出品 | 陈博观察 (ID: Drchenobservation)
编辑 | Will Chan
来源：陈博观察AI工作站（Doubao AI）创作
一、医疗人工智能：发展驱动与价值分歧
1.1 三向驱动下的高速发展
2025 年医疗 AI 最显著的变化集中在大模型突破式演变与医疗机构规模化参与。2023 年起，医疗信息化领域出现 100b 以内的医疗基础模型，但受限于 GPU 等算力设备高投入，仅头部三甲医院能部署。而 DeepSeek-R1 通过参数高效微调（PEFT）、混合专家架构（MoE）等创新降低了大模型入场门槛，加之国产基础模型的突围，推动医疗机构加速部署。截至 2025 年 5 月，国内排名前 100 的医院已全部完善大模型部署，38 家医院进一步研发出 55 个垂直医疗模型，其中 22 个为专科模型。
医生对大模型的实操热情远超传统 AI，即便部分地区限制医院自行算力采购，仍有医生通过科研申请坚持借助大模型开展临床科研。同时，非 Transformer 架构 AI 在临床应用愈发深入，从医技科、信息科的问诊、检查、随访环节，延伸至胸外科、神经外科等科室的治疗场景，超过 90% 使用过相关 AI 的医生给予正向反馈，证实其能提升手术精准度、降低并发症概率。
政策层面推进力度持续加大，2025 年 3 月国家药监局发布相关举措征求意见稿，拟制定多病种、大模型领域技术指导原则，简化算法性能优化类产品变更注册要求；2025 年 11 月，国家卫生健康委等五部门联合发布实施意见，提出 24 个重点应用建设方向，要求 2027 年建成高质量数据集、可信数据空间及临床专病专科垂直大模型等，明晰了医疗 AI 的发展路径。
1.2 难以平衡的价值分歧
医疗 AI 商业化受阻的核心原因是不同主体间的价值分歧，医院难以精准核算效益，应用产生的诊疗效益也未必能转化为医院价值。
短期来看，医院和医生利益大多不一致：患者排队时 AI 对单一环节的优化能提升整体效率，无排队时 AI 仅减轻医生工作负担却不带来短期效益；医院可能为评级采购 AI，忽视与医生使用体验相关的应用能力、互操作性等因素；医院希望医生整理数据实现模型自主学习，但这与医生短期利益不符，部分医生存在抵触情绪。
长期来看，双方利益大多趋于一致：更好的手术质量能提升医院名望和患者量，进而增加科室效益与医生收入；AI 节省的时间可助力医生开展科教工作，提升个人影响力与医院科研实力；模型学习医生习惯后可提供个性化设置，提高手术效益与效率。但对于资深医生而言，无偿分享经验数据会降低自身竞争力，且 AI 规模化使用可能减少医院对医生的需求，存在岗位或薪资调整风险。
患者与科室利益也可能存在冲突：AI 优化疗效与手术能为患者带来更好预后，在 DRG 支付下提升结余，进而增加医生及科室收入，但部分流程优化缩短患者治疗时间与花费时，可能因编码改变、科室协助减少导致科室收入下降。
当前经济环境下，医院现金流紧张，倾向于投资回收期短的创新技术，虽能接受 AI 落地但难以为其付费。而 2020-2021 年起部署专科 AI 的医院，已部分实现科室效率与就诊人数双向提升，不同科室的效益计量受多种因素影响，需独立考察。
二、临床专科人工智能：应用场景与商业化探索
临床专科类 AI 起步晚、发展快，五年内已覆盖各科室各环节，天生内置医生思维，能融入诊疗流程并优化效益，但科研成功不等同于商业化成功，价值输出分歧导致医院热衷使用却不愿购买。
2.1 胸外科：从诊断到全流程智慧赋能
胸外科患者诊疗量大、临床压力高，且诊疗数据易于标准化，成为医疗 AI 最早赋能的场景之一。如今胸外科 AI 已从单一肺结节辅助诊断系统，发展为全肺 AI 解决方案，实现从 “单病种” 到 “多病种”、从单一诊断环节到全流程赋能的跨越。
辅助诊断方面，AI 能快速识别、测量、归类肺结节并给出风险系数，人机协作模式下诊断耗时从 5-10 分钟缩短至 1.6-2.2 分钟，效率提升 56%-84%，CT 层数增加时效率提升比率更高。东北某三甲医院引入 AI 后，诊断效率提升约 73%，门诊量提升约 40%。随着 CT 分辨率不断精进，AI 在处理高分辨率、多层数影像上的优势愈发凸显，相关顶级期刊论文研究成果也将进一步扩大 AI 辅助诊断系统的价值。
辅助穿刺领域，AI 融合 3D 打印技术，在重建阶段能提高建模效率 80%-95% 及精度，在手术阶段可优化复杂手术规划、指导穿刺角度，降低手术风险、减少并发症。伽奈维医疗的 CR-NAV100 穿刺手术机器人表现突出，其定位成功率、穿刺调整次数、患者 CT 扫描次数均显著优于传统人工穿刺，平均整体手术时间大幅缩短，还降低了手术操作门槛，让低年资医生借助普通 CT 即可开展高质量穿刺治疗。
