调研时间范围： 2024年-2025年数据来源： 国际期刊（Nature Medicine, European Heart Journal, ScienceDirect）、国家政策文件、三甲医院临床报告、权威市场研究机构（亿欧智库、甲子光年）及上市公司公开披露。
随着生成式人工智能技术的爆发式增长，特别是Transformer架构、大语言模型以及多模态技术的成熟，医疗健康行业正经历从“数字化”向“智能化”的深刻转型。本报告所探讨的“AI+医疗”，是指利用人工智能技术模拟、延伸和扩展人的医学知识与能力，在特定的医疗场景下辅助或协同人类完成工作。目前，AI已不再仅仅是科研论文中的算法，而是深度嵌入临床工作流、药物研发管线及医院管理系统的实用工具。
截至2025年，中国AI医疗行业已进入高速发展期。根据甲子光年及《中国AI医疗产业研究报告》的数据显示，2025年中国AI医疗行业规模预计将达到1157亿元，预计到2028年将攀升至1598亿元，2022-2028年的复合增长率保持在10.5% 左右-5-10。
1、政策强力破冰： 2024年以来，国家层面密集出台政策。国家医保局将AI辅助诊断正式纳入医疗服务价格立项指南，标志着AI医疗服务的收费模式得到官方确认；国务院《关于深入实施“人工智能+”行动的意见》明确提出要提高基层医疗服务能力-2-5。
2、技术底座成熟： DeepSeek-R1等开源模型的问世，极大降低了医疗大模型的研发门槛，引发了医疗领域的“百模大战”。仅2025年上半年，国内新增医疗大模型就达133个，累计发布288个-2。
3、资源错配刚需： 面对人口老龄化和优质医疗资源集中于少数三甲医院的现状，AI成为破解基层医疗机构能力不足、实现分级诊疗的关键抓手。
—— 从“发现病灶”到“预测风险”
AI在辅助诊断领域的应用最为成熟，特别是医学影像。早期的AI主要扮演“第二双眼睛”的角色，帮助医生勾画结节；而到了2025年，AI已经进化为能够发现平扫CT下肉眼不可见病灶、甚至预测未来疾病风险的“超级预测者”。
——攻克“隐形杀手”急性主动脉综合征
急性主动脉综合征是心血管领域的急危重症，死亡率极高（急性期24小时死亡率20%-30%），但其症状往往不典型（表现为肚子痛、腰痛），导致漏诊率高达40%-50% -1-6。传统的增强CT血管造影是诊断金标准，但在急诊场景下，由于造影剂副作用、夜间检查受限等原因，超过60%的疑似患者首选的是非增强CT（平扫CT）。然而，平扫CT对AAS的诊断灵敏度仅有30%-50%，极易漏诊-6。
由浙江大学医学院附属第一医院与阿里巴巴达摩院联合研发的AI模型iAorta，彻底改变了这一局面。该模型能够在几秒钟内通过分析常规平扫CT，识别主动脉壁的结构变化。
惊人的数据验证：
敏感性达97%，特异性达94%，超越了高年资医生的水平-1。
在对浙江大学医学院附属第一医院等机构的13万例患者进行的回顾性研究中，如果没有AI介入，漏诊率高达48.8%；而iAorta介入后，漏诊率骤降至4.8%。诊断时间从平均11.4小时缩短至1.1小时-1。
在一项针对1.5万例患者的前瞻性干预研究中，AI成功预警了22例患者中的21例，特异性达99.4%-1。
技术推理： iAorta的成功不仅仅是图像识别算法的进步，更在于其嵌入医院PACs系统的能力。它并非要求医生改变工作流去单独查看AI结果，而是在医生阅片的同时自动运行、实时预警。这种“无声胜有声”的工作流整合，是AI技术真正落地、被临床接受的关键。
传统的辅助诊断仅限于对已有病变的识别，而2025年的前沿技术已经实现了“预测”。心电图是常规检查，但AI增强心电图可以挖掘出人类无法解读的深层特征。
2025年7月，复旦大学附属中山医院葛均波院士团队与英国帝国理工学院合作，在《欧洲心脏杂志》发表了基于AI增强心电图的生存神经网络模型研究成果。
核心突破： 该模型不仅能够同步诊断现有的心脏疾病，还能预测未来中重度心脏瓣膜反流的风险-7。这意味着，在一份看似正常或仅有轻微异常的心电图上，AI能够捕捉到瓣膜血流动力学即将发生变化的微妙迹象。
