文 | 极新，作者 | 王子
DeepSeek 不仅能算卦，还能看病。
这听上去有点荒诞，但 AI 辅助诊断正从 「玩票」 逐渐变成 「真刀真枪」 的临床工具。
医生们的态度却分成了两派。有人认为这未尝不是好事——如果患者能通过 AI 更科学、详细地了解病情，至少比在搜索引擎里胡乱查靠谱得多；另一派医生则显得谨慎：病人可以试错，AI 也可以出错，但真正要签在病历上的名字，是医生的。
资本市场显然没有这种顾虑。仅过去两年，英伟达就投了十几家 AI 医疗公司，从硬件到算力再到应用，一条完整的产业链已然搭起。
与此同时，AI 的诊断能力也在逼近甚至超越医生，国内外医疗大模型层出不穷。
潮水已起，速度比想象中更快。
但落地到现实，中国医疗界的矛盾也非常刺眼。患者爱 AI，因为它意味着低门槛、便捷、便宜；医生则更加谨慎，因为那背后可能是风险、责任。再加上数据壁垒和监管红线的模糊，AI 诊断的热闹表演离真正进入临床，仍横亘着几道硬骨头。
因此问题也就来了：当 AI 诊断越来越强、甚至部分超过医生的时候，中国的 AI 医疗企业究竟要靠什么突围？
三大阶段：AI辅助诊断演进
AI 第一次走进医院，是从影像科开始的。十年前，深度学习刚刚兴起，医学界率先把它拉到读片室里，帮医生识别 X 光、CT 和 MRI 上的细微病灶。
AI 之所以从这里起步，并不难理解：影像数据标准化程度高、数量庞大，非常适合用来训练模型；而影像科医生长期面临看片量大、出错风险高的压力，AI 的效率优势立显；加之老龄化社会的到来与医疗资源分布的不均衡，使医学影像领域长期存在供需缺口，也为 AI 医疗影像的快速发展奠定了现实基础。
于是，「AI 读片」 成了 AI+医疗的第一个落地场景。从肺结节到脑出血，从乳腺肿瘤到糖尿病视网膜病变，AI 影像诊断不断取得突破。
目前，AI 已经在医学影像工作全流程的各环节发挥作用，体现在检查前、检查中及检查后各个阶段，在改进影像检查的流程、自动勾画放疗靶区及受累器官、图像质量优化、结构化报告等方向均起到了重要作用。
国内统计显示，截至 2024 年 6 月，全国已有 100 多家三甲医院在放射科、病理科等多个科室引入了 AI 辅助诊断系统，医生的漏诊率、误诊率显著拉低，效率却拉高了一个量级。
近年来，国务院、药监局、卫健委、工信部等部门密集出台政策，推动国产医学影像设备发展，并鼓励人工智能在多类医学影像场景中落地，为 AI 医疗影像提供了坚实的制度支撑。截至 2024 年 7 月，国家药监局已批准 99 个三类证，涵盖辅助诊断与辅助治疗两大方向，应用领域涉及心血管、脑血管、肺部、骨折/骨龄、眼底等，展现出多元迅速的增长态势。
可以说，这一阶段的 AI，是医院里最早的体力劳动者，干的就是重复但关键的识别工作。
不过，影像只是医院里的一个环节。随着自然语言处理 （NLP） 和知识图谱技术的成熟，AI 开始介入就诊前的流程。
典型的场景是 AI 导诊。很多患者挂号时都会遇到尴尬：头疼该去神内还是普内？肚子疼到底该挂消化科还是普外？AI 导诊系统则能通过多轮问答，快速梳理患者症状，并匹配合适的科室和医生，显著降低挂错号的概率。
以百度健康 「AI 智慧门诊」 为例，该系统的 「智能加号」 功能在武汉协和医院上线一个月内，就为 300 多名患者提供了加号机会，其中超过 70% 的患者为需要紧急手术治疗的肿瘤病人。
对患者来说，这是实实在在的 「救命加号」。而对医院来说，这套系统缓解了分诊压力，让真正危急的病人能更快找到合适的专家。
当前，中国医疗机构已在全国 34 个省市的近 10000 家医院部署了大模型驱动的智能导诊和辅助预诊服务 ；腾讯觅影的影像 AI 也已覆盖 500 余家机构，累计辅助近 1000 万人次医学检查。
这一阶段的意义在于，AI 不再只是医生的工具，而是直接介入就诊流程，成为 「分流患者、优化效率」 的助手。
进入第三阶段，AI 已经走到医生的办公桌前，开始参与真正的诊疗决策。
这一阶段的核心，是大模型。不同于过去在影像或分诊场景的单点突破，大模型具备跨学科、跨模态的整合能力，能同时调用病例、医学文献、诊疗指南、传感器数据，生成高度个性化的诊疗建议。