手术规划环节，AI 将自动化引入肺部三维建模，解决传统 3D 重建手工分割耗时的问题，能清晰呈现结节与肺段、亚段的解剖关联，帮助医生确定精准切除范围，避免过度切除正常肺组织。相关研究显示，人机协同下解剖变异识别准确率提升 8%，误差减少 41%，规划时间缩短 25%。哈尔滨医科大学附属第一医院引入 AI 后，患者 3 年生存率提升约 20%，并发症显著减少，平均住院日从 12 天缩短至 5 天，效率提升约 58.3%。
术中导航方面，AI 可将术前三维模型与腔镜实时画面融合，识别血管、胆管等关键结构并发出预警，降低手术风险与并发症发生率，但短期内为科室带来的价值有限。此外，还有从患者需求出发的 AI 应用，如复旦大学附属中山医院的 “终节者” 小程序，能快速判断结节风险度，优化门诊资源分配；蚂蚁 AQ 开发的王俊院士胸外科智能体，可对接挂号通道，提升患者体验。
商业价值方面，胸外科 AI 的价值分为增效、提质、优化流程三类，增效主要惠及科室，提质主要惠及患者，优化流程部分情况下惠及双方。提效模式对科室收益影响有限，受木桶原理制约；提质模式在床位饱和且诊疗成本低于 DRG 组付费标准时，能通过缩短平均住院日增加医保支付结余，床位有空余时价值有限；优化流程模式综合价值更高，但可能不利于 DRG 下的科室绩效考核，短期内商业价值受影响，长期潜力与 DRG 支付规则变化相关。
2.2 心内科：器械销售带动商业化新路径
十年发展，心脏领域已从智能化应用贫瘠地转变为医疗 AI 沃土，解决方案覆盖问诊、检查、治疗、随访全流程。其快速落地既得益于冠心病、高血压等大通量疾病的支撑，也受益于全国心血管疾病管理能力评估与提升工程（CDQI），国内三级医院参与六大中心建设，推动心电、CTA 等 AI 迅速落地。
基础检查中，心电图相关 AI 应用最为广泛，院外可穿戴设备、院内专业监测设备均有部署。“心电一张网” 作为区域化心电远程诊断网络，以 AI 为核心支撑，实现秒级响应（数秒内完成分析，急诊危急病例快速推送）、标准化解读（诊断准确率达 95% 以上，关键病症识别率超 99%）、降低诊疗门槛（辅助基层医生完成规范采集与初步筛查）、优化资源配置（分流常规病例，聚焦复杂病例）。医生调研反馈，AI 可使问诊效率提高 50%，病历时间缩短 80%，“医生 + AI” 模式综合诊断准确率超 95%。
心超领域，AI 可实时引导探头定位、优化图像清晰度，自动完成核心指标量化分析（误差率低于 3%），精准识别多种心脏疾病（关键病症诊断准确率超 95%）。讯飞医疗的多模态大模型心脏超声智能报告系统，在北京安贞医院的应用数据显示，对心脏超声描述的识别准确率达 92%，诊断提示正确率达 96%。
分路径评估中，无创评估首选冠脉 CT，AI 可自动识别血管并命名，完成曲面重建等，帮助医生识别斑块稳定性；有创评估中冠脉造影相关 AI 多由 DSA 设备厂商研发，能借助 AI 降噪和增强，提高信噪比并减少造影剂用量。SYNTAX 评分的 AI 化是行业难点，悦唯医疗研发的 AI SYNTAX 评分系统，依托北京安贞医院超 2W 条真实脱敏数据，实现全程自主创新，已落地 78 家医疗机构，且无遗漏案例。
介入治疗场景中，AI 配合 DSA、OCT、IVUS 开展手术规划、导航等应用，核心价值在于提升手术效益，避免不必要的支架植入，降低术后血管再狭窄风险。如 AI+IVUS 能精准处理标准血管切面，将解读时间从 10-15 分钟压缩至 3-5 分钟，但目前仅在常见术式中能提供高准确率判断，仍需更多医院建立丰富数据库支撑。
商业化方面，政策驱动下 “心电一张网” 相关 AI 采购活跃，标的成交价普遍在 1000 万左右（含软硬件）；而诊断、治疗过程中的 AI 多以合作形式进入科室，医院直接购置意愿低。核心原因在于价值分歧，AI 虽能提升手术效果、减少高值耗材使用，但可能延长手术时间、增加医生射线暴露，且医保支付支持不足，多数 AI 需患者自费，付费意愿低，医院投入回报期长，加之相关 AI 价格多为百万级，非顶级三甲医院难以负担。
医生认为心脏 AI 仍有商业突破可能：硬件投入向软件投入转移，国产设备竞争压低硬件支出，医院可能补充采购患者价值显著的 AI；医保支付向患者支付转移，若 AI 能显著改善治疗效果，医院可能鼓励患者自费；AI 可配合 ICD、CRTD 等高价设备或消融、房颤等手术销售，借助显著价值提升跑通医保外商业化路径。
2.3 骨科：机器人与 3D 打印推动规模化落地
