医疗江湖来了位AI医生

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？

01 三大阶段：AI辅助诊断演进

-Step1  医学影像识别——干体力劳动的AI

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。

-Step2 智能分诊与辅助预诊——AI学会“对话”

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。

今年3月，阜外深圳医院上线了基于小程序的全流程智能导诊服务，覆盖挂号、缴费、就诊、检查、住院等环节，并提供 7×24 小时在线响应，相当于为患者配置了一位“AI就诊管家”。该服务全面运行后，在人力不增加的情况下，医院 2025 年前两个月门诊量提升 14.7%，患者平均候诊时间由约 35 分钟缩短至 18 分钟，在一定程度上缓解了大城市医院“人满为患”的压力。

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。

-Step3 大模型驱动的个性化诊断——AI智库

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”。

02 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。

03 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。

04 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。

可以把这个组合形象地理解为“通用医生+专科医生”：大模型就像基础科的通用医生，阅历广、知识面大，负责整体诊疗思路和语言理解；小模型则像经验丰富的专科医生，精通某个领域，能精准解读影像、分析罕见病或制定专项治疗方案。两者协作，就像团队开会时把基础判断和专业意见结合起来，既不丢掉全局，也不放过细节，让AI在临床中发挥出最大价值。

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。

本文来自微信公众号“极新”，作者：王子，36氪经授权发布。