医疗行业算是最早一批拥抱 AI 技术行业之一。早在 2007 年，IBM 沃森 （Watson） 问世，首次将语音问答集成到了临床诊疗智能化产品中，通过挖掘医疗文献和相似病例为医生提出对症治疗建议，同时支持影像识别，在肿瘤治疗领域有显著共享。
不过，在东软集团副总裁、医疗健康事业部总经理李东看来，即便是经过了多年的发展，就国内医院拥抱 AI 能力方面，仍处于水平“ 参差不齐” 的阶段，这一方面是因为各个医院体量不同，需要能力也不尽相同；另一方面是因为各个医院在 AI，甚至数字化领域投入的不同。
不同级别医院，应用情况不尽相同
AI 的能力在医疗行业的应用主要有三个方面：一，医疗行业可以通过大模型提升医疗工作者的工作效率，进而还能弥合当下切实存在的医疗资源不平衡的问题；二，通过大模型的能力，可以降低患者在医院候诊、诊疗的时间，提升患者整体就医体验；三，通过大模型的能力，医药制造等相关领域可以提升研发新药的效率，并降低研发成本。
而对于医疗机构来说，前两个应用是其主要发力的领域，但在李东看来，目前各个级别的医院因为医院规模、属性等差异，应用大模型的场景与应用过程中遇见的挑战也不尽相同。
从规模和属性上，目前国内医院大致可以划分为三类，分别是：高校附属医院/科研型医院、市级医院，以及基层医疗机构，他们的 AI 应用情况也有所不同。
对于头部的科研型医院来说，他们在原先数字化转型过程中，就处于了领先的位置，高质量数据集较多，而李东表示，这些头部医院在智能应用创新与临床结合方面走的比较靠前。
比如，哈尔滨医科大学附属第一医院部署 DeepSeek 大模型，用于快速查阅相似病例、分析诊疗指南和药物相互作用，辅助制定个性化治疗方案；南通大学附属医院通过 DeepSeek 本地化部署，构建“ 智能客服+肺结节 AI 诊断” 系统，提升患者服务和影像分析效率；中国医科大学附属盛京医院则与东软集团紧密围绕智慧医疗、智慧服务、智慧管理、智慧医联体等方向，构建以数据为驱动的高质量发展核心引擎，建设统一数据管理平台，充分释放医疗数据价值。
综合来看，头部科研型医院具备充足的研发资金，且也有着较为丰富的场景和完善的数据体系，在 AI 技术应用方面走的比较靠前，尝试探索一些创新性场景的能力较强。
与之不同的是，对于市级医院而言，因为数字化水平参差不齐，也导致了这些“ 腰部” 医院在 AI 应用上的道路并不是很顺畅。李东告诉笔者，目前很多市级医院，或者普通三甲医院，在 AI 应用方面仍处于推广阶段，主要应用在一些导诊、分诊等基础的问答层面，与一些已经应用上辅助诊疗的头部医院相比，仍存在较大的差距，“ 目前这些医院的数字化水平也参差不齐，有一些比较好的，智能化走的比较靠前，但都还没涉及到临床阶段，以及其他更深层次的应用中。” 李东如是说。
具体来看，在腰部医院之中，也有一些 AI 应用的较为不错的案例，比如，南宁市第一人民医院心内科上线 AI 数字人服务，通过语义分析匹配亚专科专家，并自动推送用药提醒和复诊计划；浙江省肿瘤医院联合阿里达摩院发布了全球首个胃癌影像筛查 AI 模型。
而对于基层的医疗机构来说，如何以更具性价比的方式，在基层规模化应用大模型的能力，辅助医生对患者进行诊疗，并提升医生的整体水平是关键点。不过在李东看来，目前来看，即便在经济发展的较好的地区，基层医疗机构的智能化应用水平也并不能让人满意。目前大多数做的较好的基层医疗机构也仅仅停留在利用 AI 大模型进行慢性病管理/随访，基础诊疗辅助，以及远程支持与年轻医生培训等方面，也都是处于问答助手的阶段。
AI 应用仍有挑战
“ 医疗行业的特点是诊疗严肃性和过程不可逆性，这也是 AI 技术落地的难点所在。” 高博医疗集团首席信息顾问陈金雄曾在 2024 ITValue Summit 数字价值年会期间指出。
正如陈金雄所述，医疗行业因为其特殊性，在应用 AI 的过程中仍有许多问题亟待解决。在与李东的交流中，他也具体分享了医疗行业目前 AI 大模型/智能体落地过程中，所面临的挑战。