骨科包含多个细分科室，疾病主要分为颈椎脊柱腰椎疼痛或突出、关节退行性或创伤性疾病、骨折三类，治疗方式因病种而异。骨科医生临床工作涵盖疾病治疗、医疗服务、自我提升，其中疾病治疗领域 AI 应用最为集中，难度大且耗时久的环节商业化进程更靠前。
诊断环节，AI 应用渗透率高但商业化落地少。骨科诊断高度依赖影像资料，CT 影像即可满足多数需求，除骨肿瘤外，其他疾病诊断逻辑清晰，数据标准化程度高，契合 AI 应用特性。但这类诊断相对简单、耗时有限，AI 仅能 “锦上添花”，医院付费意愿不足。
治疗环节中，手术规划环节的 3D 建模及 3D 打印等 AI 辅助工具更受欢迎，能让手术规划更精准，降低医患沟通难度，缩短年轻医生学习曲线；手术规划类软件虽有医生尝试使用，但受医生手术理念差异影响，满意度有待提高，商业化仍需时间。
手术执行环节AI 商业化走在前端，集中在 3D 打印材料和手术机器人。3D 打印材料（定位导板、植入体、康复支具等）能显著缩短定位时间（60% 以上），提供个性化植入体和支具，带来 “效益型” 价值，付费意愿强烈，且国产覆盖广，政策支持 “服务导向” 取代 “产品导向”，部分产品已纳入医保。但目前 3D 打印植入体制作周期较长，巴科斯生物通过 AI 技术融入服务全流程，可将交付时间缩短 70-80%，有望实现当天交付。
AI + 手术机器人能同时提升骨科手术的上限及下限，降低高风险手术的执行门槛，减少医生手术焦虑，避免明显失误，即便需患者额外自费万级费用，仍拥有可观手术量。临床期待 AI 能基于海量手术过程学习，建立骨科手术质量 “评估体系”，促进手术理念交流与创新。
术后康复环节对骨科疾病治疗至关重要，但目前多依赖医生零星时间和患者康复意愿，临床期待 AI 加入实现康复计划个性化、执行规范化。部分地区已出现术后康复服务收费编码，亟待更多优质 AI 应用落地。
商业价值方面，成功实现商业化的产品均带来价值增量，如脊柱外科手术机器人助力科室手术量提升 10%-20%。使用者获益感知度与商业化进程成正比，术后管理板块患者获益程度高但感知度低，需加强市场教育。医疗服务环节，AI 辅助患者沟通缓解医生压力，信息化厂商开发的 AI 插件助力医生应对医保政策落地难题；自我提升环节，科研用 AI 软件商业化路径清晰，因付费方、预算明确，无硬性获证要求，产品性能获认可后可快速实现闭环。
2.4 神外科：聚焦精细手术的 AI 重塑
神经外科主要就诊疾病包括脊椎相关疾病、颅脑创伤、颅内肿瘤、脑血管疾病及功能神经性疾病，不同级别医院疾病占比存在差异，50%-80% 的疾病需手术治疗。临床医生工作以疾病治疗、医疗服务、自我提升为主，重点围绕疾病治疗板块展开 AI 应用分析。
诊断环节，AI 应用集中在影像阅片及心电图、脑电图长程数据判读。神外疾病诊断涉及的影像类型更复杂，需识别的组织更多，AI 能清晰识别正常与非正常组织并勾勒病灶边界，重塑关键血管、神经的三维结构，临床满意度高，医生普遍给出 80-90 分评价，认为其能明显缩短诊断时间、提升精准度。心电图和脑电图 AI 判读虽起步晚、表现稍逊，但临床期待值高。
手术规划是神外手术治疗的难点与关键，三维重建、AI 手术入路规划、AR 增强现实技术等均有应用，临床反馈积极。AI 手术入路设计能辅助提高规划质量，但仍存在手术失败需传统方式重做的概率，医生体验打分为 70-80 分。AI 介入还降低了医患沟通门槛，能更详细判断手术风险并给出规避方案，如西门子医疗的 Cinematic Reality Plus 裸眼 3D 医学影像可视化系统，为术前规划、医患沟通提供沉浸式体验。
手术执行环节，AI 应用较多且部分有多个品牌可选。手术机器人用于电极植入、穿刺手术等精细度要求高的 4 级大手术，目前辅助手术量占比不足 5%，未解锁新手术类型且成本高昂，接受度和商业化仍有距离。手术定位相关 AI 应用（AI+3D 打印定位板、AI 定位系统等）使用率高，能缩短整体手术时间约三分之一，减少并发症，获得高认可度；电生理实时监测能术中实时风险提醒，避免神经功能受损，临床体验打分达 90-95 分；3D 颅骨重建在限期手术中表现突出，缩短等待时长，在美观和功能性上效果好，患者端获益明显，商业化进展快。
商业价值方面，单个 AI 产品的购买与收费模式短期内难以明确，但科室整体已感受到 AI 带来的显著收益。调研中科室主任表示，AI 在术前准备、手术环节和术后康复的辅助，使科室手术总量增长 20%-30%，手术创伤更小、患者恢复更快，还腾出空间开展更多功能性手术。此外，AI 在精神心理健康非手术领域应用更成熟，如京东健康的京医千询 2.0 大模型，在筛查、治疗、管理等环节发挥效益。
2.5 内分泌科：慢病管理的全周期赋能
