我这两年跑了不少医院，也跟做医疗AI的创业团队聊过很多次。说实话，五年前我根本不敢想象，AI能像今天这样深度嵌入临床流程。那会儿大家还在争论“AI到底能不能看病”，现在讨论的已经是“怎么让AI看得更准、更稳、更让医生放心”。这个变化本身就说明了问题——AI医疗早已不是概念炒作，它正在经历从实验室技术突破到临床真实落地的关键转折。
这一章我想把自己的观察和思考做个系统梳理。我会从AI医疗到底指什么开始聊，然后看看全球和中国的演进路径有什么不同，再拆解政策、资本和产业生态的现状。后半部分会聚焦当下最值得关注的几个技术趋势，以及我眼里这个行业面临的核心机遇和挑战。
AI医疗的定义、边界与核心驱动力
我对AI医疗的理解，其实是在一次次跟临床医生交流中慢慢清晰的。最开始我以为它就是“用AI做诊断”，后来发现这个框太窄了。AI医疗覆盖的范围远比想象中宽——从药物靶点发现、临床试验设计，到医学影像识别、病理切片分析，再到病历质控、智能分诊、慢病管理、手术机器人控制，甚至医院运营的排班和供应链优化，都算在内。它的边界不在技术本身，而在“医疗”这个场景需要什么。
我更愿意把AI医疗看成一个“能力层”，它不替代医生，而是嵌入到医疗价值链的各个环节里。核心驱动力来自三个方向：临床需求的真实痛点（比如优质医生资源稀缺、诊断一致性差）、数据基础设施的逐步完善（电子病历、影像归档系统普及了），以及算法和算力的成本快速下降。这三个力量拧在一起，才让AI医疗从“能做”变成了“值得做”。
全球与中国AI医疗发展脉络
从全球看，美国在AI医疗的早期探索上走得比较靠前。2010年前后，IBM Watson Health掀起过一波热潮，虽然商业化不算成功，但它让整个行业认真思考了AI在医疗里的可能性。真正让AI医疗进入快车道的，是2012年深度学习在ImageNet上的突破，之后医学影像AI成了最热的方向。Google、微软、英伟达这些公司陆续布局，FDA从2017年开始加速审批AI医疗器械，到现在已经批准了上千个产品。
中国的路径不太一样。我们起步稍晚，但落地速度很快。2015年到2018年，大批AI医疗创业公司涌现，集中在肺结节、糖网、骨折检测这些影像场景。2020年之后，NMPA的审批通道逐步明确，加上医院信息化基础提升，AI产品开始真正进科室。我印象很深的是，2023年之后医疗大模型的出现，让中国AI医疗从“单点工具”向“系统能力”跃迁，这个节奏比很多人预想的要快。
政策支持、资本布局与产业生态现状
政策层面，我看到的是一张逐步织密的网。美国FDA的SaMD（软件作为医疗器械）框架、欧盟的MDR和AI Act、中国NMPA的AI医疗器械审评要点，都在给行业划跑道。中国还额外有“互联网+医疗健康”、医保支付改革、公立医院高质量发展等政策组合拳，这些都在为AI医疗的落地创造土壤。我接触的一些医院信息科负责人说，现在做AI项目，政策依据比五年前清晰太多了。
资本这边经历了明显的起伏。2018年前后是投资高峰，之后有两年降温，大家发现AI医疗的商业化比预期慢。2023年生成式AI爆发，资本又重新关注这个赛道。现在的钱更聪明了，不再只看论文和算法指标，而是看有没有进院、有没有收费路径、有没有真实世界的效果数据。产业生态也在成型——上游有算力和数据服务商，中游有算法和产品公司，下游是医院和保险支付方，中间还穿插着CRO、监管科学咨询等角色。这个生态还说不上成熟，但骨架已经搭起来了。
关键趋势：医疗大模型、多模态融合、生成式AI与智能体
医疗大模型是这两年最热的话题。我自己的感受是，它带来的不只是“更大的模型”，而是交互方式的根本改变。以前的AI工具是“你问它答”，现在的大模型可以理解病历、生成报告、辅助决策，甚至跟医生多轮对话。国内已经有不少医院在试点大模型辅助病历书写和临床决策支持，效果参差不齐，但方向是明确的。
多模态融合是另一个让我兴奋的趋势。医学数据本来就不只是影像——还有文本、基因、生命体征、病理、实验室指标。把这些模态整合起来做判断，才更接近医生的真实思维。我见过一些团队在做“影像+文本+组学”的联合模型，在肿瘤诊断上已经看到增益。生成式AI和智能体的结合也在加速，未来的AI可能不只是工具，而是能主动感知、规划、执行任务的“数字医疗助手”。这个方向还在早期，但想象空间很大。
AI医疗进展中的主要机遇与核心挑战
机遇方面，我看到的几个大方向很实在。基层医疗赋能是最确定的一个——中国有大量基层医疗机构缺乏优质诊断能力，AI能起到“能力放大器”的作用。药械研发提效也很明确，AI在靶点发现、临床试验患者筛选上已经有不少成功案例。还有就是医院运营效率提升，这个虽然不性感，但付费意愿强、落地快。
