AI诊断超越医生？本土医疗企业如何破局与创新

【摘要】随着AI诊断能力逼近甚至超越人类医生，中国AI医疗企业正站在突围的关键路口。破局之道并非单纯的技术竞赛，而在于践行“大模型为基座，小模型为利刃”的融合策略，深耕临床全流程场景，并着力破解数据、信任与责任三大核心难题。

引言

“DeepSeek不仅能算卦，还能看病。”

这句话听上去有些荒诞，却精准地捕捉了当下AI医疗的魔幻现实。曾经被视为“玩票”的AI辅助诊断，正以前所未有的速度，从实验室走向临床，从概念演示变成“真刀真枪”的医疗工具。资本市场早已嗅到了风向，仅英伟达在过去两年就投资了十几家AI医疗公司，一条从硬件到算力的完整产业链已然成型。

潮水已起，速度比想象中更快。

然而，在这股浪潮之下，中国医疗界的现实矛盾也异常刺眼。患者拥抱AI，因为它代表着低门槛、便捷与普惠。医生却步履谨慎，因为每一个AI给出的建议背后，最终签下名字、承担责任的，是他们自己。再加上根深蒂固的数据壁垒和尚不清晰的监管红线，AI诊断的热闹表演，距离真正融入临床核心，似乎还隔着几座难以翻越的大山。

当AI的诊断能力越来越强，甚至在某些测试中超越资深医生时，一个深刻的问题摆在了所有从业者面前。中国的AI医疗企业，究竟要靠什么，才能在这片机遇与荆棘并存的土地上成功突围？

这篇文章，将尝试拨开迷雾，深入探讨AI辅助诊断的演进脉络，盘点本土实践的得失，剖析落地过程中的核心痛点，并最终勾勒出一条务实且充满希望的突围之路。

一、🩺 AI辅助诊断的演进三部曲 从“体力活”到“智囊团”

AI走进医院，并非一蹴而就。它的角色演变，清晰地划分为三个阶段，从一个默默无闻的“体力劳动者”，逐步成长为医生的“智能参谋”。

1.1 Step1 医学影像识别 AI的初登场

AI在医疗领域的第一次亮相，是在医院的影像科。大约十年前，深度学习技术刚刚兴起，医学界敏锐地捕捉到了它的潜力，率先将其引入读片室，用于识别X光、CT和MRI图像上的细微病灶。

这个起点并非偶然。

• 数据基础好 影像数据标准化程度高，数量庞大，是训练AI模型的理想“养料”。

• 临床痛点明 影像科医生长期面临巨大的阅片压力，工作重复性高，且易因疲劳导致漏诊、误诊。AI的效率和精准度优势在此刻显露无疑。

• 社会需求大 老龄化加剧与医疗资源分布不均，导致医学影像领域的供需缺口长期存在。

于是，“AI读片”顺理成章地成为AI医疗的第一个规模化落地场景。从肺结节筛查到脑出血识别，从乳腺肿瘤检测到糖尿病视网膜病变分析，AI影像诊断的边界不断拓宽。发展至今，AI已经深度融入医学影像工作的全流程，从检查前的流程优化，到检查中的图像质量提升，再到检查后的病灶自动勾画、结构化报告生成，无处不在。

国内的进展尤为迅速。截至2024年6月，全国已有超过百家三甲医院在放射科、病理科等关键科室引入了AI辅助诊断系统。这些系统的应用，显著降低了医生的漏诊率和误诊率，同时将工作效率提升了一个量级。

政策的东风也为这一发展提供了坚实的制度支撑。近年来，国务院、国家药监局（NMPA）、卫健委等部门密集出台政策，鼓励人工智能在医学影像领域的应用。截至2024年7月，国家药监局已批准了99个AI医疗三类证，涵盖了心血管、脑血管、肺部、骨骼、眼底等多个领域。

