2026 年 02 月 28 日 ⏰ 星期六农历正月十二字数 5198，阅读大约需 9 分钟

本文由AI分析解读，报告全文见文末5 MB | 45 页

大家好，今天我们一起来学习卫宁健康于2025年10月发布的《2025人工智能建设应用白皮书：AI Inside建设路径》。

这份白皮书不是那种高高在上的技术宣言，而是卫宁健康用八年时间、在150多家医疗机构摸爬滚打后的实战总结。它回答了一个很多医疗从业者都在问的问题：AI大模型吹了这么久，到底怎么真正落地到医院里？ 不是做个Demo那种落地，而是医生每天上班都离不开的那种落地。

? 从"能用"到"敢用"：医疗AI的八年长征

卫宁健康做AI不是赶时髦。2017年，当很多人还在讨论AI会不会取代医生时，他们就已经成立了人工智能实验室。那时候的想法很朴素：医疗AI不能是通用模型的"搬运工"，得真正读懂病历、理解医学术语背后的逻辑。

这个认知在今天看来依然关键。白皮书里提到一个核心观点：医疗AI的首要特质是深度垂直的专业性。什么意思？就是AI不能只会背教科书，得具备"临床思维"——知道什么时候该追问病史，什么时候该排除干扰项，什么时候该说"这个诊断我还不太确定"。

从2019年AI骨龄检测在上海市儿童医院落地，到2023年推出第一代WiNGPT和WiNEX Copilot，再到2025年WiNGPT 3.5和WiNEX Copilot 3.0的发布，这条演进路线很清晰：从单点工具到系统能力，从辅助功能到核心工作流。

? WiNGPT：一个"有临床思维"的医疗大模型

现在市面上做大模型的很多，但专门给医院用的、还得在生产环境跑起来的，不多。WiNGPT的迭代过程挺有意思，能看出医疗AI的特殊挑战。

WiNGPT-1（62亿参数）打基础，积累了近万条药品知识、疾病知识和指南文档。WiNGPT-2开始玩真的，2023年8月就在医院生产环境试运行影像报告生成功能——注意是"生产环境"，不是实验室。WiNGPT-2.5（340亿参数）做了五家医院试点，场景包括病历内涵质控、临床辅助决策这些硬核环节。

到了WiNGPT-3.5，白皮书里提到一个关键理念叫**"人机协同-双智融合"**。这个词听起来有点学术，翻译过来就是：让AI的"机器智能"和医生的"人类智慧"深度耦合，而不是互相替代。

具体怎么做？他们在医学高价值语料（术语知识、时间推理、多轮对话、角色扮演等）上做增量训练，同时升级打分与评价模型。结果是：在复杂业务场景中，AI决策的准确性和可靠性显著提高。

更值得关注的是技术细节。WiNGPT引入了长链式思维样本（Long-CoT）技术，模拟临床诊疗中的逻辑推理过程。这解决了一个大模型的通病：只会给结论，不会给过程。医生问"为什么诊断肺炎"，AI能一步步展示推理链条，从症状到体征到辅助检查，让"黑箱"变成"白箱"。

还有双奖励模型机制：Verifier-Based奖励模型通过医学知识库交叉验证事实准确性，Preference-Based奖励模型依据临床专家标注的优质案例优化输出偏好。简单说，就是既看AI说得对不对，也看AI说得像不像经验丰富的医生。

? AgentFramework：给医院配一个"AI操作系统"

如果说WiNGPT是"大脑"，那AgentFramework就是"神经系统"——负责让AI和医院现有的各种系统（HIS、EMR、LIS、PACS等）真正打通。

这个框架的设计很接地气。它提供了开箱即用的模型能力、知识能力、工具能力，还支持0代码成本接入医院现有信息化平台。这意味着什么？信息科的工程师不用通宵写接口，临床医生不用改变操作习惯，AI就能"长"进现有的工作流里。