挑战同样真实。数据质量和隐私是绕不过去的坎，医疗数据分散、标准不一、孤岛严重，联邦学习这些技术还在完善中。临床验证和监管科学也在追赶，AI产品的证据等级怎么定、责任怎么划分，全球都还在摸索。我最担心的是“最后一公里”问题——AI进了医院，医生不用、不会用、不敢用，那技术再好也是白搭。这个问题需要产品设计、工作流集成、医生培训、支付机制一起解决，单靠技术突破解决不了。商业模式的可持续性也是问号，谁来买单、怎么定价、医保能不能覆盖，这些问题的答案还在形成中。
医学影像一直是我最关注的AI医疗落地场景。原因很简单，影像数据相对结构化，标注标准比较统一，算法效果容易量化评估。这几年我陆陆续续看过上百个影像AI产品，从最早的肺结节检测到现在的多模态通用模型，变化之大让我觉得有必要单独用一章来聊聊。
影像AI的演进路径其实映射了整个深度学习的发展脉络。早期大家用CNN做病灶检测，后来Transformer进来了，再后来基础模型把整个范式又推了一步。我下面会按技术演进、多模态融合、精度与可解释性、监管落地、以及数据偏差和工作流集成这几个维度来讲。
医学影像AI技术演进：从CNN到Transformer与基础模型
我最早接触医学影像AI大概是2017年前后，那会儿几乎所有的产品都是基于CNN架构。肺结节检测用3D CNN，糖网筛查用ResNet，骨折识别用VGG。这些模型在特定任务上表现不错，AUC能到0.95以上，但有个通病——一个模型只能干一件事。医院要同时做肺结节、肋骨骨折、气胸检测，就得部署三四个模型，维护成本很高。
Transformer进入医学影像领域是2020年以后的事。它最大的优势是能捕捉长距离依赖关系，对全局信息的理解比CNN强很多。我见过一些团队用Swin Transformer做肝脏病灶分割，在边界模糊的病例上比CNN模型准确不少。真正的转折点是基础模型的出现。2023年之后，基于大规模无标注影像数据预训练的基础模型开始进入视野，一个模型可以同时处理分类、检测、分割多种任务，而且通过微调就能适配新场景。这个变化对行业的影响是深远的——从“一个任务一个模型”变成了“一个底座N个应用”。
多模态影像融合与跨部位通用诊断模型
单靠一种影像做诊断，其实跟医生的真实工作方式有差距。放射科医生看片的时候，会同时参考CT、MRI、PET，还会结合病史和实验室检查。我之前跟一个做影像AI的创始人聊，他说他们最早的模型只看CT，后来加了患者年龄、性别、吸烟史这些文本信息，肺结节良恶性判断的准确率提升了将近8个百分点。多模态融合的价值就在这里——把影像、文本、组学数据整合起来，让模型看到的信息更接近医生的决策依据。
跨部位通用诊断模型是另一个让我觉得兴奋的方向。以前做影像AI，每个部位都要单独训练模型，肺是一个、肝是一个、脑又是一个。现在有些团队在尝试用统一的架构处理多个解剖部位，通过位置编码和器官分割先验来实现。我在一次学术会议上看到一个模型同时做胸部CT的肺结节、冠脉钙化、骨质疏松筛查，虽然每个任务的精度比专用模型略低一点，但部署成本大幅下降。对基层医院来说，这种通用模型可能比高精度专用模型更实用——他们没那么多GPU资源去跑一堆模型。
影像诊断精度、效率与可解释性最新突破
精度方面，头部产品在一些特定任务上已经超过了初级放射科医生。我印象比较深的是2024年发表的一项研究，AI在乳腺钼靶筛查中的敏感度达到了89%，而人类医生的平均水平在85%左右。效率提升更直观，以前一个放射科医生看一份胸部CT需要5到8分钟，AI预筛之后可以缩短到2到3分钟，而且不会漏掉微小病灶。这对影像科医生短缺的医院来说，价值非常大。
可解释性是我一直很在意的点。早期AI模型给出一个“恶性概率92%”，医生根本不知道这个数字是怎么来的，用起来心里没底。现在不少产品开始提供热力图、病灶分割掩膜、相似病例检索这些解释性功能。我看过一个肝肿瘤诊断系统，它不仅标出病灶位置，还会列出三个最相似的歷史病例和对应的病理结果，医生可以自己判断AI的推理是否合理。这种设计思路比单纯给概率值更让临床接受。
监管审批与产品落地：NMPA、FDA及全球市场动态
NMPA这几年的审批节奏明显在加快。我记得2019年的时候，拿到三类证的影像AI产品屈指可数，到2024年底已经超过了一百个。肺结节、糖网、骨折、冠脉这几个方向是获批最多的。审批通道也在优化，有些产品走的是创新医疗器械特别审查程序，时间缩短了不少。我接触的一些企业反馈，现在跟审评中心的沟通比五年前顺畅很多，审评要点也更透明。
