始參與真正的診療決策。
這一階段的核心，是大模型。不同于過去在影像或分診場景的單點突破，大模型具備跨學科、跨模態的整合能力，能同時調用病例、醫學文獻、診療指南、傳感器數據，生成高度個性化的診療建議。
從技術發展的角度來說，AI獨立診斷的難點在于醫療本身的特殊性。即便是經驗豐富的醫生，在面對病例時也常會遇到三種情況：有明確答案、暫時沒有答案，或存在多個可能答案。這一過程包含極其復雜的思考鏈條，而這正是當前AI獨立診斷必須跨越的核心障礙。
從現實情況來看，這一問題或許有了初步解決方案。
一方面，通過大量醫學資料訓練多模態模型，使其能夠基于已有病理和診斷數據建立基礎能力，從而顯著提升多模態學習的準確率；另一方面，借助假設驗證方法，模型模擬醫生的推理路徑，構建問診—診斷—結論的稀疏數據，并將其與真實臨床流程結合，實現對復雜病例的診斷能力增強。
國內外的大模型都紛紛發力。國內的MedGPT、訊飛星火醫療版更是號稱在醫療問答里超越了GPT-4；微軟最新推出的 AI 診斷工具 MAI-DxO 則在復雜病例診斷中表現驚人：在基于《新英格蘭醫學雜志》記錄的 304 個病例測試中，MAI-DxO 的診斷準確率達到 85.5%，超過 21 位資深醫生的平均水平，同時， MAI-DxO 能夠像真實醫療場景中，一步步通過患者主訴后問診，并最終給出診斷——該系統有望真實地部署在醫療環境中。
左上角代表“高準確、低成本”的理想區，微軟 MAI-DxO（紫線）遙遙領先，人類醫生平均水平（紅叉）相距甚遠。
這些模型不止能“讀片”“分診”，還能綜合病例、指南、科研論文，甚至患者的生活方式，生成個性化的診療建議。
總的來說，從“看圖說病”到“聽診問病”，再到“大模型問診”，AI輔助診斷正經歷從工具化到平臺化的躍遷。
AI不再只是“助手”，而是醫生的智囊團，甚至是患者的“第二意見”。
02盤點：中國本土實踐案例
中國科技巨頭和創新企業紛紛落子醫療AI，各類案例層出不窮：
百度健康：AI智慧門診
百度健康推出了“AI智慧門診”系列產品，集成了AI圖像閱讀、智能導診、自動化病歷等功能。
百度健康在武漢協和醫院應用的AI“智能加號”功能，一個月內為300多名乳腺外科患者提供了加號服務，有效提高了腫瘤患者的就診速度。百度還與多家醫院合作部署了AI輔助影像系統，用于肺結節、糖尿病視網膜病變等高發病種的篩查，幫助醫生快速鎖定疑似病灶。
百度云已表示將持續推進多項大模型應用場景，從分診、預診一直延伸到診后隨訪。
科大訊飛：智醫助理與星火大模型
訊飛醫療子公司發布了“訊飛智醫助理”等智能診療系統，為基層醫生提供語音記錄病歷、快速決策建議等服務。據公司介紹，智醫助理能覆蓋1400種疾病，支持多種專業問診場景，全國已有數萬名醫生使用。
2024年發布的“訊飛星火醫療大模型”在醫療問答任務上表現優異。公司高管透露，訊飛智醫助理已經超越現有ChatGPT和GPT-4的醫療水平。未來，訊飛計劃將這些�？颇芰φ系酵ㄓ么竽Ｐ椭校屆课黄胀ㄓ脩舳寄軗碛薪】殿檰�。
與此同時，訊飛與各大醫院合作，打造了如“心臟超聲診斷決策系統”“西部心病腦梗模型”“貴州云嶺民族醫學模型”等一系列專病或專項醫學大模型。這些項目展示了依托中國人群和臨床數據做模型開發的獨特優勢。
騰訊覓影與騰訊健康：影像AI與智能導診
騰訊覓影在醫療影像領域深耕多年，迄今已在中國500余家醫院部署AI診斷工具，輔助放射科醫生篩查肺結節、乳腺癌、糖尿病視網膜病變等疾病 。
騰訊云推出了“混元大模型”系列，應用于患者全流程服務：北醫三院通過騰訊AI小程序，實現了從掛號、報告查詢到醫療咨詢的一站式AI問答；深圳羅湖醫院集團甚至將DeepSeek和騰訊大模型結合，開發“AI臨床助手”為重癥患者提供病情分析和診療建議。
5月舉辦的騰訊AI峰會還發布了“健康管理助手”智能體，能夠自動解讀體檢報告、識別健康風險，為用戶制定動態健康計劃。
騰訊通過移動端和云服務，積極將大模型能力嫁接到健康管理、輔助問診和院內運營各環節。
深睿醫療：全流程AI數智化
作為國內醫療AI的領先獨角獸企業，深睿醫療近期完成近5億元新一輪融資。
公司圍繞“多模態、大場景”的技術架構，為上千家醫院和機構提供從健康管理、AI輔助診斷到臨床決策支持、慢病篩查等全流程服務。