可以说，第一阶段的AI，扮演的是医院里最勤恳的“体力劳动者”，干的是重复但至关重要的识别工作。

1.2 Step2 智能分诊与辅助预诊 AI学会“对话”

影像科的成功只是一个开始。随着自然语言处理（NLP）和知识图谱技术的成熟，AI的能力边界从“看图”延伸到了“对话”，开始介入到患者就诊前的关键流程中。

最典型的场景就是AI导诊。相信很多人都有过挂错号的尴尬经历，头疼究竟该挂神经内科还是普通内科？肚子疼是消化科还是普外科？AI导诊系统通过多轮交互式问答，能够快速梳理患者的主诉和症状，并精准匹配到最合适的科室与医生，大大降低了挂错号的概率。

百度的“AI智慧门诊”就是一个很好的例子。其“智能加号”功能在武汉协和医院上线后，仅一个月就为300多名患者提供了宝贵的加号机会，其中超过70%是急需手术的肿瘤病人。这对于患者而言，是实实在在的“救命加号”；对于医院，则有效缓解了分诊台的压力，让医疗资源能够优先倾斜给最需要的危重病人。

目前，大模型驱动的智能导诊和辅助预诊服务，已在全国近万家医院部署。腾讯觅影的影像AI也已覆盖超过500家机构。今年3月，阜外深圳医院上线的全流程智能导诊服务，更是将AI的角色从单纯的导诊员升级为7×24小时在线的“AI就诊管家”，覆盖了挂号、缴费、检查、住院等所有环节。该服务上线后，医院在人力未增加的情况下，门诊量提升了14.7%，患者平均候诊时间从35分钟缩短至18分钟。

在这一阶段，AI不再仅仅是医生的工具，它开始直接面向患者，成为优化就诊流程、提升医疗效率的重要助手。

1.3 Step3 大模型驱动的个性化诊断 AI的“智库”时代

进入第三阶段，AI终于走到了医生的办公桌前，开始真正参与到核心的诊疗决策中。推动这一变革的核心技术，正是医疗大模型。

与过去在影像或分诊等单一场景的应用不同，大模型具备强大的跨学科、跨模态整合能力。它能同时理解和分析来自病历文本、医学影像、基因测序、文献指南以及可穿戴设备传感器的数据，从而生成高度个性化的诊疗建议。

医疗诊断的复杂性在于，医生面对的并非总是非黑即白的标准答案。很多时候，病情可能存在多种可能，或者暂时没有明确答案，这背后是极其复杂的思考链条。这正是AI独立诊断需要跨越的核心障碍。

幸运的是，初步的解决方案已经出现。一方面，通过海量医学数据训练的多模态模型，能够建立起强大的基础诊断能力；另一方面，借助“假设-验证”的推理方法，模型可以模拟医生的思考路径，从而增强对复杂病例的诊断能力。

国内外的大模型都在这个方向上持续发力。国内的MedGPT、讯飞星火医疗大模型在特定医疗问答任务上表现出色。微软最新推出的AI诊断工具MAI-DxO，在《新英格兰医学杂志》记录的304个复杂病例测试中，诊断准确率达到了85.5%，显著超过了21位资深医生的平均水平。更重要的是，MAI-DxO能够像真实医生一样，通过逐步问诊来收集信息，最终给出诊断，这使其具备了真实部署在临床环境的潜力。

总的来看，AI辅助诊断正经历一场从工具化到平台化的深刻跃迁。AI不再只是医生的“助手”，它正在成为医生的“智囊团”，甚至是患者寻求的“第二意见”。

二、💡 本土实践的星辰大海 巨头与新锐的布局

面对AI医疗这片广阔的蓝海，中国的科技巨头和创新企业早已纷纷入局，并催生了大量富有特色的本土实践案例。

2.1 百度健康 AI智慧门诊

百度依托其在AI领域的深厚积累，推出了“AI智慧门诊”系列产品。这套系统集成了AI图像阅读、智能导诊、自动化病历生成等多种功能，旨在打造一站式的智慧医疗服务。除了前文提到的在武汉协和医院大放异彩的“智能加号”功能，百度还与多家医院合作，部署了用于肺结节、糖尿病视网膜病变等高发病种筛查的AI辅助影像系统，帮助医生快速锁定疑似病灶，极大地提升了筛查效率。