内分泌系统调节人体多项基本生理功能，激素分泌紊乱会引发各类内分泌疾病，其中糖尿病及其并发症、甲状腺疾病占内分泌科就诊量的主要部分。内分泌疾病治疗重点在于长周期的行为习惯重塑，需要多维度数据指引和监督，现有医院流程及人力配置难以满足需求，存在多团队协作门槛高、人力成本高、服务能力天花板等局限。
AI 在内分泌科的慢病管理及患者随访中展现出极大价值，热门应用包括随访平台、个性化健康管理方案制定、AI 虚拟护士、自动危急值报警等。慢病管理是 AI “新增价值” 多于 “效率提升” 的领域，其加入让 “个性化” 和 “实时性” 管理场景得以实现。
以血糖管理为例，AI 应用可实时提供血糖数据，结合用户生活习惯做出个性化实时调整，还能实现 7*24 小时实时应答、危急值干预等。目前市场已有众多 AI 管理软件，协助临床医生及护士进行患者院外管理，实现院内外全周期闭环式健康管理。2025 年 3 月，全球首个 “1 型糖尿病专病大模型” 正式发布，由讯飞医疗与多家科研机构联合研发，以讯飞星火医疗大模型 X1 为底座，构建覆盖筛查、分型、治疗及管理的全链条数智化防控体系。
商业价值方面，随着健康管理理念的提升，患者付费意愿逐步增强，各地医保也陆续批准远程管理服务收费编码，相关 AI 应用产品借助健康管理服务收费实现商业化，作为科室提升慢病管理服务质量的 “投资” 被采购使用。
2.6 临床 AI 科室商业化的核心趋势
临床医疗 AI 已实现全方位落地，互联网企业聚焦问诊、随访环节，AI 初创企业、医疗器械企业聚焦检查、诊疗环节，但 “价值分歧” 导致商业化受限。仅顶级三甲医院及部分三甲医院引入 AI 后能短期内获得可量化价值指标，普通二级、三级医院虽能通过 AI 降低门槛，但长期使用中难以区分 AI 与其他技术的价值贡献，导致 AI 价值难以量化，商业化受阻。
探索患者作为支付方的商业模式成为重要方向。普通三级医院作为理想商业化对象，受 DRG、检查收费下降等政策影响支付能力削弱，医生普遍希望 AI 企业向患者收取服务费用，但目前能带来明显治疗效益、符合患者付费逻辑的医疗 AI 应用稀少。若患者付费成为主流模式，商保将发挥重要作用，医疗 AI 需提升自身价值，与商保协同创造新服务模式。
AI 可持续发展需加速医疗数据潜力开拓。医疗 AI 产品研发成本高（含研发、数据治理、注册审批、市场销售等费用），难以大幅降价，而数据治理费用最有可能短期内显著降低。数据资产基础设施的建立与数据标注技术的发展，将推动临床数据流转，助力开发过去受制于数据的应用，推动医院成为医疗 AI 应用开发主力。
医工结合成为医疗人工智能应用开发的主流模式。医院、高校对特定临床环节 AI 的开发热度不逊于企业，已有不少企业通过与医院紧密合作收获阶段性成果，如悦唯医疗的 SYNTAX 智能评分系统、伽奈维医疗的复合陡脉冲治疗系统、京东健康的京医千询 2.0 等，随着医工结合深入，行业将涌现更多成功案例。
三、临床支撑人工智能：落地模式与深度融合
临床支撑科室中，信息科强调 “方向”，聚焦数据流转规范性、系统架构适配性与信息利用前瞻性；医技科强调 “效益”，聚焦技术应用精准度与运行效率双重优化。AI 技术高度契合两类科室核心诉求，成为推动其技术升级、功能迭代的关键驱动力。
3.1 影像科：全流程 AI 赋能的成熟场景
影像科作为多数医院效率提升的短板，是 AI 赋能的核心领域，经过十余年发展，AI 已覆盖自动摆位、影像生成、质控、辅助阅片、报告生成等全流程，将医生从重复性劳动中解放出来，改变了影像科工作流程。
AI 赋能技师环节，扫描前阶段可实现零接触扫描、辅助摆位，这类应用多由 CT、MR 硬件厂商训练并嵌入设备，降低不合格扫描率、提升患者体验；扫描中阶段，影像增强技术能帮助医院在不更换设备的情况下实现升级，如深智透医利用 AI 增强 MRI，可加速成像速度 4-10 倍，最高减少 10 倍造影剂使用。
AI 赋能影像科医生环节，覆盖各大通量场景的辅助诊断应用能对医学影像进行初筛并标注可疑区域，医生再进行针对性分析确认。广东某三甲医院数据显示，AI 赋能后处理一份 128 排 CT 影像的时间从 7.5 分钟压缩至 2 分钟左右，效率提升约 275%。现有 AI 均自带结构化报告生成功能，不同企业产品在功能及效率上存在差异，但在复杂病例诊断上均展现出较强优势，如西门子医疗的 syngo.via 平台，能协助放射科医生将主动脉直径测量用时从 10 分钟减少到 2 分钟。
