Related articles
2025 年 8 月，国务院 《关于深入实施“ 人工智能+” 行动的意见》 正式出台。其中“ 民生福祉” 板块直接对准医疗健康行业，为医疗健康行业发展描绘了清晰的顶层设计和宏伟蓝图。文件提出“ 打造更有品质的美好生活”：探索推广人人可享的高水平居民健康助手，有序推动人工智能在辅助诊疗、健康管理、医保服务等场景的应用，大幅提高基层医疗健康服务能力和效率。
AI 技术在医疗领域的应用从“ 可选” 变为“ 必选”。医疗行业作为数据密集型、专业门槛高、民生关联度强的领域，正成为 AI 技术落地的核心沃土。从临床辅助决策到医学影像分析，从专病科研到患者服务优化，AI 技术正在重构医疗服务的全链条。IDC 数据显示，到 2025 年，全球人工智能应用市场总值将达 1270 亿美元，其中医疗行业将占总规模的五分之一。而 Global Market Insights 的报告则进一步预测，“AI+医疗” 市场规模年均复合增速将超过 29%，2032 年将达到 700 亿美元。
AI+医疗，重构诊疗服务全链条
医疗行业的核心痛点—— 医疗资源分布不均、医生工作负荷过重、诊疗精准度有待提升、科研转化效率低下等，均为 AI 技术提供了广阔的应用场景。从东软等企业的实践来看，2025 年 AI 在医疗行业的应用已从早期的概念验证阶段，进入规模化落地的关键期，形成了以临床辅助决策、医学影像智能分析、医疗数据价值化利用、患者全周期服务为核心的几大应用赛道，且每个赛道均已出现具备示范效应的实践案例。
以临床辅助决策 （CDSS） 为例，在 AI 问世的初期 CDSS 就已经是医疗行业应用 AI 的重要领域之一，其核心价值在于弥补医疗知识爆炸与医生个体知识储备之间的“ 知识鸿沟”。医疗知识每三天翻一番的客观现实，使得即便是专科专家也难以全面掌握所有领域的最新进展，而循证医学的发展则进一步要求医生在诊疗过程中具备充分的证据支撑。从技术演进来看，CDSS 经历了从规则驱动、知识图谱驱动到如今大模型驱动的三次迭代，应用能力实现了质的飞跃。
早期的 CDSS 基于固定规则构建，局限性显著。1972 年，斯坦福大学的爱德华· 肖特利夫教授 （Edward Shortliffe） 团队开发了首个用于感染性疾病诊断的专家系统——MYCIN，该系统专注于辅助诊断细菌感染性疾病 （如脑膜炎） 并推荐抗生素治疗方案，其核心采用 基于规则的推理技术，通过编码约 600 条“ 如果－那么” 规则来模拟医生决策过程，标志着医疗人工智能从理论探索迈向实际应用的关键一步。
这类系统仅能处理特定病种的简单诊疗场景，且规则更新需要大量人工投入，难以适应医疗知识的快速迭代。随后出现的知识图谱驱动型 CDSS，通过构建结构化的医疗知识网络，提升了知识组织的系统性，但仍存在更新滞后、覆盖病种有限等问题。东软早期基于知识图谱的 CDSS 版本，能支持 1000 多种疾病的辅助诊断，且每次知识库更新都需要巨大投入。
大模型技术的出现为 CDSS 带来了革命性突破。通过大语言模型与向量模型的融合应用，CDSS 实现了知识库的实时动态更新，覆盖病种数量大幅提升，诊断准确率也显著优于传统技术。
据东软研究院院长张霞介绍，2023 年东软完成又一轮技术升级后的 CDSS 系统，已能支持 10000 多种疾病的智能辅助诊断，其在东软“ 添翼” 中的应用数据显示，Top5 诊断准确率达到 91.54%，超过了 80% 左右的人类专家平均水平。这一技术突破直接提升了医生对 CDSS 的接受度，也使得 CDSS 从“ 政策驱动部署” 转向“ 临床需求驱动应用”。
除了辅助决策之外，医学影像是 AI 在医疗领域应用最成熟的场景之一。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，在肿瘤治疗领域有明显共享。
2012 年前后 IBM 和医疗保险公司 Wellpoint 签订协议，会开发出一套面向医生的技术，使得医生可以通过自己的手机和平板电脑，了解肿瘤患者的身体状况。