辅助诊断AI的进化路径逐渐清晰：第一代AI是“复读机”，识别与医生教条一致的特征；第二代AI是“增强眼”，看到人眼不易见的早期微小病灶（如iAorta在平扫CT上看血管壁）；第三代AI是“预言家”，通过分析海量纵向数据，建立当前数据与未来结局之间的关联。 这种能力的商业价值与社会价值极高。对于保险公司而言，这是精准定价的依据；对于体检中心而言，这是增值服务的卖点；对于患者而言，这相当于为生命买了一份预警保险。
—— 破解资源不均的“双刃剑”
智能问诊系统旨在模拟医生与患者的对话过程，收集病史、提供建议。随着大模型赋予AI更强大的语言理解和生成能力，AI问诊已经从简单的“分诊台”升级为具备临床思维的“全科医生助手”。
基层医疗机构面临的最大痛点是医生经验不足、知识更新慢。AI通过整合顶级专家的经验和最新的临床指南，成为基层医生的“副驾”。
覆盖广度： 截至2025年6月，AI系统“智医助理”已落地全国超过7.5万家基层医疗机构，累计提供辅诊建议超10亿次，有效缓解了基层医生压力-2。
具体成效： 北京市房山区窦店镇一家基层医院接诊了一名脸部肿大的患儿，常规检查无果。医生引入AI儿科大模型（整合了300多位知名专家的经验及3000多种疾病知识）进行多轮对话，AI提示可能是腮腺炎，最终确诊-2。海淀区20家社区卫生服务中心试点的AI助诊仪，其鉴别诊断合理率高达96% -2。
在三甲医院，AI问诊主要用于预问诊环节，即在医生见到患者之前，先由AI收集详细的病史。
效率数据： 华中科技大学同济医学院附属协和医院采用AI辅助预问诊后，医患有效沟通时长增加了50% -2。这意味着医生在进入诊室前，已经对患者情况了然于胸，可以将更多精力放在人文关怀和复杂决策上。
尽管数据喜人，但智能问诊面临着比影像诊断更复杂的挑战。2025年发生的一起案例引发了行业深思：一名新手家长使用AI问诊处理孩子反复咳嗽发热，AI判定为“普通呼吸道感染”，建议居家用药，最终导致病情延误，孩子确诊为病毒性肺炎-2。
“幻觉”与责任归属： 大模型本质是概率分布的输出，存在将不存在的逻辑串联起来的可能。在医学这种高风险领域，1%的幻觉率也是不可接受的。虽然部分企业已将医疗大模型的幻觉率控制在1%左右，但风险防控体系尚未成熟-2。
情感交互缺失： 医学不仅是科学，更是人学。医生能通过患者的表情、语气、肢体语言捕捉到数据之外的焦虑、隐瞒或社会心理因素，而AI目前只能处理结构化或半结构化的语言输入-7。
“自信的错误”： AI有时会非常“自信”地给出完全错误的答案，这种误导性对于缺乏辨别能力的基层医生或患者本人来说，可能是致命的-7。
智能问诊的理想形态不应该是“替代医生”，而应该是 “增强医生” 。未来的问诊系统将呈现明显的分层服务：
L1（信息收集层）： AI负责不知疲倦地完成标准化、流程化的问询，收集基础信息，生成结构化病历。这部分AI完全可以胜任，且比人类更高效。
L2（鉴别推理层）： AI根据信息库提出可能的诊断方向，但必须标注置信度和依据来源（如引用的最新文献）。
L3（共同决策层）： 涉及伦理抉择、患者价值观权衡（如保肢还是保命）、终末期治疗方案选择等，必须由人类医生主导，AI仅提供数据支持。
—— 解放医生的“隐形劳动力”
如果说诊断和问诊是AI的“高光时刻”，那么病历生成则是AI最接地气、最能解决医生痛点的应用。文书工作是导致医生职业倦怠的主要原因之一。利用自然语言处理技术，将医患对话实时转化为标准电子病历，正在成为智慧医院建设的标配。
大模型的出现使得对口语化、非结构化的医患对话进行深度理解和关键信息抽取成为可能。
该院联合讯飞医疗研发的大模型病历生成系统，以讯飞星火医疗X1和DeepSeek为技术底座，实现了从“手动书写”到“智能生成”的转变。
量化收益： 试点应用结果显示，病历生成合理率超过83%，生成病历的引用率（即医生直接采纳率）超过80%。该系统平均每日为临床医生节省了约2.8小时的病历书写时间-3。
技术亮点： 系统不仅仅是语音转文字，而是基于SOAP（主观资料、客观资料、评估、计划）框架进行结构化推理分析，并可视化呈现推理过程，帮助医生校验逻辑，形成严谨的临床思维-3。