FDA这边的态度一直比较积极。从2017年批准第一个AI影像产品到现在，累计授权已经超过一千个，放射学是最大的类别。2024年FDA还发布了关于AI医疗器械生命周期管理的指南草案，强调上市后监测和算法更新。欧洲稍微保守一些，MDR实施之后审批周期拉长了，但AI Act的出台给行业提供了更明确的合规框架。全球来看，中国和美国是AI影像产品落地最快的两个市场，欧洲和日本在追赶。
数据偏差、泛化能力与临床工作流集成难题
数据偏差这个问题，我觉得怎么强调都不为过。很多AI模型在训练集上表现很好，换一家医院、换一台设备，性能就掉得厉害。原因很多——不同厂商的CT设备成像参数不一样，不同地区的人群疾病谱有差异，标注医生的风格也不同。我见过一个肺结节模型在A医院AUC是0.96，到了B医院降到0.82，这种落差在真实世界里很常见。解决这个问题需要多中心数据训练、域适应技术、以及持续的上市后监测。
泛化能力跟数据偏差是一体两面。基础模型之所以被寄予厚望，就是因为它在海量多样数据上预训练过，理论上泛化性更好。但实际效果还需要更多真实世界验证。临床工作流集成是我最担心的环节。AI产品做得再好，如果不能在医生现有的工作站里顺畅运行，如果报告格式跟医院PACS系统不兼容，如果每次都要手动上传下载，医生用两次就不用了。我见过太多技术指标漂亮但临床采纳率极低的产品。这个问题不是算法能解决的，需要产品经理、临床医生、IT部门坐在一起，把AI嵌入到医生已有的工作流里，让它成为“无感”的存在。
我真正对AI辅助诊断产生信心，是从跟着医生们看真实病例开始的。前几年大家聊AI医疗，总停留在论文指标和路演PPT上。这几年情况变了，不少医院已经把AI嵌进了日常流程。我挑几个自己跟踪过、访谈过的场景来聊，尽量还原临床现场的样子。
肿瘤早筛与精准诊断：肺癌、乳腺癌、肝癌等典型场景
我最早跟的一个项目是肺结节AI。那家三甲医院放射科每天要读三百多份胸部CT，医生眼睛都看花了。AI预筛之后，把可疑结节按风险排序，医生只看前二十份高风险的。有个五十多岁的女性，AI在右肺上叶标了一个4毫米的磨玻璃结节，位置很偏。初筛医生当时没太在意，AI反复提示后复核，后来胸腔镜切下来是原位腺癌。主刀医生说再晚一年可能就是浸润期。这件事让我觉得AI的价值不在替代医生，而在帮医生守住注意力最薄弱的环节。
乳腺癌筛查是我参与过社区项目的方向。钼靶AI在基层妇幼保健院用得比较多，因为那里读片医生经验参差不齐。我访谈过一位影像科主任，她说AI上線后召回率降了大概五个百分点，同时导管原位癌的检出数没下降。这意味着少让很多健康女性做不必要的穿刺。患者那边反馈也直接——以前接到召回电话会恐慌好几天，现在AI先筛一遍，假阳性少了，焦虑也少了。
肝癌早筛是我觉得最能体现中国特色的场景。乙肝携带者基数大，超声是主要筛查工具，可超声太依赖操作者手法。我见过一个县医院用的AI超声助手，实时框出肝内低回声区，提示边界和血流特征。有个乡镇医生自己发现了一个1.8厘米的病灶，AI提示恶性可能，转诊到省肿瘤医院做了射频消融。患者后来还专门回去感谢那个医生。基层医生跟我说，没有AI他可能就当成血管瘤放过去了。
心血管与神经系统疾病：卒中、冠脉、脑影像辅助决策
卒中急救是我认为AI落地最紧迫的方向。急性缺血性卒中溶栓时间窗很窄，每耽误一分钟就有近两百万个脑细胞死亡。我参观过一家卒中中心的AI流程：患者做完CT，AI自动分割缺血区域、计算ASPECTS评分、排除出血，结果直接推到急诊医生手机和导管室屏幕。有个晚上，一位老人发病两小时送到，AI在四分钟内出了结果，医生立刻启动溶栓。从入院到静脉溶栓只用了二十八分钟，比他们之前平均快了十几分钟。患者出院时几乎没留后遗症。
冠脉CTA的AI辅助诊断我聊过好几位心内科医生。以前看冠脉CTA很费时间，一个病人要重建、拉直、测量狭窄，十分钟算快的。AI自动完成这些步骤，还能算CT-FFR，判断狭窄到底有没有血流动力学意义。有个医生跟我说，他以前每个月要做十几台诊断性造影，现在少了三分之一，因为AI帮他筛掉了那些不需要介入的临界病变。患者少挨一刀，医保也省了钱。
脑影像的AI应用比冠脉更复杂。我跟踪过一个阿尔茨海默病早期识别项目，AI把海马体积测量自动化，跟认知量表结合，帮助医生在轻度认知障碍阶段就做出判断。还有脑肿瘤术后随访，AI自动对比前后MRI，标出残余和复发区域。神经外科医生反馈说，以前靠肉眼比对几十层图像，现在AI先圈出来，他再复核，效率高了很多。这个方向的挑战在于脑部疾病异质性太强，AI能帮上忙，但还远远谈不上独立诊断。