早期的医学影像 AI 产品以肺结节、骨折等单病种筛查为主，产品同质化严重，且大多处于“ 能用但不好用” 的阶段。由于技术门槛相对较低，大量企业涌入这一赛道，但多数产品仅能实现病灶的初步检出，难以提供精准的定量分析和临床建议，且研发投入大、商业变现困难，导致整个赛道陷入“ 全行业亏损” 的困境。
多模态融合是医学影像 AI 的重要发展方向。东软正在研发的多模态影像分析模型，能够整合 CT、核磁、病理等多种数据，实现对单一病灶的多维度评估，提升诊断的精准度。例如，在脑胶质瘤手术规划中，东软通过融合患者的影像数据、病理数据和临床病历，构建智能分析模型，为医生提供肿瘤切除范围的建议，既保证了切除的彻底性，又避免了损伤脑部功能区。目前，该模型已完成科研验证，正在推进工程化转化，未来将直接应用于临床手术规划。
在商业落地方面，医学影像 AI 的变现模式正在从“ 产品销售” 向“ 服务收费” 转型。随着国家医保局推动影像云建设，电子胶片将逐步取代传统物理胶片，这为医学影像 AI 的规模化服务提供了基础。张霞告诉笔者，东软正在布局的血管健康度分析服务，就是这一转型的典型案例：患者通过影像云获取电子胶片后，还可选择进一步获取 AI 生成的血管健康评估报告，包括斑块分析、狭窄程度、血流速度等指标，为健康管理提供参考。这种服务模式不仅降低了医院的设备投入压力，也使得医学影像 AI 的价值能够直接触达患者，开辟了新的商业路径。
说到应用落地，目前来看，AI+医疗体系化走得最为靠前就是“ 人机协同” 服务模式，让高质量的医疗服务更可及，中国平安首席技术官王晓航曾表示，AI 赋能家庭医生是 AI 角色变化的重要体现。AI 家庭医生可以帮助医生进行病史整理、客户信息交换、预诊、健康咨询、分诊等，达到流程自动化、体系规范化，“ 目前 AI 可以辅助家庭医生完成 50% 以上的工作。” 他说。
平安科技医疗 AI 产品团队总经理倪渊曾透露平安通过 AI 预诊、专家服务，在远程可以解决很多偏远地区的人来线上问诊的问题。例如，一位有胸闷胸痛问题的患者，经过 AI 初诊发现问题严重，随后被安排线下就医，最终确诊为肺部肿瘤；平安还通过多学科会诊帮他连接多个专家，提供了二诊建议。
同时，倪渊曾公开表示，平安的家庭医生和健管师，平时会做一些客户的随访干预，但因为他们通常比较忙，可能随访不一定很全面，随访占比最多可能达到 20%。如今，AI 介入以后，可以达到全量个性化随访。
在慢病管理中，因为有了 AI 全程督促，人工健管师可以有更多时间做有温度的患者服务，客户群活跃度大幅提升。80%—90% 的用户，推荐使用这套 AI+人的管理模式。
AI 已进入规模化落地阶段
从目前市面上各个厂商的解决方案，以及医疗机构的应用来看，AI+医疗已经进入了规模化应用的阶段，并且这个趋势将在 2026 年得以更进一步的深入。
新一轮 AI 技术给医疗行业带来感官最强的提升就是在患者服务领域的应用。这些应用的核心目标是优化就医流程、缩短就医时间、提升患者体验。从行业实践来看，相关应用已覆盖从院前预问诊、院中导诊分诊到院后随访的全周期，形成了多元化的产品形态。
而 AI+医疗也成为众多大厂布局的重点方向。以平安为例，平安以“ 综合金融+医疗养老” 双轮驱动为战略，聚焦 AI 医疗“ 能咨询、能办事、能应急” 的核心定位，构建差异化服务体系。其以超级客服为统一 AI 入口，通过语音交互简化操作，核心依托“ 到线、到院、到家、到企” 四到服务体系，覆盖在线问诊、线下挂号绿通、居家养老智能服务及企业医疗支持等全场景。AI 承担导航员、医助、多学科会诊助手等多重角色，同时凭借 2.5 亿客户数据沉淀、开源大模型技术路径及合规牌照保障服务落地。核心产品平安 AI 医生作为 7x24 小时数字家庭医生，目前能实现常见病诊疗准确率超 95%，健康咨询准确率 97%，问诊准确率 98%，用户规模达千万级。具体案例中，用户询问头晕、胸闷等症状时，AI 医生经多轮追问生成健康小结，引导至真人医生问诊，结束后可智能推荐线下医院，实现严肃医疗闭环。
除了大幅提升了患者的就医体验之外，在诊疗阶段，AI 技术，尤其是生成式 AI 技术的出现，也有助于医生提升诊疗效率和准确度。
