AI 在医疗行业的最新进展

2025年5月26日   来源：纪要

一、行业现状与核心问题

医疗行业痛点

资源分配不均：基层医生缺口大、误诊率高，文书工作占用大量时间且质量低。

数据孤岛：医院间数据不互通，影响研究与应用，企业尝试推动检查结果互认但难度大。

AI 医疗的价值

替代部分诊断工作：AI 主要解决门诊诊断等重复性工作，大医院医生更多聚焦手术，普通用户接触诊断场景较多。

提升供给效率：缓解资源不均问题，对国家、医院、用户均有价值。

技术挑战

幻觉率与长期记忆：对话人数增加导致幻觉率上升，需优化长期记忆能力。

信源可靠性：依赖联网搜索但信息杂乱，未来可能引入区块链技术提升信源准确性。

二、应用场景与落地进展

诊断、治疗、管理三阶段应用

诊断：多模态模型（如影像识别）已较成熟，讯飞、百川等通过线上问诊实现交流式诊断。

治疗：基于用户信息推荐药物，能力有限。

管理：擅长慢病监控、术后管理，比人类更精细且具情绪安抚能力。

医院场景分化

专家型医院：需求为多学科会诊（MDT），解决罕见病推理，大模型擅长此领域。

基层医院：借助 AI 工具提升诊断准确率，弥补人力不足，如百川 “小二帮” 已推出 demo。

商业化探索

模式困境：政府买单资金有限，医院直接采购大模型意愿低，C 端付费习惯尚未养成。

硬件结合案例：小日方与北京儿童医院合作，通过硬件设备实时记录医患对话并提供辅助结果，医院以采购硬件方式付费。

三、问答环节（QA）

Q1：如何看待 DeepSeek 在医疗领域的能力？

专家观点：

DeepSeek 的 GC 模型在罕见病、复杂病推理中表现出色，但基层医生难以充分调用其能力，需专业医生配合提示词培训。

问题在于信源透明度低、联网搜索信息杂乱，未来需引入医疗专家筛选优质信源。

目前已超越 80%-90% 的真人医生，但达到可信赖的纯医生水平仍需时间。

Q2：AI 医疗大模型的商业化路径如何走通？

专家观点：

讯飞通过医院 SaaS 系统结合大模型上市，华为、阿里云以 “硬件 + 本地化部署” 推动落地，但均未充分激活模型能力。

看好 “硬件 + 软件” 模式，如小日方通过儿科场景切入，解决医患沟通效率问题，医院采购硬件意愿较高。

核心障碍：政策滞后、支付方（C 端 / H 端 / G 端）不明确，需推动医疗器械资质审批。

Q3：国内与海外 AI 医疗大模型的差距如何？

专家观点：

模型能力差距缩小，未来两年将趋近，国内追赶速度远超预期。

核心差异在政策与数据获取：国内可通过医院合作（如北京儿童医院）快速获取数据，国外依赖私立医院脱敏数据，谷歌等企业具数据优势。

Q4：未来是否会出现专病专科类大模型？

专家观点：

通用型全科模型仍是主流，专病模型更适合解决单一环节（如化验结果分析），本质上是通用模型的功能子集。

理想形态是 “全科模型 + 细分工具” 组合，如个性化家庭医生模型，基于用户数据提供专属服务。

Q5：政策监管与模型评估标准何时出台？

专家观点：

行业尚未形成统一评估标准，需医疗与技术专家共同制定，目前仅处于初步探索阶段。

政策具滞后性，需等大规模应用后才会出台监管细则，当前以支持为主。

Q6：需求端（医院）如何选择合作厂商？

专家观点：

三类医院：

激进型（如北京儿童医院）：选择头部厂商（如百川），追求技术突破。

跟风型：选择性价比高、易合作的厂商，跟随行业趋势。

任务型：选择低成本方案，仅满足政策要求。

目前第三类医院占比最高，头部医院中也存在 “任务型” 需求。

四、未来展望

技术迭代方向：

提升长期记忆、降低幻觉率，引入区块链优化信源追踪。

开发 “个性化家庭医生” 模型，结合用户历史数据提供专属服务。

生态整合关键：

打通医院数据与个人健康档案，实现自动化交互与医生校正，但需解决跨机构信任问题。

硬件与软件深度融合，如华为手表 + 医疗大模型，实时监控健康数据。

终极目标：

实现 “数据即财富”，用户依赖专属模型，迁移成本高，形成闭环生态。

总结：AI 医疗大模型在诊断效率、资源分配等方面已展现潜力，但商业化落地需突破技术瓶颈、政策滞后与支付模式等挑战。未来两年，技术迭代与生态整合将成为关键，个性化、软硬结合的家庭医疗模型或成爆款方向。