发展趋势方面，国家药监局相关政策为多病种 AI、大模型等新兴技术准入树立道标。多病种辅助诊断在性能上优于多个单病种 AI 连用，但对数据要求更高，依赖准入规则优化，未来 2-3 年内可能迎来准入潮；影像大模型理论上能更好应对多模态精准诊断等复杂场景，但在数据体量上存在天然劣势，国内仅联影智能、深睿医疗等少数企业实现技术突破，联影智能元智医疗影像大模型支持 10 + 影像模态、300 + 影像处理任务，关键任务精准度超 95%，且支持可拆解部署。
来源：蛋壳研究院，2025年医疗人工智能产业报告
3.2 放疗科：智慧放疗的价值提升与落地困境
放疗技术历经三大发展阶段，AI 技术推动其迈入自动勾画、在线自适应、质子 / 重离子布拉格峰精准爆破的智慧放疗新阶段。理想放疗追求精准与高效，但临床面临治疗规划依赖人工、耗时漫长、治疗效果受医师水平影响大、自适应放疗难以推进等阻碍，AI 与放疗核心需求高度契合，在多个关键环节体现出极大价值。
影像分析与自动分割是目前放疗科 AI 应用最成熟普及的环节，AI 能在多模态影像上实现快速、精准、一致的自动分割。传统手工勾画耗时冗长且存在主观差异，AI 自动勾画后仅需 1 分钟左右修订，效率提升超 90%，乳腺、头颈等复杂肿瘤勾画效率可提升 60%-70%。该技术不仅提升临床效率，还能避免正常组织过度照射，为患者带来直接诊疗效益，如 MD 安德森癌症中心通过相关技术使肺癌患者放射性肺损伤发生率显著下降 38%。
放疗自动计划与质控环节，AI 能学习海量优质计划数据，快速预测最优剂量分布，生成高质量计划，对于部分对称病例，可将传统 20 分钟的计划耗时缩短至 2-3 分钟。同时，AI 质控系统可自动评估计划合理性与执行复杂度，与实际照射剂量比对，保障治疗安全。
动态治疗实施与质控环节，AI 通过 LSTM 网络预测呼吸运动轨迹，驱动多叶光栅动态追踪肿瘤，解决生理运动带来的误差；基于深度学习的图像识别技术可实时监控患者体位，发生偏移时自动报警或暂停照射；光学体表监测系统结合 AI 算法，实现体表运动高精度实时追踪，推演出体内靶区运动轨迹，相较于传统 CBCT 扫描更具实时性和安全性。此外，AI 还能对设备运行状态进行预测性维护。
自适应放疗环节，AI 能将重新扫描影像、勾画靶区、计算剂量和生成新计划的全流程从数小时压缩至 15-20 分钟，实现 “每次治疗都是定制方案”。疗效与毒性预测环节，AI 整合多维数据构建预测模型，可预测患者毒副反应风险和生存预后，辅助医生调整方案或干预，如通过相关模型可将≥2 级放射性肺炎的发生率从 23.0% 大幅降低至 10.5%。
商业价值方面，AI 大幅解放人力，缓解物理师与技师短缺压力；降低人为错误，实现标准化质控，增强治疗安全性；为治疗精度与个体化提供技术储备。但落地仍面临多重困境：靶区勾画临床接受度低于危及器官，通用 AI 模型难以适配所有临床中心的金标准；放疗自动计划功能存在病种局限，射野角度选择等隐性知识难以量化；自适应放疗收费与效率不匹配，医保支付支持不足；疗效与毒性预测环节受数据壁垒与疗效归因困难影响，企业端难以有效介入。
3.3 病理科：大模型驱动的能力重构
病理科检验分为细胞病理、组织病理、分子病理等类别，制片、阅片、出具报告等是医生主要工作板块，其中制片环节最为耗时且关键，质量直接决定最终诊断质量。
制片环节，自动化 + AI 实现显著提质增效。制片过程步骤繁琐，对操作精度和时间控制要求高，自动化设备完成重复性、高精度动作，AI 则扮演 “监督” 和 “预判” 角色，实时确保制片准确与标准。自动化与 AI 的应用缩短了制片时间、提高了制片质量，解放了病理医生，使其能将更多时间投入阅片、诊断等核心环节。
阅片是 AI 应用的 “主战场”，主要价值体现在四大方向：病灶标记完成智能初筛、定量分析并辅助诊断、实现远程会诊助力优质资源下沉、智能优化流程管理。病理切片扫描仪是 AI 应用的基础，将切片 “物理信息” 转化为 “数字信息”，目前在病理数字化应用领域获证器械中占比大。
商业化方面，宫颈细胞病理辅助诊断走在前列。细胞病理占病理存量市场规模的近 70%，其中宫颈细胞病理检查占比超 70%，巨大市场需求与较高技术可行性推动其率先跑通商业化闭环。该领域 AI 主要解决医疗资源供应问题，缓解病理师缺口大、优质资源分布不均的矛盾，且细胞病理多为定性诊断，对 AI 要求属于判别式类型，训练准确度高，已有多款产品获得医疗器械三类证。
大模型为病理辅助诊断注入新动力。组织病理多为定量或半定量分析，对 AI 要求属于生成式类型，对数据量和算法要求更高，行业对其准确性要求极高。大模型的泛化能力能应对不同病理医生染色后的图像差异，可解释性则能展示判断逻辑和专业依据，增强医生信任。病理辅助诊断对临床效率提升显著，细胞病理领域 AI 辅助诊断软件深度应用有望节省 50% 人力，组织病理领域 AI 在初步筛查和病灶定位环节能将耗时从数十分钟甚至数小时缩短至秒级至几分钟。此外，大模型还有望赋予病理科更高效的诊疗能力，如相关研究团队借助大模型实现利用常规病理切片图像预测基因突变，精准度媲美传统基因检测。