以慢性阻塞性肺疾病 （简称慢阻肺） 为例，这是一种常见的、可预防和治疗的慢性气道疾病，其特征是持续存在的气流受限和相应的呼吸系统症状。在中国约有 1 亿慢阻肺患者，每年导致约 100 万人死亡，已成为中国致死率第三高的疾病。
慢阻肺发病时会出现胸闷、呼吸困难等症状，与很多其他疾病具有相似的病症，筛查要通过胸部 CT 进行，而对于医生而言，解读 CT 影像给出诊断意见需要消耗大量时间，而对于急性发作的患者来说等报告的时间过于漫长，患者有可能在短时间内有生命危险。
这时候，如果将 AI 技术应用到 CT 筛查中，就能够快速对 CT 影像进行初步解读、筛查出可能是慢阻肺造成的患者不适，医生能尽快干预治疗，从而让患者在发病初期就能得到适当的治疗，降低慢阻肺的死亡率。
东软医疗基于此，与广州医科大学附属第一医院广州呼吸健康研究院合推出肺部 CT 影像处理软件 NeuLungCARE-QA，填补国内通过胸部 CT 平扫图像筛查慢阻肺的技术空白。
据了解，NeuLungCARE-QA 是一款针对慢阻肺筛查的智能辅助分析软件，软件可以通过肺部 CT 平扫图像的自动分析，输出肺实质分析定量 （Quantification 定量） 与支气管 （Air 气道） 的相关参数，辅助医生进行慢阻肺的早期筛查等临床应用，从而有效推进呼吸疾病“ 早筛早诊早治疗” 的健康行动落实。相较于肺功能检测，CT 平扫覆盖面广，且已在基层医院和体检中心普及。因此，在肺癌 CT 筛查人群中，借助 NLC 软件即可进一步挖掘受检者的胸部 CT 平扫信息，帮助尽早发现潜在的慢阻肺患者，将防治前移至无症状期，使患者获益更多。
而在皮肤病筛查等方向上，也有不少服务商通过生成式 AI 的能力，提升了医生诊断效率和准确度。以京东健康为例，数据显示，京东互联网医院皮肤医院基于大模型的 AI 辅诊准确率超过 95%，皮肤医院开发的专病随访服务患者付费转化率已达 20%。
对此，京东健康探索研究院 （JDH XLab） 的大模型专家向钛媒体 APP 表示，从目前医疗大模型应用趋势看，AI 在专病专科场景的应用价值在不断放大。目前，“ 京医千询” 医疗大模型已实现从通用基座模型到全科大模型，再到专科专病大模型的技术演进，也正与国内顶级医疗机构合作，持续研发涵盖大部分常见肿瘤和重大慢性病的专科专病大模型。
技术、商业模式仍待完善
尽管 AI 在医疗行业的应用取得了显著进展，但从“ 技术可行” 到“ 规模化落地”，仍面临着一系列挑战。这些挑战既包括技术层面的可解释性、数据质量等问题，也包括商业层面的成本高企、变现困难等困境，还涉及生态层面的政策监管、数据共享等障碍。
技术层面，自从 AI 在医疗行业开始应用以来，可解释性与严肃性的问题就一直是困扰两者融合的最大阻碍，“ 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 数字价值年会期间就指出了这个问题。
医疗行业的核心特质是诊疗的严肃性和过程的不可逆性，这对 AI 技术提出了极高的要求—— 不仅要“ 准确”，还要“ 可解释”，能够让医生理解 AI 决策的依据，从而放心使用。但当前的 AI 技术，尤其是大模型技术，仍存在“ 黑盒” 特性和“ 幻觉” 问题，难以完全满足医疗行业的要求。
在临床实践中，医生需要为每一个诊疗决策负责，因此必须了解决策的依据。但当前的大模型大多基于统计学习，其决策过程难以用人类可理解的语言解释。例如，AI 辅助诊断系统给出的“ 扁平疣可能性 90%” 的结论，医生无法知晓其是基于哪些症状、哪些数据得出的，这就导致医生难以完全信任并依赖 AI 的建议。
针对此，张霞表示，东软在病历生成系统中引入的“ 溯源功能”，正是为了解决这一问题—— 通过标注病历内容的来源依据，提升 AI 生成内容的可信度，但这一解决方案仅适用于文书生成等场景，难以覆盖辅助诊断、治疗建议等核心环节。