2.2 科大讯飞 智医助理与星火大模型

科大讯飞则从其擅长的语音交互和认知智能切入，推出了“讯飞智医助理”。该系统主要服务于基层医生，提供语音录入病历、辅助决策建议等功能，目前已覆盖超过1400种疾病，在全国有数万名医生使用。2024年发布的“讯飞星火医疗大模型”更是在医疗问答任务上表现优异。讯飞还积极与各大医院合作，依托中国人群的临床数据，打造了一系列专病或专项医学大模型，如“心脏超声诊断决策系统”、“西部心病脑梗模型”等，展现了其在垂直领域的深耕能力。

2.3 腾讯觅影与腾讯健康 影像AI与全流程服务

腾讯在医疗AI领域的布局同样深远。旗下的“腾讯觅影”在医疗影像领域耕耘多年，其AI诊断工具已在中国500余家医院部署，辅助医生筛查肺结节、乳腺癌等多种疾病。随着“混元大模型”的推出，腾讯将AI能力进一步嫁接到患者服务的全流程中。例如，北医三院通过腾讯的AI小程序，实现了一站式的AI问答服务。深圳罗湖医院集团甚至将DeepSeek和腾讯大模型结合，开发出“AI临床助手”，为重症患者提供病情分析和诊疗建议。

2.4 深睿医疗 全流程AI数智化的独角兽

作为国内医疗AI领域的领先独角兽企业，深睿医疗的策略是提供“全流程AI数智化”解决方案。公司围绕“多模态、大场景”的技术架构，为上千家医院和机构提供从健康管理、AI辅助诊断到临床决策支持、慢病筛查等端到端的服务。其产品线覆盖影像、病理、病案质控、智能问诊等多个环节，累计年使用量近2亿次。这种“全场景布置”的模式，为创新公司如何在巨头林立的赛道中找到自己的生态位，提供了一个成功的范例。

2.5 开源力量与创新团队 小模型的逆袭

除了科技巨头，一股由开源社区和创新团队引领的力量同样不容小觑。他们证明了，在医疗这个专业领域，“高质量数据+专业知识”的价值，有时甚至超过单纯的模型规模。

• 阿里巴巴达摩院 联合高校发布的开源医学推理数据集“ReasonMed”和7亿参数的推理模型，其7B版本在多项医学问答测试中表现优于更大规模的模型。

• 百川智能 开源的Baichuan-M2模型（7B参数），在HealthBench医疗评测中也以60.1分的成绩力压OpenAI的120B模型（57.6分）。

• 医渡云 等公司则专注于特定领域，开发了针对中国人群的罕见病诊疗AI模型。“协和·太初”作为全国首个罕见病AI大模型，已进入临床试点，有望将罕见病的平均确诊时间从数年缩短至数月。

这些本土实践案例共同描绘了一幅生动的画卷，展示了中国AI医疗产业的活力与潜力。但在这片繁荣之下，落地的阵痛也同样真实而深刻。

三、🚧 横亘在前的三座大山 落地之痛与破局之思

尽管技术进展令人振奋，但AI要真正从“实验室”无缝融入“手术室”和“诊疗室”，仍需翻越三座根深蒂固的大山。

3.1 信任的鸿沟 “黑盒”难题与可解释性

这是AI医疗落地面临的首要且最核心的障碍。目前的AI诊断，尤其是基于深度学习的模型，其决策过程往往是一个典型的“黑盒”。医生无法看到算法完整的推理链条，患者更无法理解AI给出建议的具体依据。

医学是一门严谨的科学，更是一门“人学”。医生在做出任何诊断和治疗决策时，都必须“知其然，并知其所以然”。如果AI只是给出一个冷冰冰的结论，而不能提供清晰、可信的解释，那么医生就不敢轻易采纳，更不敢将其写入需要自己签名负责的病历中。

缺乏信任，临床采日志自然低迷。无论AI的测试数据多么亮眼，只要无法打开“黑盒”，让其决策过程变得透明、可解释，它就永远只是一个“高级玩具”，而非可以信赖的临床伙伴。

3.2 数据的孤岛 难以打通的“闭环”