眼科、皮肤科与病理科：糖尿病视网膜病变、皮肤癌、数字病理
糖网筛查是我参与最深的基层项目。中国糖尿病患者超过一亿，可眼科医生只有几万个。我们在西部一个县用AI眼底相机做筛查，乡镇卫生院护士培训半天就能操作。拍完照，AI在三十秒内给出分级，需要转诊的直接预约县医院眼科。有个五十多岁的农民，AI提示重度非增殖期糖网，他之前完全没感觉。转到县医院做了激光，保住了视力。护士跟我说，以前这类病人要等眼睛看不见了才会来，那时候已经晚了。
皮肤科AI我试用过好几个手机应用。拍照分析痣的良恶性，听起来简单，做起来很难。光线、角度、皮肤类型都会影响结果。我认识一位皮肤科医生，他让AI先看一遍皮肤镜图像，AI标出可疑区域后他自己再看。他说AI帮他减少了一些不必要的活检，也帮他发现过两个他自己没注意到的早期黑色素瘤。不过他也强调，AI假阳性会带来过度活检，这个问题在皮肤科特别明显，因为患者对“切一颗痣”的接受度很高，可病理资源是有限的。
数字病理是我最近一年才开始认真看的领域。宫颈细胞学AI已经比较成熟，能自动筛出异常细胞，病理医生只复核阳性片。前列腺癌Gleason分级AI也有产品落地，帮病理医生减少重复劳动。我参观过一家病理科，AI先把切片分成正常、炎症、肿瘤三类，医生按优先级阅片。科主任跟我说，他们科室只有六个病理医生，每天要出四百多份报告，AI帮他们省下了大概百分之三十的时间。这个数字听起来不大，但放在病理医生严重短缺的背景下，意义很大。
急诊与基层医疗：智能分诊、危急值预警、远程会诊
急诊智能分诊是我见过最需要AI的地方。急诊科永远人满为患，分诊护士压力巨大。我见过一个AI分诊系统，根据主诉、生命体征、既往史自动给患者分级。胸痛、呼吸困难、意识改变这些关键词会触发最高优先级。有个晚上，一位中年男性说自己“胃痛”，AI结合心电图和心肌酶趋势提示急性心梗可能，分诊护士立刻把他推进抢救室。后来造影证实前降支闭塞。急诊科医生说，如果按普通胃痛处理，后果不堪设想。
危急值预警是另一个我比较看好的方向。检验科每天产生大量数据，有些异常值藏在正常范围边缘，容易被忽略。AI会持续监测患者检验趋势，发现进行性恶化就自动通知主管医生。我访谈过一位ICU主任，他说AI帮他提前发现了三例脓毒症休克的早期迹象，都是白细胞和乳酸刚开始爬升的时候。早期干预之后，这三例患者的住院时间平均缩短了四天。这个收益对患者和医院是双赢。
基层医疗的AI应用跟急诊不太一样。我调研过贵州一个县，乡镇卫生院用AI辅助诊断系统看常见病。村医输入症状和体征，AI给出鉴别诊断和建议检查。遇到拿不准的，一键发起远程会诊，县医院医生在手机上就能看到AI整理好的病史和初步判断。有个村医跟我说，以前他遇到复杂病人只能让患者坐两小时车去县城，现在先让AI和县医院医生看看，很多问题在乡镇就解决了。患者少跑路，少花钱，县医院也不那么挤了。
案例复盘：效果指标、医生采纳度与患者获益评估
我复盘过十几个AI辅助诊断项目，效果指标是最容易看到的。AUC、敏感度、特异度这些论文里常用，可真实世界更关心诊断时间、漏诊率、转诊率。有个肺结节AI项目，报告周转时间从四十八小时降到十二小时。另一个糖网筛查项目，从拍照到出报告的平均时间从三天变成三十分钟。这些数字对医院管理者和患者来说，比AUC提高零点零几个百分点更有说服力。
医生采纳度是我认为最难的环节。我访谈过几十位医生，发现采纳度高的产品都有几个共同点：嵌在医生工作站里、结果可解释、不强制改变操作习惯。采纳度低的产品也有共性：独立系统、频繁弹窗、需要手动上传下载。年轻医生对AI接受度高，愿意尝试。资深医生更谨慎，他们要看AI在疑难病例上的表现，还要看AI犯错之后谁负责。有个放射科老主任跟我说，他用了半年AI，只在AI提示跟他的判断一致时才在报告里引用。这种“人机共识”模式可能是过渡期最现实的路径。
患者获益是最终衡量标准。我跟踪过一个肝癌早筛患者，AI超声发现异常后转诊，手术切除，现在五年了还很好。也有患者因为AI假阳性做了不必要的穿刺，焦虑了好几个月。这两个例子提醒我，AI辅助诊断的价值要放在整个人群层面看，不能只讲成功案例。效果指标、医生采纳度、患者获益，这三个维度缺一不可。我自己的判断是，AI在筛查和预警环节已经证明了自己，在确诊和治疗决策环节还需要更多真实世界证据。医生们谨慎一点是好事，毕竟面对的是人命。