但检验科 AI 产品商业化仍相对滞后，关键限速因素是临床试验工作量和经济投入大，且现阶段获批 AI 多具备单一功能，限制应用价值发挥，全面商业化落地需创新突破审批方式。
3.4 检验科：多模态大模型驱动的效率质变
检验科负责临床检验、生化检验、免疫检验等多种类型的检验工作，要求医生 “一专多能”。不同检验类型的自动化、数字化进展不同，AI 渗透程度差异较大：生化检验、免疫检验、临床检验自动化程度高，分子生物学检验自动化程度快速提升，微生物检验因依赖人工培养，自动化程度最低。
AI 助力解决各类检验关键难点，在自动化环节均有不同程度应用，如帮助内部自动审核、加速结果判断、避免人为失误，在流程优化、效率提升、数据管理和储存方面效果明显。
临床检验环节，AI 聚焦细胞形态学识别，自动识别和预分类异常细胞形态，充当 “初筛员” 减轻人工镜检负担，但最终仍需检验师把关复核。微生物检验环节，AI 处于辅助探索阶段，用于细菌和真菌识别及抗菌药物敏感性测试结果分析等，以缩短鉴定时间。此外，AI 助力下的二代测序技术可跳过微生物培养环节，显著缩短检验时间，在血流感染等重症疾病和罕见菌培养中表现突出。
免疫检验环节，AI 可进行荧光图像智能识别与判读、结果智能分析，如自身抗体检测中，AI 阅片将时间从 2 小时缩短至 6 分钟。分子生物学检验环节，AI 在引物 / 探针设计、扩增曲线分析等方面提供支持，助力精准医疗。
临床期待 AI 在数据整合上进一步发力，引入可整合各类检验数据、进行综合分析并给出辅助诊断意见的 AI 数据管理平台，为疾病诊断提供更全面支持。
3.5 信息科：系统融合与价值创造
近十年来，信息科科室职能不断扩充，已从单纯的医院信息系统开发维护转变为医院战略规划和业务流程设计的重要参与者，汇集了市场中近一半的 AI。相较于临床科室，信息科 AI 价值考察更困难，不同等级医院需求侧重点不同，且人员规模扩充后职位分化明显，对医疗 AI 的理解和应用程度存在差异。
从应用分布看，医院更偏向配置紧贴评级需求的全院赋能类应用，其次是优化患者就医体验、提升医院品牌形象的应用，最后是科室自身效率提升应用。采购时，医生会重点考虑供应商的应用技术架构、品牌能力、成功案例、应用能力等因素。
AI PACS 是信息科重要的 AI 应用，面向管理者及临床医生。现有 AI 工具多局限于单病种、单模态场景，医生需在多个页面间切换，且传统 PACS 集中式架构难以满足新业务扩展需求。AI PACS 不仅能优化医生工作流程，实时质控、自动生成结构化报告，还能推进精细化管控，推动质控管理向精细化、智能化、规范化转型。联影智能的 AI PACS 实现了 AI 和 PACS 的原生融合，打破应用使用割裂现状，阅片 + 报告界面双重融合，可提前处理判别 8 种危急病种，全流程智能实时质控，依托云原生技术架构保障高并发、高负载场景稳定运行，在顶尖三甲医院应用中表现优异，影像归档和调阅速度大幅提升，初诊报告时间平均缩短 27%。
AI EMR 面向管理者及临床医生，解决病历录入效率低和质控难的问题。目前绝大多数信息化厂商借助自动化与智能化技术，自动生成电子病历并实现全流程质控。AI 能基于患者主诉和基础信息生成可调整的结构化病历，将单份电子病历书写时间控制在 10 分钟以内；在基础质量把控、环节质量监管、终末质量评估等层面均能发挥作用，确保病历规范。东软集团的智能病历辅助生成系统能将病历书写效率提升 30%，病历完整性提升 5%，相关病历质控系统可使病历规范率显著提升，医护后期修改工作量减少 50%。
AI 临床科研面向医生，解决医生处理大规模、多模态临床数据集的难题。国内医疗 AI 企业推出的 AI 科研平台，底层技术不断迭代，引入大模型后，不仅能帮助医生处理数据、生成模型，还能自动分割、标注未经处理的数据，降低科研准备时间。深睿医疗的 SAMI-3D 大模型支持全模态图像输入，实现毫秒级响应、亚毫米级精准分割，东软集团的探索多模态医学人工智能平台可整合分析多模态数据，东软飞标医学影像标注平台能实现 160 个解剖结构及病灶的全自动分割与勾画。
评级需求的智能化应用也受医院关注，高等级电子病历评级、高等级智慧服务评级相关的 AI 应用，如结构化电子病历智能生成系统、全流程 AI 病历质控系统、病案智能编码与 DRG/DIP 前置管理系统、AI 智能导诊系统等，既能满足评级要求，又能提升诊疗效率、改善患者体验、建立医院品牌形象。