数据是AI的燃料，但在中国，医疗数据却呈现出高度分散、标准不一的“孤岛”状态。病历、影像、检验、基因等数据散落在不同科室、不同医院的系统中，彼此之间缺乏统一的标准和接口。中小医疗机构的数据更是零散无章，质量参差不齐。

更棘手的是，医疗数据涉及患者隐私，是极其敏感的信息。严格的监管政策、尚不明确的利益分配机制，导致医疗机构在数据共享问题上普遍存在“不愿、不敢、不能”的心态。

这种数据割裂的现状，给AI医疗带来了致命的制约。没有完整、连续、高质量的数据闭环，AI模型就无法进行持续的迭代优化，也难以覆盖患者从预防、诊断、治疗到康复的全病程，其价值自然大打折扣。

3.3 责任的悬剑 谁来为AI的错误买单

这是一个无法回避的法律和伦理难题。当AI辅助诊疗出现误诊或漏诊，导致了不良后果，这个责任应该由谁来承担？是算法的开发者，是医疗设备厂商，还是最终使用AI并签字的医生？

目前，国内外的相关法律法规都还处于探索阶段，责任归属尚不明确。这种不确定性，就像一把悬在医疗机构头上的“达摩克利斯之剑”，让他们在引进和应用AI技术时不得不步步为营，慎之又慎。

一个清晰的解决方案是必要的，包括完善相关法规、明确各方责任的划分、建立可追溯的审计机制。否则，无论算法多么先进，只要“出了事谁负责”的问题得不到解答，AI就难以真正“持证上岗”。

除了这三座大山，算法偏见、数据“幻觉”、医院现有运营模式与医保支付体系的适配问题等等，都像一张复杂的蜘蛛网，共同构成了AI医疗在本土落地时面临的重重挑战。

四、🚀 突围之路 “大模型+小模型”的融合之道

面对重重挑战，中国的AI医疗企业并未止步。在持续的技术探索和市场实践中，一条兼具中国特色和技术前瞻性的突围之路，正逐渐清晰起来。这条路的核心，并非单一技术的突进，而是一套多维度、系统性的组合拳。

4.1 技术战略的基石 “杠铃策略”的智慧

未来，单一的大模型或小模型都难以独立支撑起复杂的医疗应用场景。业内普遍认为，“大模型+小模型”相结合的融合策略，将成为主流，也是通向“AI医生工业化落地”的最务实路线。

我们可以把这个组合形象地理解为医院里的“通用医生（全科）+专科医生”团队会诊模式。

• 大模型扮演“通用医生” 它们如同知识渊博、经验广博的全科医生，负责提供通用的语言理解、跨学科的知识推理和多模态数据的初步整合能力。它们构成了AI诊疗系统的基础认知底座，负责把握整体诊疗思路。

• 小模型扮演“专科医生” 它们则像经验丰富的专科医生，精通某一特定领域。通过在特定任务（如特定类型的影像判读、罕见病基因分析、专科手术导航）上使用高质量、标注精准的数据进行深度训练，小模型能够在垂直领域达到极高的精度和可靠性。

正如前文提到的阿里ReasonMed和百川Baichuan-M2的案例，在特定医学评测中，参数量较小的专业模型能够战胜参数量大得多的通用模型。这充分说明，在医疗领域，模型并非越大越好，领域知识和数据质量才是决定成败的关键。

这种“大模型打基础，小模型加专业”的“杠铃策略”，形成了一条“专科增强”的诊疗链路。两者协作，既能保证不丢失全局视野，又能在关键细节上做到极致精准，让AI在临床中发挥出最大价值。更重要的是，这种策略还能大幅降低部署成本（部分国产小模型甚至单卡就能运行），更符合医院的实际操作需求和监管要求。

4.2 应用场景的深耕 从“单点工具”到“全病程管家”

技术最终要服务于场景。AI医疗企业要想突围，必须从提供单一功能的“工具商”，进化为能够深度融入临床工作流的“全流程解决方案提供商”。

这意味着AI的应用不能仅仅停留在辅助读片或智能导诊这样的单点环节，而是要致力于打通诊前、诊中、诊后的全流程，覆盖从预防、筛查、诊断、治疗、康复到健康管理的患者全生命周期。