聊完临床应用案例，我想把视角往回拉一层。AI诊断能跑起来，靠的不只是算法本身。我这两年跟医院信息科、数据安全团队、医疗AI创业公司的人聊得越多，越觉得支撑体系才是决定天花板的东西。影像模型再准，数据出不了医院大门就白搭。产品拿不到监管批文就进不了临床。医院算不明白账，采购流程就走不完。这一章我拆成五块来讲，每一块都是AI医疗落地的硬骨头。
医疗数据治理、隐私计算与联邦学习
数据这件事，我听过最真实的一句话来自一位三甲医院信息科主任。他说医院里的数据像一座金矿，可矿工没有开采证，挖出来的金子也运不出去。医疗数据散在HIS、PACS、LIS、电子病历几十个系统里，格式不统一，标注质量参差不齐。有家医院想训练一个肺结节模型，放射科医生花三个月标了两万份CT，结果发现其中三千份的结节位置标注跟病理结果对不上。数据治理不是技术问题，是管理问题。谁负责标、标到什么程度、标错了怎么追溯，这些事比选什么算法重要得多。
隐私计算和联邦学习是我觉得最有希望破局的方向。简单说，数据不出医院，各家医院只交换模型参数，不交换原始数据。我参观过一个联邦学习平台，五家医院联合训练一个糖网筛查模型，每家医院的数据都留在本地。训练出来的模型在每家医院的测试集上表现比单家训练好不少。可落地的时候遇到一个尴尬事：参与医院越多，通信开销越大，训练一轮要等好几个小时。有家医院网络不稳定，经常掉线，整个训练进度就被拖住。技术可行是一回事，工程稳定是另一回事。
我访谈过一位做隐私计算的技术负责人，他跟我讲了一个细节。联邦学习里有一个环节叫“梯度加密”，用同态加密技术把模型更新加密后再传输。听起来很安全。可他发现有一家医院的内网带宽只有百兆，加密后的梯度数据体积膨胀了几十倍，传一轮要一整天。后来他们改成混合方案，敏感层加密，非敏感层明文传输，才把训练时间压到可接受范围。这种妥协在论文里看不到，在真实部署里天天遇到。数据治理和隐私计算不是买一套软件就能解决的，要贴着医院的网络环境、管理流程、临床节奏去磨。
算力、算法与医疗大模型基础设施
算力这件事，我一开始以为是大厂才需要操心的问题。后来跟几家医院信息中心的人聊完，发现完全不是。有家省级三甲医院想在本地部署一个医疗大模型做病历质控，算了一下需要八张A100显卡。采购流程走了四个月，预算批下来的时候，市面上已经出了更新一代的卡。信息中心主任跟我说，他们不是买不起，是买不快。等设备到了，模型架构又变了，适配又要重来。医疗行业的采购周期跟AI硬件的迭代周期完全不在一个节奏上。
算法层面，医疗大模型的基础设施跟通用大模型差别很大。我了解过一个医疗大模型训练项目，他们用了大量医学教材、指南、论文做预训练，然后在临床对话数据上做微调。难点不在模型架构，在数据配比。通用语料太多，模型会变“油”，医学知识被稀释。医学语料太多，模型又会变“轴”，缺乏灵活表达能力。他们试了十几种配比方案，最后找到一个平衡点。这个过程没有捷径，就是反复试错。我认识的一位算法工程师说，他们团队花在数据清洗和配比上的时间，是调模型结构的三倍。
推理成本是我最近才开始关注的角度。训练一个大模型很贵，可推理更贵。有家医院部署了一个AI辅助问诊系统，每天大概两千次调用。刚开始用公有云API，一个月账单好几万。后来改成自己部署小模型，成本降下来了，可准确率也降了。他们现在用混合方案，简单问题走小模型，复杂问题走大模型。信息科主任跟我说，他们每个月光是AI推理的电费和运维人力，就够养两个初级程序员。这个账在医院预算里是要被反复讨论的。算力基础设施不只是堆显卡，还要算清楚每一笔推理背后的成本。
临床验证、真实世界研究与证据等级构建
临床验证这件事，我越来越觉得是AI医疗最被低估的环节。很多AI产品在论文里AUC做到零点九几，进了临床就露馅。原因很简单，论文用的数据集是清洗过的、标注质量高的、分布均匀的。真实世界的数据是脏的、偏的、缺的。我跟踪过一个肺结节AI的临床验证项目，他们在三家医院做了前瞻性研究。结果发现，AI在训练集来源的那家医院表现最好，另外两家医院敏感度掉了将近十个百分点。原因之一是另外两家医院用的CT机型不同，扫描参数也不一样。这种差异在论文里很少被讨论，在临床上却是致命的。
真实世界研究是构建证据等级的关键路径。我参与过一个AI糖网筛查的真实世界研究设计，跟随机对照试验完全不一样。RCT要控制变量，RWS要拥抱变量。我们让基层医生按自己的习惯使用AI，记录他们什么时候采纳、什么时候忽略、为什么。有个医生跟我说，他只在AI提示“中重度”的时候才采纳，“轻度”的提示他自己判断。这种使用模式在RCT里会被当成“依从性差”，在RWS里却是真实临床行为。研究结束后我们发现，AI提示“中重度”的阳性预测值远高于“轻度”，这跟模型训练时的阈值设定有关。这类发现只有放到真实世界才能看到。