AgentFramework的几个关键能力值得展开：

一是医疗数据智能感知与安全向量化处理。医院的数据太复杂了，有结构化的检验指标，也有非结构化的病程记录、护理文书。框架用多模态技术和RAG策略，把这些数据变成AI能理解的"语言"，同时做好脱敏和隐私保护。

二是多智能体编排能力。这不是一个AI单打独斗，而是多个专科智能体协作。比如重症救治场景，可以联动影像识别模型、指南知识库、用药审核模型，快速输出多学科诊疗建议。

三是闭环优化能力。从检索医学证据、生成诊疗建议、质控审核到反馈学习，形成一个持续改进的闭环。AI不是一次性工具，而是越用越懂这家医院、越用越懂这些医生的"老搭档"。

? 全景赋能：AI到底在医院的哪些角落干活？

白皮书第三部分最实在，详细列举了AI在临床诊疗、医院管理、区域卫生服务三大领域的具体应用。我挑几个有代表性的场景说说。

? 临床诊疗：从"写病历"到"做手术"的全覆盖

• • 病历文书生成：这是目前最成熟的场景之一。医生边问诊边语音输入，AI实时生成标准化病历。北京大学人民医院的实践显示，门诊病历书写时间减少70%，一键生成入院记录、病程与出院小结。更厉害的是，AI还能结合患者历史住院信息，自动生成门诊摘要或住院病历摘要，把散落在不同时间、不同系统的信息串成完整故事线。
• • 诊中支持决策：这不是简单的"输入症状、输出诊断"，而是联动患者体征、诊断、检验等多维数据，生成个性化的鉴别诊断、检查检验推荐和治疗方案推荐。上海市肺科医院的LungSmart大模型，让病历缺陷率下降50%以上，从"形式合规"迈向"内涵精准"。
• • 手术麻醉智能体：厦门弘爱康复医院的案例很有代表性。系统能识别药物代谢异常、血流动力学不稳等15大类高风险因素，把风险预警前移；患者信息查阅从20分钟压缩到3分钟；内置18项麻醉质控标准，确保ASA分级、风险评估等关键节点标准化执行。
• • 护理智能助手：上海市同济医院和丽水市中心医院的实践显示，AI在护理场景的价值被低估了。通过整合10类临床数据，护理评估自动填充率达85%-90%，评估效率提升约40%。更重要的是"AI提取-护士核验-系统溯源"的三重信任机制，既减负又不丢主动权。

? 医院精细化管理：从"事后统计"到"实时干预"

• • 病历内涵质控：传统质控靠人工抽查，覆盖面有限。AI可以实现39个科室全覆盖、日均质控超5000次，准确率保持在95%以上。而且不只是挑错别字，而是深入病历内涵，识别逻辑矛盾、诊断模糊、证据链缺失等问题。
• • 运营智能决策：排班号源生成、药品采购计划、疑似感染风险预警……这些以前靠经验的决策，现在可以基于历史数据和实时信息智能推荐。比如药品采购，AI会综合考量季节性发病情况、药品紧缺程度、库存周转等多维因素，让采购量更贴合真实业务场景。
• • BI智能问数：院领导问"上个月心内科门诊量多少、药占比如何"，不用等信息科出报表，直接对话式查询，自然语言提问、可视化图表呈现、数据结论一键生成。

? 区域卫生服务：让基层医生拥有"口袋里的三甲专家"

这是我觉得最有社会价值的部分。白皮书提到，卫宁健康在北京海淀区、上海金山区、南京江北新区、湖南株洲天元区等地上线了基层AI辅助应用。

**"智能医生助手"**提供语音问诊、诊疗辅助、病历生成、处方开立、病历质控的完整闭环。基层医生遇到不确定的情况，可以实时调用AI知识库，相当于随时有个三甲专家在旁边指导。

在宁夏回族自治区，建成了全国首个省级检查检验结果互认AI智能辅助平台，覆盖83家医疗机构。AI不仅辅助医生解读报告，还能对异常指标进行智能分析并推荐治疗建议，推动优质医疗资源真正下沉。