企业需要选择特定的高频痛点场景进行深耕。例如，深睿医疗围绕多模态数据，为医院提供从健康管理到慢病筛查的全流程服务。瑞金医院联合企业开发的“瑞智病理”大模型，专注于解决病理诊断的效率和一致性问题。这种端到端的闭环服务，不仅能为患者提供连贯、个性化的健康管理，也能为医生和医院管理者带来从临床决策支持到运营效率提升的全面价值。

4.3 生态协同的构建 “医工结合”的新范式

鉴于医疗行业的专业壁垒和数据敏感性，AI企业单打独斗的时代已经过去。构建一个开放、协作的生态系统，将成为未来竞争的关键。

核心模式是构建“医院（数据+场景）+ 企业（技术）”的医工结合联盟。在这种模式下，医院不再是单纯的技术使用者，而是深度参与到研发过程中的“新入局者”。

• 医院提供 高质量的脱敏临床数据、真实的临床应用场景和宝贵的专家知识。

• 企业提供 强大的技术底座、高效的算法模型和便捷的开发平台。

上海新华医院与商汤医疗合作的“大医智能体平台”就是一个典范。该平台允许医生团队通过“零代码”或“低代码”的方式，直接参与到AI应用的设计和开发中，将自己的临床经验和知识快速转化为可用的AI工具，实现了高效的医工协同创新。

同时，推广平台即服务（PaaS）或软件即服务（SaaS）模式，也能有效降低医院和科研机构使用AI的门槛。腾讯觅影的开放实验平台，就以SaaS服务的形式，打通了从数据处理到模型训练的全流程，极大地促进了行业内的协同创新。

4.4 信任与合规的再造 从“被动遵守”到“主动引领”

要翻越信任、数据和责任这三座大山，企业需要采取更主动的姿态。

1. 推动算法“白盒化” 积极投入可解释性AI（XAI）的研究，通过热力图、决策路径可视化等技术，让医生能够理解AI的判断依据，从而建立信任。上海长征医院开展的“人机联合会诊”模式，就是一种在实践中建立信任的有效探索。

2. 破解数据孤岛 大力推广联邦学习、隐私计算等技术，实现在保护数据隐私的前提下，进行多中心联合建模。医渡科技通过与数千家医院合作，构建“数据中台+AI中台”的模式，为安全、合规地利用数据提供了范本。

3. 主动参与标准制定 企业不应只是被动地等待法规完善，而应积极参与到相关的行业标准、国家乃至国际标准的制定中去，从“被动合规”转向“主动引领”，推动建立清晰的责任划分和可追溯的审计机制。

只有从根本上解决了这些基础性问题，AI医疗的规模化应用才能真正扫清障碍。

总结

AI诊断能力的飞速发展，无疑为医疗健康事业带来了前所未有的想象空间。然而，从技术突破到产业突围，中间隔着一条充满挑战的鸿沟。

对于中国的AI医疗企业而言，未来的突围之路，绝非一场单纯的模型参数竞赛。它更像是一场考验综合能力的“铁人三项”。

首先，是技术路线的智慧，即坚定地走“大模型+小模型”的融合之路，实现通用能力与专业深度的完美结合。

其次，是应用场景的深度，即从单点工具思维中跳脱出来，深耕临床痛点，提供覆盖全病程的闭环解决方案。

最后，也是最关键的，是生态与信任的构建，即通过开放的医工协同平台赋能医疗机构，并以透明、合规、负责任的态度，去攻克数据、信任与责任这几块最难啃的“硬骨头”。

挑战依然严峻，但方向已经明确。那些能够真正以患者价值为导向，以临床需求为驱动，并在这场多维度融合创新的长跑中保持耐心的企业，终将穿越迷雾，引领中国AI医疗迈向一个更加普惠、精准和智能的新纪元。

📢💻 【省心锐评】

技术再炫，最终要落回病床边。AI医疗的下半场，拼的是对临床的敬畏和解决真问题的能力，而不是参数竞赛。