证据等级构建是另一个让我头疼的问题。现在AI医疗产品的证据大部分是回顾性研究，前瞻性研究少，RCT更少。监管审批要求提交的证据跟临床医生真正关心的证据之间有一条鸿沟。我访谈过一位参与NMPA审评的专家，他说他们最看重的是多中心前瞻性数据。可企业做多中心前瞻性研究的成本极高，一个小规模研究就要几百万。有家企业创始人跟我说，他们做完一个多中心研究之后，账上现金只够撑半年。这个矛盾不解决，AI医疗的证据等级就很难系统性提升。
伦理、法律、责任归属与监管科学
责任归属是我跟医生聊天时被问最多的问题。AI给了一个错误建议，医生采纳了，患者受损。谁负责？医生说我参考了AI。AI厂商说我们只是辅助工具。医院说我们采购的是合规产品。这个三角关系目前没有清晰的法律界定。我访谈过一位医疗律师，他跟我说，国内目前没有专门针对AI辅助诊断的侵权责任法条。司法实践中倾向于把AI当成“医疗设备”，按照医疗器械的监管逻辑来走。可AI是持续学习的，今天的行为明天可能就变了，跟传统医疗器械的静态属性完全不同。这个法律空白让很多医生在使用AI时心里没底。
伦理问题比法律责任更微妙。我参观过一个AI临终关怀辅助系统，根据患者的生命体征、病史、家属沟通记录，预测患者可能进入终末期。系统准确率很高，可医生们用得很谨慎。有位肿瘤科医生说，他不愿意让算法告诉他哪个病人快走了。这种感觉很复杂，涉及医生的职业本能和人文关怀。AI可以算概率，但它不理解生命的分量。系统设计者后来加了一个规则，AI只提示“建议加强沟通”，不直接给出终末期判断。这种设计上的退让，是伦理考量在起作用。
监管科学是我最近半年才开始系统了解的领域。NMPA这两年出了好几个AI医疗器械审评要点，FDA也在推预定变更控制计划，允许AI产品在上市后持续更新。我对比过中美欧的监管路径，各有侧重。美国更强调上市后监测，欧洲更强调数据隐私，中国更强调临床验证。有家企业同时在中美欧申报，他们的注册负责人跟我说，三套材料准备了整整两年。监管科学不只是规则制定，还包括审评能力建设。我了解到NMPA审评中心这两年招了不少有临床背景和AI背景的审评员，可面对每年几百份AI产品申报，人手还是紧。审评速度直接影响产品上市节奏，也间接影响企业融资和生存。
商业模式、支付机制与医院落地路径
商业模式这件事，我跟几十家医疗AI企业聊过，大部分都没跑通。To医院卖软件，医院预算有限。To医生卖工具，医生不愿意自掏腰包。To患者卖服务，患者觉得应该医保覆盖。有家企业做肺结节AI，一开始按次收费，一次十块钱。医院说太贵，他们算了一笔账，放射科读片本来就是医生工作的一部分，AI只是辅助，凭什么额外收费。后来这家企业改成按年授权，一家医院一年三十万。可三十万对很多县级医院来说是天文数字。最后他们转向跟设备厂商合作，把AI预装在CT机里，按设备销售分成。这个模式跑通了，可利润薄得可怜。
支付机制是决定AI医疗能不能规模化的关键。我访谈过一位医保研究专家，他跟我说，AI辅助诊断要进医保，必须回答三个问题：它替代了什么、节省了什么、改善了哪些结局。目前大部分AI产品只能回答第一个问题，替代了医生的部分重复劳动。可节省了什么？如果AI提高了检出率，后续治疗费用反而增加，医保为什么要买单？这个逻辑让很多AI产品卡在医保门外。有个例外是糖网筛查AI，因为它能减少失明导致的长期照护费用，卫生经济学模型算得过来。可这样的场景太少了。
医院落地路径是我觉得最接地气的角度。我跟踪过一个AI辅助诊断系统在县级医院的落地过程。第一周，信息科装好系统。第二周，临床科室培训。第三周，医生开始用。第四周，使用率掉到百分之十以下。原因很简单，AI的结果要手动从另一个屏幕上看，医生嫌麻烦。后来系统集成到医生工作站里，AI结果直接弹在病历旁边，使用率才回到百分之六十以上。这个细节说明一个问题：AI医疗的落地不是技术问题，是工作流问题。任何增加医生操作步骤的产品，最后都会被抛弃。我访谈过一位医院院长，他说他们采购AI产品的标准很简单：能不能让医生少点几下鼠标。这个标准朴素，但直指核心。
5.1 从辅助诊断到诊疗全流程智能体