深睿旗下產品包括影像輔助、數字化病理、病案質量控制、智能問診等，累計年使用量近2億次 。官方介紹其AI系統已在全國30余個省市落地應用，幫助醫生提升診療效率和準確度、為患者提供更精細化的健康管理。
這種“全場景布置”的模式，是小規模創新公司在醫療AI領域的一種成功實踐。
其他創新團隊與大模型：
阿里巴巴達摩院等也積極布局醫療AI。2025年6月，阿里聯合高校等團隊發布了“ReasonMed”開源醫學推理數據集和7億參數的推理模型，7B模型在多項醫學問答測試中表現優于更大規模模型，證明了“高質量數據勝過單純擴大模型規模”的原則 。
開源組織百川智能發布的BaichuanM2模型（7B參數）也在HealthBench測試中以60.1分力壓OpenAI的120B模型（57.6分）。
此外，醫渡云等公司開發了針對中國人群的罕見病診療AI模型，2025年全國首個罕見病AI大模型“協和·太初”已經進入臨床試點，有望縮短罕見病確診時間。
國內“小模型+大數據+專業知識”模式的可行性正在被大家看到。
03痛點：本土落地
盡管進展喜人，AI落地醫療仍面臨多重難題。
醫生和患者信任難題。AI診斷常是典型的黑盒操作，醫生看不到算法的推理鏈條，患者更無法理解AI建議的依據。“知其然，更要知其所以然”，只有算法可解釋、結果透明，醫生才敢放心開處方，患者才敢信任建議。缺乏信任，臨床采納率自然低迷，AI再牛也只是紙上談兵。
數據閉環難以打通。中國醫療數據高度分散，病歷、影像、檢驗各自為陣，醫院內部系統標準不一，中小機構的數據更是零散無章。再加上監管對敏感醫療數據保護嚴格，同時利益分配不明晰，“不愿、不敢、不能”共享數據成常態。沒有完整閉環，AI無法持續迭代優化，也難以覆蓋患者全程。
責任歸屬尚不明確。當AI輔助診療出現誤診或漏診，法律上誰背鍋？是算法開發者、設備廠商，還是使用AI的醫生？國內外案例顯示，這種不確定性讓醫療機構對引入AI步步謹慎。解決方案顯而易見：完善法規、明確責任劃分、建立可追溯審計機制，否則再先進的算法也難以上崗。
其他挑戰。算法偏見、樣本不足導致的“幻覺”、醫院運營模式與醫保支付體系尚未完全適配AI模式……種種問題交織在一起，像一張復雜的蜘蛛網。
04趨勢判斷：大模型+小模型的融合之路
市場機構預計，到2025年末，全球人工智能應用市場總值將沖到1270億美元，其中醫療板塊就占了五分之一。龐大的蛋糕自然催生了各種AI醫療玩法：從急救現場的智能輔助、遠程會診，到檢驗檢查、臨床決策輔助、公共衛生服務甚至醫院管理，AI的身影正快速鋪開，“互聯網+醫療”早已成為各方共識，目標直指讓人民健康服務提檔升級。
展望未來，業內普遍認為“大模型+小模型”結合將成為主流。最新研究顯示，專業化小模型常常能甩開大而全的通用模型：阿里7B參數醫療推理模型在考試中干掉了700億參數的巨無霸；國內開源的7B模型BaichuanM2在HealthBench評測中也打敗了更大模型�？梢哉f， 模型越大不代表越牛，核心還是領域知識和數據的質量。
基于此思路，中國AI醫療的發展策略傾向于：以大模型提供通用語言理解和知識推理能力，再在流程中嵌入針對常見病、罕見病、影像判讀等小模型，形成“�？圃鰪�”的診療鏈路，實現人機協同、專項治療的閉環。比如醫聯MedGPT就把大模型和醫學知識圖譜整合，結合中國臨床指南和本土數據，做出符合本土醫療邏輯的“專科增強”服務。
可以把這個組合形象地理解為“通用醫生+�？漆t生”：大模型就像基礎科的通用醫生，閱歷廣、知識面大，負責整體診療思路和語言理解；小模型則像經驗豐富的專科醫生，精通某個領域，能精準解讀影像、分析罕見病或制定專項治療方案。兩者協作，就像團隊開會時把基礎判斷和專業意見結合起來，既不丟掉全局，也不放過細節，讓AI在臨床中發揮出最大價值。
綜合來看，未來中國醫療AI的主旋律很可能是：大模型打基礎，小模型加專業，形成多模態、多專科的組合創新。這套策略不僅能大幅降低部署成本（甚至單卡就能跑國產大模型），還更符合監管要求和醫院實際操作需求——可以說，是通向“AI醫生工業化落地”的最務實路線。
原文標題 : 醫療江湖來了位AI醫生
分享
請輸入評論內容...
請輸入評論/評論長度6~500個字
圖片新聞