该院信息中心利用DeepSeek-R1开源模型，基于院内服务器自主搭建了“AI医生助手”。医生复制病例内容，点击“调用AI大模型”，16秒内即可生成一份出院小结，而以往人工撰写需要约10分钟-8。此外，该系统还具备NLP数据项抽取功能，能在9秒钟内从一大段描述中提取出肿瘤大小、特征等关键信息-8。
病历生成涉及高度敏感的患者隐私数据。2025年的行业趋势是混合部署与私有化部署。
本地化部署： 北京大学首钢医院强调，其系统完全依靠院内搭建的服务器和开源软件，无需外租算力，避免了医疗信息外泄风险-8。
数据中台模式： 针对多中心数据共享难题，专家建议采用“医疗数据中台”或“数据联盟”，在数据加密脱敏基础上，让数据“可用不可见”，以解决模型泛化能力受限于单中心数据的问题-2。
节省出的2.8小时具有革命性意义。它不仅仅是效率的提升，更是医患关系的重塑。 在传统模式下，医生在问诊时往往不得不分神盯着电脑屏幕敲击键盘，医患之间隔着一块屏幕。有了高精度的语音病历生成系统，医生可以真正地、全程注视着患者，进行眼神交流和情感沟通。这将使医疗行为回归其本质属性——人与人的对话。
这一应用虽然技术难度看似低于新药研发，但其撬动的社会效益和人文价值是不可估量的。
—— 缩短“十年十亿”的破局者
新药研发长期遵循“双十定律”（即十年时间、十亿美金），且成功率极低。AI的介入正在从分子发现、靶点确证、临床预测等多个层面颠覆这一传统模式。截至2024年底，全球已有超过75种由AI设计的药物分子进入临床试验阶段-4。
ScienceDirect在2025年底发布的一篇综述，对全球领先的AI制药平台进行了详细剖析-4。
代表企业： Exscientia
技术特点： 采用“Centaur Chemist”（半人马化学家）策略，将算法的创造力与人类的专业知识结合。其AI平台能设计满足特定药效、选择性、ADME（吸收、分布、代谢、排泄）属性的新分子结构。
临床数据： 该公司宣称其计算机内设计周期比行业标准快70%，且所需合成的化合物数量少10倍。其设计的DSP-1181是全球首个进入临床试验的AI设计药物。截至2025年，该公司已将管线聚焦于CDK7抑制剂等核心项目-4。
代表企业： Insilico Medicine（英矽智能）
技术特点： 利用生成式AI设计分子。
里程碑事件： 其在特发性肺纤维化领域的候选药物ISM001-055，从靶点发现到1期临床试验仅用了18个月，远低于行业平均的5年。到2025年，该药物已获得积极的IIa期临床结果，这是生成式AI在制药领域的重要里程碑-4。
代表企业： Schrödinger
技术特点： 基于物理学的计算平台，通过模拟分子动力学来预测分子的结合模式和亲和力。
临床转化： 由Schrödinger技术支撑、Nimbus Therapeutics发现的酪氨酸激酶2抑制剂zasocitinib（TAK-279），在2025年已推进至III期临床试验，证明了基于物理学的AI设计策略不仅能加速发现，还能产出高质量、具备后期开发潜力的分子-4。
小分子药物之外，AI在抗体发现领域也取得关键进展。2025年10月，和铂医药发布了首个全人源AI HCAb（重链抗体）生成和筛选模型-9。
技术背景： HCAb结构简单、分子量小，是双抗、ADC、CAR-T的前沿方向，但传统方法难以筛选到既稳定又高亲和力的全人源HCAb。
技术路径： 该模型基于900万条NGS HCAb序列，微调蛋白质大语言模型，实现AI从头生成序列。随后通过AI分类模型和成药性预测模型进行筛选，最后进行湿实验验证。
震撼的数据：
在AI平台从头生成的107个全新分子序列中，抗体命中目标靶点的比例达到78.5%。
其中20个分子在湿实验中被验证具备高活性、高纯度、高产量等特性，平均产量超过700 mg/L，结合能力达到纳摩尔级别-9。
尽管成果显著，但必须正视一个事实：截至目前，尚未有任何一款完全由AI发现和设计的药物获得FDA的最终上市批准。
行业专家指出，目前需要区分“真正的进步”与“技术炒作”。