我最近跟一位做医疗AI产品的朋友聊天，他说他们公司内部已经不聊“辅助诊断”这个词了。大家改口叫“临床智能体”。我问他区别在哪。他说辅助诊断是医生问AI答，智能体是AI主动跟着病人走完整个诊疗流程。从挂号前的症状采集，到检查开单、影像判读、用药建议、随访提醒，每个环节都有AI在背后推一把。听起来很酷。我问他现在能做到哪一步。他笑了笑说，目前只能做预问诊和随访提醒，中间的核心诊疗环节碰都不敢碰。
这种谨慎是有道理的。我参观过一家三甲医院的“AI全程管理”试点，针对糖尿病足患者。AI智能体在患者出院后每天推送足部护理提醒，根据患者上传的照片判断溃疡风险。护士后台能看到预警。运行了三个月，患者再入院率降了一些。可医生们反映，智能体有时候太“积极”，一天推五条消息，患者烦了直接关掉。后来他们改成一天最多两条，只在风险升高时加推。这个细节让我意识到，全流程智能体不是技术问题，是节奏问题。AI要懂什么时候该说话，什么时候该闭嘴。
我对全流程智能体的期待是分阶段落地。急危重症的智能体可以激进一些，比如卒中绿色通道，每一秒都关键。慢病管理的智能体要温和，像一位有耐心的健康教练。医疗机构如果想尝试，我建议从一个闭环开始。比如术后随访，或者高血压用药调整。别一上来就做全院全流程。我访谈过一位信息科主任，他说他们医院做过一个“全能型”AI，覆盖二十个科室，最后没人用。每个科室的流程都不一样，一个智能体根本适配不了。做小闭环，做深，比做大而全更实际。
5.2 多组学、多模态与生成式AI的深度融合方向
多组学和多模态融合是我这几年听到最多、也最让我兴奋的方向。我参加过一场肿瘤精准诊疗的研讨会，一位病理科医生展示了一个案例。患者肺部有结节，影像AI判断恶性概率中等。病理AI看了穿刺切片，判断是腺癌。基因测序发现EGFR突变。三个模态的结果放在一起，AI给出了靶向药建议。医生采纳了。这个案例里，单独看任何一个模态，结论都不够确定。融合之后，证据链才完整。
生成式AI在这个融合过程中扮演了两个角色。一个是数据合成。医疗数据稀缺，尤其是罕见病。生成式AI可以造出逼真的合成影像和病历，用来训练模型。我了解过一个项目，用生成对抗网络合成视网膜图像，补充糖网筛查模型的训练集。合成数据让模型在罕见病变上的敏感度提升了不少。另一个角色是报告生成。多模态模型分析完影像、病理、基因数据后，自动生成一份结构化报告。医生修改后签字。我试用过一个早期版本，报告框架不错，但细节经常出错。比如把左肺写成右肺，把良性术语和恶性术语混用。这类错误在临床上是不能接受的。生成式AI在医疗里必须加一层严格的校验规则。
融合的最大障碍不是算法，是数据标准。各家医院的多组学数据格式五花八门。基因组数据用VCF，影像数据用DICOM，病理数据用WSI，电子病历用HL7。要把这些数据对齐到同一个患者时间轴上，工作量巨大。我访谈过一位医疗数据工程师，他说他们团队花了一年时间，只打通了三家医院的影像和病理数据。基因组数据还在谈。我问他最难的是什么。他说不是技术接口，是数据授权。每个科室都觉得自己数据是自己的，不愿意共享。多组学融合要跨科室、跨机构、跨学科。这件事需要医院管理层出面协调，不是信息科能推动的。
5.3 普惠医疗：基层赋能与健康公平
普惠医疗是我最愿意花时间聊的方向。我在基层医院见过太多因为缺医生、缺设备而耽误的病例。一位县医院的内科医生跟我说，他们医院没有病理科，怀疑肿瘤的患者要送到省城做活检，等结果出来一周过去了。AI辅助诊断如果能在基层落地，哪怕只是初筛，也能帮患者争取时间。我跟踪过一个糖网筛查AI在乡镇卫生院的试点。卫生院没有眼科医生，护士用眼底相机拍照，AI判断有没有糖网病变。有问题的患者转诊到县医院。运行半年，筛查了三千多人，发现了两百多例需要干预的糖网患者。这个数字在以前是不可想象的。
普惠医疗的挑战不在AI本身，在配套。我访问过那个乡镇卫生院，他们的网络时好时坏。AI系统部署在云端，上传一张眼底照片要等好几分钟。护士嫌慢，用了两周就不想用了。后来改成边缘计算，AI模型直接装在眼底相机旁边的小盒子里，离线也能跑。使用率才上来。这个例子说明，普惠医疗的AI产品要适应基层的基础设施条件。不能假设处处有高速网络，处处有运维人员。我见过一个AI产品，安装需要工程师上门配置服务器。基层医院根本等不起。好的普惠AI应该像家用电器，插电就能用。
健康公平是普惠医疗的深层目标。我访谈过一位卫生经济学家，他跟我说，AI医疗如果只在大城市三甲医院落地，会加剧医疗资源的不平等。大医院用AI提高效率，基层医院还在用纸笔。差距会越来越大。政策制定者需要把AI医疗纳入基层能力建设。比如基本公共卫生服务项目，可以把AI辅助的慢病筛查作为规定动作。医保支付也要跟上。我了解到有些地方在试点“AI辅助诊断按人头付费”，基层医院每管理一个慢病患者，医保给一笔固定费用，AI工具的成本从里面出。这个模式还在探索，方向是对的。