? 标杆实践：这些医院已经跑通了

白皮书第四部分列举了六个标杆案例，每个都有具体的数据支撑，不是空泛的概念宣传。

北京大学人民医院的"Pai Assistant"已经升级到2.0版本，打造4大类型、20+核心场景。最打动我的是他们的理念："事实来源"与"临床逻辑"的双重校验。AI给建议时，必须说清楚依据来自哪篇指南、哪条临床路径，让医生敢用、敢信。

上海市肺科医院的LungSmart专科大模型，专注肺科细分领域。他们发现，通用大模型在专科场景容易"幻觉"（一本正经地胡说八道），所以用专科数据精细微调，让决策逻辑符合临床思维范式。结果很实在：门诊病历书写时间减少70%，病历缺陷率下降50%以上。

上海市第一人民医院的影像报告助手，研究成果发表在国际顶刊《Radiology》上。影像诊断结论生成能力达到中级影像医生水平，已分析超过一万份报告。这背后的技术细节是：通过引导式结论自动生成报告，通过对比式分析总结多次检查变化，通过内涵式质控自动检测潜在错误。

? 未来展望：AI医疗的五个演进方向

白皮书最后一部分没有盲目乐观，而是坦诚讨论了数据隐私、算法可解释性、模型泛化能力、多模态融合、人机交互等真实挑战。在此基础上，提出了五个演进路径：

1. 从辅助诊断到全流程智能

AI将贯穿诊前、诊中、诊后全流程，形成闭环智能医疗服务体系。未来的肿瘤治疗AI，不仅能辅助诊断，还能推荐个性化靶向药物、实时监测疗效、动态调整策略；慢病管理AI将通过可穿戴设备持续监测，实现从"被动治疗"向"主动健康"的转变。

2. 从单一模型到多智能体协作

未来的医疗AI将是多个专科智能体组成的协作网络，桌面AI成为本地枢纽，医生通过工作站协调不同功能的智能体，整合输出形成综合诊疗方案。

3. 从数据驱动到知识与数据双驱动

构建大规模医学知识图谱，将医学知识融入AI模型设计。白皮书提到的**"个人专属大模型"**很有意思：以云端医学知识图谱为基础确保权威性，同时学习医生脱敏的临床数据与经验，形成个性化知识库。

4. 从云端智能到端云协同

越来越多的AI计算将部署到医疗设备终端，"端侧智能"本地实时处理、减少延迟、保护隐私，云端承担大规模训练和能力更新，通过"AI Box"等形态实现落地推广。

5. 从人机交互到人机融合

AI不再是工具，而是与医生深度融合的"共生体"。通过语音、手势等自然方式交互，AI学习医生的操作习惯与决策偏好，成为真正懂医生的"智能伙伴"。

? 总结：医疗AI的"最后一公里"在哪里？

读完这份白皮书，我有一个强烈的感受：医疗AI的竞争，正在从"模型参数大小"转向"临床适配深度"。

卫宁健康八年实践的最大价值，不是证明了AI能做什么，而是证明了AI怎么才能在医院里真正用起来。关键不是技术多先进，而是能不能尊重医生的核心工作流、让医生获得对AI的高度控制权、提升AI的透明度与可解释性。

白皮书里反复提到的一个词是**"隐形同事"**——AI不是站在医生对面的"替代者"，而是站在医生旁边的"神级队友"。这个定位很准确。医疗的特殊性决定了，AI再强，最终决策权必须在医生手里；但AI可以让医生的决策更快、更准、更有依据。

面向未来，"AI Everywhere 全场景赋能"不是要让医院变成科幻电影里的样子，而是让智能像氧气一样无处不在——医生可能感觉不到AI的存在，但每一次问诊、每一份处方、每一台手术，背后都有AI在默默支撑。

这可能就是医疗AI的终极形态：不是让人惊叹"AI好厉害"，而是让医生觉得"这样看病更顺畅"。

报告原文

卫宁健康《2025人工智能建设应用白皮书：AI-Inside建设路径》扫码即可获取（ 5 MB | 45 页）