从技术发展的角度来说，AI 独立诊断的难点在于医疗本身的特殊性。即便是经验丰富的医生，在面对病例时也常会遇到三种情况：有明确答案、暂时没有答案，或存在多个可能答案。这一过程包含极其复杂的思考链条，而这正是当前 AI 独立诊断必须跨越的核心障碍。
从现实情况来看，这一问题或许有了初步解决方案。
一方面，通过大量医学资料训练多模态模型，使其能够基于已有病理和诊断数据建立基础能力，从而显著提升多模态学习的准确率；另一方面，借助假设验证方法，模型模拟医生的推理路径，构建问诊—诊断—结论的稀疏数据，并将其与真实临床流程结合，实现对复杂病例的诊断能力增强。
国内外的大模型都纷纷发力。国内的 MedGPT、讯飞星火医疗版更是号称在医疗问答里超越了 GPT-4；微软最新推出的 AI 诊断工具 MAI-DxO 则在复杂病例诊断中表现惊人：在基于 《新英格兰医学杂志》 记录的 304 个病例测试中，MAI-DxO 的诊断准确率达到 85.5%，超过 21 位资深医生的平均水平，同时， MAI-DxO 能够像真实医疗场景中，一步步通过患者主诉后问诊，并最终给出诊断——该系统有望真实地部署在医疗环境中。
左上角代表 「高准确、低成本」 的理想区，微软 MAI-DxO（紫线） 遥遥领先，人类医生平均水平 （红叉） 相距甚远。
这些模型不止能 「读片」「分诊」，还能综合病例、指南、科研论文，甚至患者的生活方式，生成个性化的诊疗建议。
总的来说，从 「看图说病」 到 「听诊问病」，再到 「大模型问诊」，AI 辅助诊断正经历从工具化到平台化的跃迁。
AI 不再只是 「助手」，而是医生的智囊团，甚至是患者的 「第二意见」。
盘点：中国本土实践案例
中国科技巨头和创新企业纷纷落子医疗 AI，各类案例层出不穷：
百度健康：AI智慧门诊
百度健康推出了 「AI 智慧门诊」 系列产品，集成了 AI 图像阅读、智能导诊、自动化病历等功能。
百度健康在武汉协和医院应用的 AI「智能加号」 功能，一个月内为 300 多名乳腺外科患者提供了加号服务，有效提高了肿瘤患者的就诊速度。百度还与多家医院合作部署了 AI 辅助影像系统，用于肺结节、糖尿病视网膜病变等高发病种的筛查，帮助医生快速锁定疑似病灶。
百度云已表示将持续推进多项大模型应用场景，从分诊、预诊一直延伸到诊后随访。
科大讯飞：智医助理与星火大模型
讯飞医疗子公司发布了 「讯飞智医助理」 等智能诊疗系统，为基层医生提供语音记录病历、快速决策建议等服务。据公司介绍，智医助理能覆盖 1400 种疾病，支持多种专业问诊场景，全国已有数万名医生使用。
2024 年发布的 「讯飞星火医疗大模型」 在医疗问答任务上表现优异。公司高管透露，讯飞智医助理已经超越现有 ChatGPT 和 GPT-4 的医疗水平。未来，讯飞计划将这些专科能力整合到通用大模型中，让每位普通用户都能拥有健康顾问。
与此同时，讯飞与各大医院合作，打造了如 「心脏超声诊断决策系统」「西部心病脑梗模型」「贵州云岭民族医学模型」 等一系列专病或专项医学大模型。这些项目展示了依托中国人群和临床数据做模型开发的独特优势。
腾讯觅影与腾讯健康：影像AI与智能导诊
腾讯觅影在医疗影像领域深耕多年，迄今已在中国 500 余家医院部署 AI 诊断工具，辅助放射科医生筛查肺结节、乳腺癌、糖尿病视网膜病变等疾病 。
腾讯云推出了 「混元大模型」 系列，应用于患者全流程服务：北医三院通过腾讯 AI 小程序，实现了从挂号、报告查询到医疗咨询的一站式 AI 问答；深圳罗湖医院集团甚至将 DeepSeek 和腾讯大模型结合，开发 「AI 临床助手」 为重症患者提供病情分析和诊疗建议。
5 月举办的腾讯 AI 峰会还发布了 「健康管理助手」 智能体，能够自动解读体检报告、识别健康风险，为用户制定动态健康计划。
腾讯通过移动端和云服务，积极将大模型能力嫁接到健康管理、辅助问诊和院内运营各环节。
深睿医疗：全流程AI数智化
作为国内医疗 AI 的领先独角兽企业，深睿医疗近期完成近 5 亿元新一轮融资。