5.4 产业协同、国际竞争与标准共建
中国AI医疗企业数量不少，可规模普遍偏小。我参加过几次行业展会，发现很多企业做的东西很像。肺结节AI有几十家，糖网筛查AI有十几家。同质化竞争严重。有家企业创始人跟我说，他们不是不想做差异化，是医院只认那几个热门场景。肺结节、糖网、骨折，这三个场景占了大部分采购预算。小企业为了活下来，只能挤进去。结果大家都不赚钱。产业协同是出路。我见过几家AI企业联合起来，跟一家医疗设备厂商谈合作。设备厂商把AI预装在CT、DR、超声里，统一销售。企业按使用量分成。这个模式让每家小企业都能触达更多医院，设备厂商也增加了产品卖点。
国际竞争是另一个维度。我对比过中美欧的AI医疗审批路径。FDA对AI医疗器械的审批相对灵活，允许上市后调整算法。欧洲的MDR强调数据隐私和临床评价。NMPA注重多中心临床验证。有家企业同时申报三个市场，注册负责人跟我说，他们准备了两年材料，花了上千万。中小企业根本做不到。标准共建能降低这个成本。我了解到国际医疗器械监管机构论坛在推动AI医疗器械的全球协调。中国也在参与。如果未来能有一套国际互认的AI医疗评价标准，企业就不用重复做三套临床研究了。这件事对产业的意义很大。
标准共建不只是监管标准，还有数据标准、接口标准、评价标准。我访谈过一位参与标准制定的专家，他说目前医疗AI的数据接口标准很乱。不同厂商的AI产品要接入医院信息系统，需要定制开发。一家医院上线五个AI产品，信息科要对接五次。成本高，效率低。如果行业能推出统一的AI接口标准，像USB接口一样，即插即用。医院采购AI的意愿会高很多。评价标准也很关键。现在很多AI产品宣传的准确率是在私有数据集上算的，没有可比性。如果有第三方公共数据集和标准化评测方法，医院选型就有依据了。
5.5 对医疗机构、企业、投资人与政策制定者的建议
对医疗机构，我想说三句话。别把AI当万能药，先想清楚要解决什么问题。我见过医院跟风采购AI，买回来没人用，放在机房里落灰。别让信息科单打独斗，临床科室要深度参与。AI产品的选型和验收，要有医生代表。早点培养复合型人才。懂临床又懂数据的人，在未来的医院里会越来越抢手。我认识一位放射科医生，他自己学了Python，能看懂AI模型的性能报告。他跟AI厂商谈判的时候，对方不敢糊弄他。这样的医生越多，医院在AI采购和使用上就越主动。
对企业，我的建议是少谈算法，多谈临床价值。我访谈过一位医院院长，他说他看AI产品只问三个问题：能帮我提高诊断准确率吗？能帮我节省医生时间吗？能帮我增加科室收入吗？三个问题有一个答不上来，他就不买。企业与其在论文里刷AUC，不如去临床科室蹲点，看医生到底怎么工作。商业模式上，别总想着按次收费。医院不喜欢不可预测的支出。按年授权、按设备打包、按健康管理人头付费，这些方式更容易被接受。还有，别忽视基层市场。基层医院缺医生缺技术，对AI的渴望比大医院更强。产品要做得简单、便宜、耐用。
对投资人，我想说这个行业需要耐心资本。AI医疗的回报周期比互联网长得多。一个AI医疗器械从研发到拿证到进医保，五年算快的。我见过一些基金投了一年就着急退出，逼着企业刷营收，结果企业动作变形。真正能跑出来的AI医疗企业，往往是那些沉下心做临床验证、建数据壁垒、磨工作流集成的。投资人如果有医疗背景或者愿意花时间理解临床，会更有判断力。别只看技术团队，要看他们有没有临床合作伙伴，有没有真实世界数据。
对政策制定者，我有三个期待。监管科学要跟上技术迭代。AI医疗器械是持续学习的，传统的一次性审批模式不够用。预定变更控制计划是个好方向，可以推广。医保支付要打开口子。没有支付机制，AI医疗永远只能是医院的锦上添花。可以选一些卫生经济学证据强的场景，比如糖网筛查、慢病管理，先纳入医保试点。数据开放要有安全框架。医疗数据是AI的燃料，可数据孤岛让燃料用不起来。隐私计算、联邦学习、数据信托，这些工具要在政策层面得到认可和规范。政策制定者需要跟临床医生、工程师、伦理学家坐在一起，共同设计规则。AI医疗的未来不取决于算法有多强，取决于整个社会能不能形成合力。
未来几年，我会继续跟踪AI医疗的落地。热闹的发布会看多了，我更愿意走进医院，看医生怎么用AI，听患者怎么说。技术会变，临床需求不会变。谁能把AI变成医生顺手的一支笔，谁就能走到最后。
