不仅于此，从 " 十四五 " 明确提出发展医疗人工智能之后，多部门、地方相继出台具体 AI 医疗指导方案，引导人工智能技术面向精准医疗、精细化运营管理、患者服务、健康管理等多个应用场景加速落地，助力医疗的高质量发展。
在政策的引导下，AI+ 医疗步入了快速落地的阶段。对此，东软集团副总裁兼医疗健康事业部总经理李东表示，东软十分看好 AI+ 医疗这个赛道，" 特别是大模型技术日趋成熟与算力成本下降后，我们围绕临床智能化进行了深入探索，结合多年行业积累，已落地众多 AI 应用场景。"
AI+ 医疗市场庞大
AI+ 医疗其实不是伴随着生成式 AI 的兴起才出现的。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贡献。
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。可以说 AI 医疗早在上一个 AI 时代就开始影响着人们的生活了。
而当 ChatGPT 问世以后，AI+ 医疗的呼声一直没有停下，近年来，AI 技术正在改变药物研发、疾病诊断、个性化治疗和慢病管理等领域的现状，尤其是在 DeepSeek 问世之后，将算力及模型应用成本大幅降低后。
根据 Global Market Insights 报告，预计 "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。IDC 预计，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。
从应用上看，AI 的能力在医疗行业的应用主要有三个方面：一是，医疗行业可以通过大模型提升医疗工作者的工作效率，进而还能弥合当下切实存在的医疗资源不平衡的问题；二是，通过大模型的能力，可以降低患者在医院候诊、诊疗的时间，提升患者整体就医体验；三是，通过大模型的能力，医药制造等相关领域可以提升研发新药的效率，同时还能降低研发成本。
智能化融合度仍较低
对于医疗机构来说，在提升工作效率，以及提升患者整体体验方面的应用是其主要发力的领域，但在李东看来，目前 AI+ 医疗的发展仍然面临着一些挑战。
首先，就如同其他行业应用一样，AI+ 医疗也同样面临着数据困境、可解释性、能力离散等 " 通用 " 的问题。针对此，李东表示，在数据方面，目前为止医疗机构的高质量数据匮乏，很多医院里边积累的数据的标准化程度很低，难以直接用于模型训练。
在数据标注层面，在医疗领域的专病影像科研里虽有大量的数据积累，但以 CT 像影像为例，上万张图像中，标识局部病变的可能不足几十张，甚至更少。" 除此之外，罕见病、疑难重症的数据样本更稀少，这也是 AI 起到更好的效果的过程中，遇到一个很重要的挑战。" 李东强调。
而在可解释性方面，医疗领域特有的严肃性、严谨性的特点，" 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 数字价值年会期间指出。
无独有偶，李东也表达了类似的看法，他指出，在实际临床应用中，AI 的幻觉问题，以及 " 黑盒 " 特性下的不可解释性问题，是实践过程中遇到的最大挑战，" 许多产品都在讲是些内容、能力，包括提效，但在真正应用，面向临床医生，面向临床管理，以及面向医疗安全的过程中，存在因果链解不足的问题，这也是当前 AI+ 医疗的挑战之一。" 李东强调。
目前 AI 具备问答、检索、摘要等多种能力，但彼此相对独立，未能形成合力。李东认为，医护人员需要的不是一个独立的 AI" 窗口 "，而是一个能深度融合于工作流程的载体。" 一些所谓的智能化应用仅是简单自动化，对医护人员提效而言，杯水车薪。"
除了上述这些医疗行业，乃至全行业在 AI 落地过程中的 " 通病 " 之外，对于不同的医疗机构而言，还存在一些 " 个性化 " 的挑战。不同级别的医院面临的挑战也各不相同。
对于头部的科研型医院来说，他们在原先数字化转型过程中，就处于了领先的位置，高质量数据集较多，而李东表示，这些头部医院在智能应用创新与临床结合方面走的比较靠前。
与之不同的是，对于市级 /" 腰部 " 医院而言，因为数字化水平参差不齐，AI 多应用在一些导诊、分诊等基础的问答层面，与头部医院仍存在较大的差距。
而对于基层的医疗机构来说，如何以更具性价比的方式，在基层规模化应用大模型的能力，辅助医生对患者进行诊疗，并提升医生的整体水平。
AI+ 医疗如何更好落地？
面对如此多的挑战，李东给出的建议是数据驱动，场景牵引。
在数据层面，医疗机构首先需要完善基础数据体系建设，做好数据治理，准备充足的行业 "Know-How"，用于 " 制造 " 出行业智能体，正如业内共识的—高质量数据是医疗 AI 的核心燃料，没有高质量数据就训练不出优秀的行业垂类大模型。
在场景层面，目前能看到的医疗行业应用大模型的场景大多在问诊、分诊等基础大语言类模型的问答层面。向辅助医疗决策、CT 影像识别等更深层的多模态应用拓展。
比如，通过大模型的辅助，能帮助医生快速识别诸如 X 光片、CT 等影像，从而大幅提升医生工作效率，也能降低患者等待的时间。" 原本每天能审阅 50 张 CT 片子，未来每天能审阅 500 张 / 天，那么医疗效果的提升，将让患者的就医体验，以及医生的工作体验都得以改善。"IEEE 标准协会新标准立项委员会副主席兼 IEEE 数字金融与经济标准委员会主席林道庄曾与笔者分享了多模态模型应用的场景。
为帮助医疗机构应对上述挑战，东软基于三十年行业积淀与人工智能技术实践，推出了添翼医疗健康智能化解决方案 2.0（简称 " 添翼 2.0"）。
据李东介绍，该方案遵循可信、可控、可持续三个原则，在三个方面实现了迭代。首先是数据基座，构建业务数据联动底座、奠定高质量 AI 基石；其次是赋能平台，打造安全可控赋能平台，确保可信赖的医疗智能；第三是价值扩展，平台实现能力跨机构开放，驱动城市级普惠医疗。
具体来看，添翼 2.0 以医疗业务痛点为起点，依托湖仓一体全量数据中心，运用飞标医学影像标注平台与洞察医疗数据智能平台，" 通过三大核心载体，构建了从原始数据到智能服务的闭环链条，全面释放医疗数据资产价值。" 李东介绍道，" 在这基础上，我们已经构建了 213 种专病的影像模型及 371 种通用的影像模型，形成支持 1 万多种疾病的能力矩阵。目前为止，准确度已经超过 90%，内涵质控规则的准确率超过 95%。"
实践是检验成效的唯一标准。据李东介绍，在武汉大学中南医院的实践中，通过上线医事服务赋能体、病历服务赋能体和 AI 技术赋能平台，实现了单一科室日均自动生成 500 份出院总结，全院日均完成 3500~4000 份病历内涵质控，病历质量与效率得到双重提升。（文｜Leo 张 ToB 杂谈，作者｜张申宇，编辑丨盖虹达）