与其他行业一样，医疗行业在落地 AI 智能体应用的过程中，首先需要面对的就是数据的挑战，“ 大多数医疗的文献、数据都是英文，缺乏专业的中文语料，用于训练大模型，” 李东进一步指出，“ 且医学发展本身是动态性的，变化很快，包括一些专家的共识，这部分语料都是分散在医院的各个业务系统里。把它们形成高质量的语料去赋能大模型的应用是很大挑战。”
因此，在李东看来，医院在落地 AI 应用，首先要做的就是基础数据体系的建设，做好数据治理的工作，获取高质量的语料，用于训练垂类大模型/智能体。
其次，因为医疗机构数据涉及患者的个人隐私，敏感性较高，在李东看来，医疗机构在部署 AI 应用的过程中，本地化算力设备的采购成本也是医疗机构目前需要权衡的一个问题。
同时，医院规模越大，遭受到的数据安全、网络安全的风险也越高，“ 综合来看，如何确保在本地化部署的设备算力更高效的被调用，且确保患者数据安全是医疗机构在部署 AI 应用，甚至是数字化转型过程中面临的一个严峻的挑战。” 李东强调。
此外，模型性能越高，语料质量越高、越多，越能获得更好的效果，但高性能模型必然带来了更高的使用成本，ROI 成为阻碍 AI 医疗落地的关键。京东健康大模型的一位专家曾告诉笔者，“ 医院不能因为引入大模型产品，而导致整体的医疗成本和科研成本上升，这对于医疗机构来说不能接受。”
而这些挑战还仅是在部署 AI 智能体过程中遇见的，在应用层面，医疗机构也有一些亟待解决的问题。
现阶段，无论是哪种类型的医院，大多数医疗机构在场景深度上都存在不同程度的问题，“ 从应用层面看，很多智能应用脱离了正常的工作，是以外挂或是独立应用的方式使用的。这种方式会造成内部很多数据是割裂的，体验也是割裂的。” 李东进一步指出，“ 此时会造成，医院看着是部署了很多智能体应用，但从医生的体验来看，体验并不好，业务流程还是割裂的，而如何将这些分散的应用整合到一起，也是大多数医疗机构接下来需要面对的挑战。”
数据驱动，场景牵引是关键
面对如此多的挑战，医疗机构需要如何应对呢？李东给出了建议：数据驱动，场景牵引。
具体来看，在数据层面，医疗机构首先需要完善基础数据体系建设，做好数据治理，准备充足的行业“Know How”，用于“ 制造” 出行业智能体，正如业内共识的— 数据是大模型的“ 养料”，没有数据就训练不出行业垂类大模型。
在场景层面，目前能看到的医疗行业应用大模型的场景大多在问诊、分诊等基础大语言类模型的问答层面。再有就是一些相对深入的，诸如辅助医疗决策、CT 影像识别等应用多模态大模型的层面。
比如，通过大模型的辅助，能帮助医生快速的识别诸如 X 光片、CT 等医学影像，从而大幅提升医生工作效率，也能降低患者等待的时间。“ 原本每天能审阅 50 张 CT 片子，未来每天能审阅 500 张/天，那么医疗效果的提升，将让患者的就医体验，以及医生的工作体验都得以改善。”IEEE 标准协会新标准立项委员会副主席兼 IEEE 数字金融与经济标准委员会主席林道庄曾与笔者分享了多模态模型应用的场景。
除此之外，当前能够快速落地的是对原有解决方案智能化升级，也就是解决方案的智能化。具体来看，就是在原有解决方案的基础上，进行升级迭代，加入 AI 智能体的能力，从而提升医护人员、患者，以及医疗机构管理者的使用体验。
不过，在李东看来，解决方案的智能化仅仅是 AI 在医疗行业应用的开始，未来的“ 终极” 目标是—— 打造智能化的解决方案。基于此，东软也提出了“ 一横两纵” 的发展理念。“ 一横” 即通用大模型，也是构建医疗智能体的底层基础；“ 两纵” 分别是：各个行业的垂类大模型，以及相应细分场景下的场景模型。
具体来看，智能体需要经历从以规则为主导的逻辑推理阶段，到连接主导的阶段，一方面，打通各个分散的 AI 能力，整合到一起；另一方面，在这个阶段，AI 智能体需要更好地与人进行连接，更“ 懂” 人的意思，最终实现以行为为主导，具备创新研究能力，独立优化医院运营或发现新疗法的阶段，并且可以实现从工具辅助到人机协同，从局部优化到全流程覆盖的能力。（本文首发于钛媒体 APP，作者｜张申宇，编辑丨盖虹达）
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App