如果AI仅仅是让不靠谱的分子更快地进入临床、更快地失败，那么这种“加速的失败”是否具有价值？答案是肯定的。在传统的研发模式下，一个项目往往在投入数亿美金、耗时5-6年后才在II期临床宣告失败。而AI可以通过更精准的预测，在更早期的计算机模拟阶段或在更早期的临床前阶段就淘汰掉注定失败的分子。
因此，AI的价值不仅在于“提高成功率”，更在于“降低失败成本”。
和铂医药提出的“AI设计—自动化验证—AI再学习”的闭环流程，代表了行业最前沿的理念-9。在这个飞轮中，每一次湿实验的数据都在反过来训练模型。
这意味着，随着项目推进，AI的智能水平会越来越高。未来头部企业与后来者的差距，将不仅体现在算力和算法上，更体现在高质量、闭环反馈的生物数据积累量上。
1、高质量训练数据稀缺（数据孤岛与标注难）：
医疗大模型的性能严重依赖训练数据的质量。中国虽有庞大的病例基数，但数据往往以“烟囱”形式存储在各大医院，且缺乏统一标准。
例如，我国只有不足5%的医院的病理科将数字化应用于日常诊断，导致病理AI发展受限-10。罕见病领域更是面临病例数据不足的困境，有研究显示AI诊断罕见病的准确率不足60% -2。
2、模型的“幻觉”与可解释性：
大模型存在“黑箱”特性，其推理过程不透明，可能引用错误信息。在诊断建议和用药指导场景中，这会带来极高的医疗风险-2。
算力浪费与部署成本： 目前多数医疗机构采用本地化部署大模型，导致算力硬件分散、资源无法集中利用，存在重复投入问题-10。
法律伦理与责任界定： 当AI辅助的诊断导致医疗事故时，责任应由开发者、医院还是使用AI的医生承担？目前法律框架尚不清晰。
针对上述挑战，行业各方在2025年已探索出多种解决方案：
构建高质量数据集（以确定性应对不确定性）： 北京卫健委副主任严进强调，要“以高质量数据的确定性，应对模型的不确定性”。例如，依托北京安贞医院建设的心脏病高质量数据集，整合了160万例成人心脏数据和30万例胎儿心脏数据-10。中国联通联合首都医科大附属北京胸科医院建立了包含17种征象、2万例肺结核CT的高质量数据集-10。
技术溯源与“双医”模式： 为应对幻觉，北京清华长庚医院等机构要求模型引用最新的权威医学文献作为依据，并采取模型自检+“双医”（AI+医生）复核的模式。专家建议，可参考自动驾驶分级，依据AI能力划定权限，动态调整责任边界-2。
算力服务化与MCP体系： 针对算力浪费，中国联通等运营商提出发挥算网优势，建立医疗MCP（模型上下文协议）服务体系，降低医疗机构的单点采购门槛-10。
监管框架的逐步完善： FDA和EMA等机构正在制定关于AI在药物研发中应用的透明度、偏见、问责制和数据隐私的指南-4。
基于上述调研与分析，本报告对未来3-5年的AI医疗发展做出如下预测：
“AI医生”不会取代人类医生，但“会用AI的医生”将取代“不用AI的医生”。
人机协作将成为医疗新常态。AI负责大数据分析、规律发现和重复劳动；人类负责共情、复杂决策和伦理把关-7。
多模态融合将成为主流。
未来的医疗大模型将不仅仅是文本模型，也不仅仅是影像模型，而是能同时处理文本、影像、病理、基因组学数据的多模态模型，实现更全面的综合判断-2。
端侧AI与即时诊断普及。
随着芯片技术的发展，部分AI诊断能力将下沉到便携设备甚至智能手表上。王建安院士推出的“Jack安心智能体”已能接入家用设备，在院外管理心脏瓣膜病患者-7。
商业模式闭环形成。
随着国家医保局将AI辅助诊断纳入收费项目，以及药企为AI制药的后期临床成功支付费用，AI医疗将摆脱单纯依靠融资烧钱的模式，形成自我造血的商业闭环。
AI在医疗领域的应用，正从最初的狂热炒作期，稳步迈入冷静的、扎实的临床验证与落地期。这不仅是技术的胜利，更是对生命尊严与健康的又一次有力守护。
数据真实性承诺：本报告引用的所有临床数据（如iAorta的敏感度94%-99%、病历生成节省2.8小时、AI制药的78.5%命中率等）均来源于截至2025年底的公开权威期刊、国家媒体报道及上市公司官方新闻稿。市场规模数据来源于甲子光年、亿欧智库及证券时报综合整理，符合行业研究引用规范。