低代码平台面向工程师，解决院内碎片化、多元化的定制需求。低代码平台提供可视化、高度开放的开发环境，通过行业化模板、拖放式组件等快速构建多端应用，省去代码编写工作。福鑫科创、钉钉等企业借助 AI 强化低代码平台编码能力，可自动生成增删改查页面代码、智能编排复合组件、实时生成与补全 SQL/JS 代码等，提升开发效率、降低运维成本，但目前配置情况不如系统类和评级类 AI 产品，长期来看若能让医院管理者认识到其经济效益，有望成为爆款产品。
信息科对 AI 的期待包括无感交互、信息资源集约化管理、基于 AI 的价值创造。医生希望系统间实现数据无缝交互，减少工作负担；医院需要一体化视角统筹信息资源，尤其需要新系统统筹大模型相关的数据和算力；信息科可通过技术赋能降本、场景创新增收、资源变现增值等路径转化技术能力为利润，但目前医疗健康数据交易体系尚未成熟，数据治理技术有待提升，部分医生暂时不愿参与数据交易。
3.6 基层医疗：政策与需求双轮驱动的商业化突破
基层医疗是 AI 赋能下少有的机构、医生、患者价值三方共赢的场景。AI 赋能基层医生提升医疗质量，让患者享受更好服务，服务质量提升又帮助基层医疗机构实现诊疗量增长，助力分级诊疗战略实施。以 CDSS 为代表的 AI 是医疗 AI 行业商业化最成功的场景，国内近 1000 个政府机构为相关解决方案支付，且支付数量及规模仍有增长趋势，政策层面也为基层医疗 AI 发展铺平道路，未来两年有望向区域智能化方向拓展。
基层医疗核心职能划分为基层诊疗、基本公卫和家庭医生，AI 主要解决 “缺人” 难题：基层诊疗缺乏中级及以上医疗人才，需 AI 补足 “能力需求”；基本公卫和家庭医生工作繁重，人手有限，需 AI 补足 “人力需求”。
不同于等级医院的方案设计逻辑，基层医疗 AI 解决方案强调标准化、全科、全流程、区域化特征，实现核心环节全覆盖及整体效率最大化提升。目前从事基层医疗解决方案研发的 AI 企业以泛场景互联网企业与医疗信息化企业为主，主流打法是建立知识库并输入头部医院病历文书和诊疗经验，训练满足基层医生需求的智能化应用。
北电数智是基层医疗 AI 应用的代表企业，针对院内场景，与头部医院合作构建医疗 AI 大模型，解决慢病、小病诊疗需求；面向院外场景，聚焦患者出院后用药指导、健康管理等高频场景，结合基层早筛、辅诊等能力，实现防筛诊治康管一体化赋能。引入大模型后，其产品能基于医患沟通记录自动生成随访报告，更全面整合患者生命周期信息，提升诊断和健康管理的准确性与个性化，数据显示其解决方案能将病历书写效率提升 75%，病历质量提升 45%，单个患者整体诊疗时间缩短至原流程的 80%。
商业化方面，基层医疗 AI 的成功是医疗体系转型、技术创新迭代与市场需求升级的多维度合力成果：政策刚性约束与激励机制提供核心保障，卫健委明确硬性指标，财政补贴降低准入门槛；AI 精准匹配基层医疗 “人才荒、质量弱、效率低” 的核心痛点，构建刚性需求；轻量化技术架构破解基层场景适配难题，采用 “云端部署 + 边缘计算” 模式，大模型技术实现毫秒级诊断推理，多模态融合技术适配 “一站式” 诊疗需求；多元商业模式（SaaS 订阅制、按使用量计费、政府购买服务、“技术 + 运营” 收益分成）实现商业可持续性，覆盖不同层级基层机构。
四、数据资产化：医疗 AI 可持续增长的破局路径
医疗 AI 虽能发挥一定价值，但多数不足以说服支付方支付，未来需探索更深入的临床应用场景，而这意味着更高昂的成本。要维持医疗 AI 可持续发展，需探索更优研发路径，有效控制支出，压低成本以打开更多销售空间。国家数据局成立后，数据作为 “生产要素” 的作用凸显，对 AI 发展的影响较算力、算法更直接深远，提升数据治理效率、压缩优质数据集制作成本、实现优质数据多重复用，能大幅提高医疗 AI 产业应用范畴及算法鲁棒性。
4.1 医疗数据治理的智能化迭代
医疗人工智能研发者在训练前需花费大量时间和人力构造训练集，过程中存在大量重复工作，可通过特定人工智能解决。目前已有不少企业、医院应用生成式人工智能处理医疗各类数据，自动结构化并完成标注，在治理过程中实现实时质控，纠正错误数据，有效降低训练成本、提升训练效率。
行业中出现越来越多的数据治理企业，用水 AI 帮助医疗机构进行多模态数据治理，满足临床科研、数据管理、区域监管等需求。水木金昇基于扎实的 AI 预处理、标注等能力，结合复合型算法团队，可快速将文本、影像、语音等多模态数据进行归档、质控等标准化处理，形成高质量数据集，并提供数据集评测报告及科研项目全流程辅助，已落地 10 个数据库建设项目。部分头部医院也积极对现有医疗数据进行治理，形成有价值的医疗数据库，为后续 AI 产品产出和推广打下基础。