除了可解释性之外，数据是几乎所有行业落地 AI 过程中最大的阻碍之一，这点对于医疗行业而言，亦是如此。在此前与东软集团副总裁、医疗健康事业部总经理李东的交流中，他也曾对笔者表示，数据是技术层面面临的最大挑战。
在李东看来，目前医疗机构还缺乏高质量数据，很多医院积累的数据标准化程度很低，难以用来直接训练模型产品。这一问题源于医疗信息化建设的阶段性差异：早期的医疗信息系统多为独立建设，数据格式不统一；不同医生的病历书写习惯不同，导致文本数据的规范性不足；部分基层医疗机构的设备精度有限，导致影像数据、检验数据的准确性难以保证。例如，同一疾病在不同医院的病历中可能有不同的表述，AI 模型难以准确识别和学习；基层医院的 CT 设备生成的影像数据噪声较多，会影响 AI 模型的分析精度。“ 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，“ 医学发展本身是动态的，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。需要把它们形成高质量的语料去赋能大模型的应用。”
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。
在做好体系建设之后，数据如何更好地实现共享，也是阻碍当前医疗行业整体 AI 落地效果的一个挑战。由于医疗数据涉及患者隐私，且缺乏统一的共享机制，不同医院之间的数据难以流通，导致 AI 模型只能基于单一医院的数据进行训练，泛化能力有限。上海某三甲医院主治医师张医生表示，出于数据安全和隐私保护等因素的考虑，目前医生只能看到患者在本院做的检查结果，无法获取患者在其他医院的病史、用药等信息，这不仅影响了 AI 模型的训练，也制约了医生的诊疗决策。针对此，张霞向笔者透露，东软参与的医疗可信数据空间建设项目，通过脱敏处理、联邦学习等技术，在一定程度上实现了数据的共享，但这类项目仍处于试点阶段，尚未形成规模化推广的模式。
除了技术上的难题之外，成本高企、变现困难，难以形成可持续的商业模式等商业化的难题也是目前 AI+医疗需要面对的挑战。
当前 AI+医疗的商业环境面临着成本高企、变现困难、ROI（投资回报率） 偏低等问题，导致很多企业陷入“ 叫好不叫座” 的困境。
研发成本和部署成本双高，是企业面临的主要压力。AI 医疗产品的研发需要大量的技术人员和医疗专家参与，且研发周期长、迭代速度快。而在部署阶段，AI 系统需要与医院现有的信息系统对接，这需要进行大量的定制化开发，尤其是对于信息化水平参差不齐的腰部医院和基层医疗机构，部署成本较高。多个企业的实践表明，一个 AI 医疗项目的前期投入往往需要上千万元，且回收周期长达 3—5 年，这对企业的资金实力是巨大的考验。
商业变现困难是制约行业发展的核心瓶颈。AI 技术当下即是如此。以辅助看片的场景为例，将 AI 的能力植入到医学诊断软件之中，如果植入 AI 能力的软件要比没有 AI 能力的软件更贵的话，很多医院都不愿意为“ 多出的部分” 买单。这一现象的背后，是 AI 技术的价值尚未得到充分认可。此外，医保支付政策的缺失也影响了商业变现，目前 AI 医疗服务尚未纳入医保报销范围，患者的付费意愿也相对较低，导致商业模式难以闭环。
不同层级医疗机构的付费能力差异，进一步加剧了变现困难。三甲医院虽然有一定的付费能力，但对 AI 产品的要求极高，且议价能力强；腰部医院和基层医疗机构的付费能力有限，更多地依赖政府补贴，而政府补贴的规模有限，难以支撑大规模的 AI 部署。
AI+医疗的发展是一场长期的革命，需要技术、商业与生态的协同进化。当前，虽然面临着诸多挑战，但随着各方主体的共同努力和技术的不断迭代，AI 医疗将在 2026 年进入规模化落地的新阶段，为医疗行业的高质量发展注入新的动力。通过众多相关企业的实践表明，只有立足临床需求，聚焦核心痛点，通过技术创新、商业模式创新和生态协同，才能真正实现 AI 技术与医疗行业的深度融合，最终惠及广大患者，推动健康中国战略的实施。
（文｜Leo 张 ToB 杂谈，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