公司围绕 「多模态、大场景」 的技术架构，为上千家医院和机构提供从健康管理、AI 辅助诊断到临床决策支持、慢病筛查等全流程服务。
深睿旗下产品包括影像辅助、数字化病理、病案质量控制、智能问诊等，累计年使用量近 2 亿次 。官方介绍其 AI 系统已在全国 30 余个省市落地应用，帮助医生提升诊疗效率和准确度、为患者提供更精细化的健康管理。
这种 「全场景布置」 的模式，是小规模创新公司在医疗 AI 领域的一种成功实践。
其他创新团队与大模型：
阿里巴巴达摩院等也积极布局医疗 AI。2025 年 6 月，阿里联合高校等团队发布了 「ReasonMed」 开源医学推理数据集和 7 亿参数的推理模型，7B 模型在多项医学问答测试中表现优于更大规模模型，证明了 「高质量数据胜过单纯扩大模型规模」 的原则 。
开源组织百川智能发布的 Baichuan‑M2 模型 （7B 参数） 也在 HealthBench 测试中以 60.1 分力压 OpenAI 的 120B 模型 （57.6 分）。
此外，医渡云等公司开发了针对中国人群的罕见病诊疗 AI 模型，2025 年全国首个罕见病 AI 大模型 「协和·太初」 已经进入临床试点，有望缩短罕见病确诊时间。
国内 「小模型+大数据+专业知识」 模式的可行性正在被大家看到。
痛点：本土落地
尽管进展喜人，AI 落地医疗仍面临多重难题。
医生和患者信任难题。AI 诊断常是典型的黑盒操作，医生看不到算法的推理链条，患者更无法理解 AI 建议的依据。「知其然，更要知其所以然」，只有算法可解释、结果透明，医生才敢放心开处方，患者才敢信任建议。缺乏信任，临床采纳率自然低迷，AI 再牛也只是纸上谈兵。
数据闭环难以打通。中国医疗数据高度分散，病历、影像、检验各自为阵，医院内部系统标准不一，中小机构的数据更是零散无章。再加上监管对敏感医疗数据保护严格，同时利益分配不明晰，「不愿、不敢、不能」 共享数据成常态。没有完整闭环，AI 无法持续迭代优化，也难以覆盖患者全程。
责任归属尚不明确。当 AI 辅助诊疗出现误诊或漏诊，法律上谁背锅？是算法开发者、设备厂商，还是使用 AI 的医生？国内外案例显示，这种不确定性让医疗机构对引入 AI 步步谨慎。解决方案显而易见：完善法规、明确责任划分、建立可追溯审计机制，否则再先进的算法也难以上岗。
其他挑战。算法偏见、样本不足导致的 「幻觉」、医院运营模式与医保支付体系尚未完全适配 AI 模式……种种问题交织在一起，像一张复杂的蜘蛛网。
趋势判断：大模型+小模型的融合之路
市场机构预计，到 2025 年末，全球人工智能应用市场总值将冲到 1270 亿美元，其中医疗板块就占了五分之一。庞大的蛋糕自然催生了各种 AI 医疗玩法：从急救现场的智能辅助、远程会诊，到检验检查、临床决策辅助、公共卫生服务甚至医院管理，AI 的身影正快速铺开，「互联网+医疗」 早已成为各方共识，目标直指让人民健康服务提档升级。
展望未来，业内普遍认为 「大模型+小模型」 结合将成为主流。最新研究显示，专业化小模型常常能甩开大而全的通用模型：阿里 7B 参数医疗推理模型在考试中干掉了 700 亿参数的巨无霸；国内开源的 7B 模型 Baichuan‑M2 在 HealthBench 评测中也打败了更大模型。可以说， 模型越大不代表越牛，核心还是领域知识和数据的质量。
基于此思路，中国 AI 医疗的发展策略倾向于：以大模型提供通用语言理解和知识推理能力，再在流程中嵌入针对常见病、罕见病、影像判读等小模型，形成 「专科增强」 的诊疗链路，实现人机协同、专项治疗的闭环。比如医联 MedGPT 就把大模型和医学知识图谱整合，结合中国临床指南和本土数据，做出符合本土医疗逻辑的 「专科增强」 服务。
综合来看，未来中国医疗 AI 的主旋律很可能是：大模型打基础，小模型加专业，形成多模态、多专科的组合创新。这套策略不仅能大幅降低部署成本 （甚至单卡就能跑国产大模型），还更符合监管要求和医院实际操作需求——可以说，是通向 「AI 医生工业化落地」 的最务实路线。