目前文本数据处理技术已较成熟，现有应用能自动处理非结构化数据、提取关键信息，准确率超过 95%，效率提升 5-10 倍；影像数据方面，AI 可对任意医学影像中任意病灶进行勾画标注，提升人机协同下的医学科研效率，助力标准数据集较少的病种研究。绝大多数医疗 AI 企业兼顾两种数据，打造跨模态数据治理应用，医院、高校也参与相关研究，如复旦大学中山医院团队联合多机构发表的肠镜 AI 研究文章，提出 EndoKED 知识提取与蒸馏范式，突破传统 AI 依赖人工标注的瓶颈。此外，行业还出现了满足 AI 应用上市拿证阶段合规要求的数据治理 AI 产品，如水木金昇自主研发的 SaaS 平台，已服务 100 余家企业，累计孵化 10 余款 AI 医疗器械 / 软件完成注册或进入上市关键里程碑。
4.2 医疗数据的复用
医疗数据的场内交易是国家公允的数据流通方式，目前需求充沛但供应商不足。将原始数据转变为可供交易的医疗健康数据标的，供给方需完成收集数据、治理数据、律所评估、确立资产、平台交易五个环节，其中治理数据、律所评估、确立资产三个部分构成数据资产的生产成本。
数据清洗环节，以影像数据资产为例，三甲医院医生标注一张胸部 CT 的成本约为 50-60 元 / 张，包含 1000 例患者的数据集治理成本为 5 万 - 6 万元；律所合规评估费用与数据内容无关，仅按体量、次数计量，单次评估费用在 5 万 - 6 万元浮动；资产确权环节费用相对较低，不同交易所收费限定在数千元内。三个环节综合成本约 10 万元左右，对于部分机构而言，单个医疗健康数据资产交易次数有限，生产升本可能超过交易收益，且需承担数据相关风险，导致医疗数据资产供给稀缺，多数医院处于观望状态。
来源：蛋壳研究院，2025年医疗人工智能产业报告
2025 年中国数据交易所健康数据整体交易量有提升但幅度有限，受多重因素制约：健康数据权属复杂，具备个人数据与公共数据双重属性，权利主体多样化，权属问题是市场化应用的前提；缺乏统一定价标准，现阶段主要通过交易双方协商定价；各医疗机构健康医疗数据格式和标准不统一，数据整合技术难度大，且部分医院无法提供高频数据集更新服务，导致数据需求方购置成本居高不下。
解决上述问题的方式主要有两种：一是借鉴欧美经验，通过相关法律和许可框架，授权用户开发利用公共数据库；二是完善健康数据归属法规，中国资产评估协会已印发《数据资产评估指导意见》，为交易定价提供依据，监管机构也可调整患者知情同意书，引导患者共享健康数据权利。
来源：蛋壳研究院，2025年医疗人工智能产业报告
可信数据空间是基于共识规则的数据流通利用基础设施，联接多方主体实现数据共享共用，相较于区块链、隐私计算等技术，其突破在于构建了数据共享信任机制，保障数据接入、使用、溯源全过程的 “可信”，通过严格接入认证和实时管控，切实保障各方数据权益。在医疗健康领域，可信数据空间能帮助医疗机构、药企等各方安全共享各类医疗数据，打破数据孤岛。
国内对于可信数据空间的建设已较成熟，北电数智、蚂蚁数科等企业均形成完善解决方案，上海数据交易所等也在探索新的数据交易模式。北电数智的 “红湖可信数据空间” 面向 AI 需求设计，实现 “数据可信流通 - 应用高效开发 - 价值闭环转化” 一体化支撑，可根据应用场景需求选取不同安全技术配置，在医疗场景数据治理、科研、公共数据运营等领域均有应用；上海数据交易所构建的幽门螺杆菌数据空间采用 “2+3+4” 体系化建设模式，打造安全可信的数据要素流通环境。但整体发展尚处于起步阶段，“大模型 + 数据空间” 结合的应用案例较为稀缺，需形成统一技术路线和标准体系，推动安全、高效、公平的数据流通环境建设。
4.3 伦理问题下的挑战与机遇
医疗数据涉及大量伦理问题，数据归属权是核心难题。医疗机构作为医疗数据最大供应方，拥有大量数据资产，但少有愿参加数据交易，主要担心数据归属权确权问题。与自动驾驶、语音赛道的数据不同，健康数据的归属权属于患者，供给方仅拥有管理权和使用权，使用健康数据进行模型研究时，必须先征求患者同意，在患者知情前提下借用数据，并进行脱敏处理，追踪后续使用环境。
若进行数据资产交易，数据属性便由 “研究” 转变为 “商用”，而现有协议中两者界限模糊，很多医疗机构不愿承担相关风险，在权利界定不清晰前推进健康数据资产化。要解决这一难题，需监管机构出台法律重新界定权利，或医疗机构修改知情协议，寻求患者的 “商用” 授权，建成健全的健康数据交易体系预估还需要 2-3 年时间。
