AI醫療進入精準化“深水區” ：OpenAI醫療評估基準落地、大模型加速變革｜AI醫療浪潮㉑

21世紀經濟報道記者 閆碩 北京報道

近日，OpenAI推出HealthBench開源基準測試，用於衡量大語言模型在醫療健康領域的性能表現與安全可靠性，引發業內廣泛討論。

根據官方信息，HealthBench由262位來自60個國家/地區執業的醫生共同參與構建，整合了5000段真實的醫療對話數據。與以前的狹窄基準不同，HealthBench通過48562個獨特的醫生編寫的評分標準進行有意義的開放式評估，涵蓋多個健康背景和行爲維度。

有研報分析指出，隨着OpenAI推出HealthBench等醫療大模型評估基準的建立和完善，AI醫療模型的性能評估將更加科學、全面，有助於加速AI技術在醫療領域的落地應用，爲醫療行業的智能化升級提供有力支持，相關企業有望迎來新的發展機遇。

另一方面，大模型本身也在加速變革。事實上，隨着大模型競爭的白熱化，競爭的焦點也已進入全新階段：從早先粗放的參數體量堆砌競賽，轉變爲模型效率優化與單位算力下的性能提升。

IQVIA艾昆緯戰略規劃副總監Barrett Li向21世紀經濟報道記者表示，隨着大模型的不斷進化，以及模型優化方法的不斷提升，已經爲AI在要求更特殊的專業場景中的更廣泛應用拓展了可能性，尤其是對於醫藥行業的AI應用來說，已顯現三大趨勢：模型即產品、本地與端側部署、研發端AI應用的快速拓展。

新的評估測試集

改善人類健康將成爲通用人工智能（AGI）的決定性影響之一。如果能夠得到有效開發和部署，大語言模型有望拓展健康信息的獲取渠道，支持臨牀醫生提供高質量醫療服務，並幫助人們維護自身健康。而評估對於理解模型在醫療場景中的表現至關重要。

OpenAI認爲，現有評估仍然存在一些問題，首先，未反映真實場景，脫離了實際醫療互動的複雜性，如僅採用標準化測試或有限臨牀問題。其次，缺乏專家醫學驗證，評分標準未經過醫療專家嚴格審覈，難以體現專業醫療判斷。此外，也並未預留改進空間，最先進模型已接近“天花板”得分，無法激勵持續優化。

也因此，在過去的一年裡，OpenAI與60個國家的262名醫生合作構建了HealthBench，包括5000個真實的醫療對話數據。HealthBench 的測試樣本被分爲7個主題和5個評估維度。其中，7個主題包括緊急轉診、專業溝通定製、健康數據任務等方面，5個評估緯度則包含準確性、溝通質量、情境理解等方面。

在HealthBench的基礎上，OpenAI還推出了兩個特別版本：HealthBench Consensus（共識版）和HealthBench Hard（困難版）。前者包含34個經醫生共識驗證的、對模型行爲表現尤爲關鍵的評估維度；後者則設置了更高難度的評估場景，目前最高得分僅爲o3模型的32%，主要被用於挑戰模型在複雜醫療情境中的極限表現。

對於HealthBench的可信度，OpenAI開展了HealthBench Consensus（共識版）的元評估，即將模型的打分結果與醫生人工打分進行對比。結果表明，7個評估領域中的6個領域，模型打分結果與醫生評分的中位數水平高度一致。

有券商分析師向21世紀經濟報道記者表示，在醫療等垂直領域，準確性和實際場景的相關性比“流暢對話”更爲關鍵，HealthBench不同於過去大多關注通用大語言模型表現的基準，而是聚焦醫療垂直領域，爲醫療領域的AI應用提供更爲專業的評估工具，同時也將推動大模型領域建立專業的AI評估標準。

值得一提的是，在HealthBench的測評中可以發現，大模型在醫療領域的應用正迅速發展。比如，2023年推出的GPT-3.5Turbo得分爲16%，而2024年5月推出的GPT-4o得分已達到32%，2024年12月推出的o3模型得分更是達到60%。另外，較小規模的模型尤其進步顯著，GPT-4.1nano的表現超過GPT-4o，且成本僅爲GPT-4o的1/25。

大模型持續優化

根據世界經濟論壇發佈的《人工智能驅動健康的未來：引領潮流》報告，人工智能是醫療保健的主要變革力量，預計2024年—2032年，AI醫療市場將以每年43%的速度增長，市場規模有望達到4910億美元。

其中，AI在醫療服務中的應用前景廣闊。中信建投證券分析指出，AI可以擴展醫療服務可及性，可應用於診斷前、診治及診斷後階段，解決當前醫院系統醫療人員短缺和缺乏有效分流等問題，以少量資源實現高效率。此外，AI輔助醫生診療未來有望降低誤診率的同時，在部分疑難雜症診療方面也有望發揮協同作用。

也因此，不僅評估工具在發生變革，大模型本身也在持續優化。當前，AI在醫療領域的應用歷經了從規則驅動到數據驅動、從單一任務優化到多模態協同的演變，已進入到多模態融合階段。

浙商證券分析指出，大模型的多模態能力解決了早期AI醫療存在的信息割裂和數據孤島等問題，大模型通過“預訓練+微調”架構，用統一參數體系處理多模態醫療數據。在臨牀應用中，藉助多模態技術，AI可以實現跨模態數據的理解和動態時序建模，使得AI診療與醫生的診療水平更加接近。

需要指出的是，由於萬億級參數模型高昂的訓練成本與當下較低的投資回報比，疊加通用參數的堆砌對專業場景下的模型效率提升遇到了瓶頸，大模型競爭的焦點已從早先粗放的參數體量堆砌競賽，轉向模型效率優化與單位算力下的性能提升。

在應用方面，Barrett Li向記者總結道，隨着大模型的不斷進化，目前對於醫藥行業的AI應用來說，幾大趨勢已經顯現：

首先，模型即產品。相比通用大模型在其他行業中相對較低的應用門檻，醫藥行業高度專業性的場景，對於模型的適配性有着更高的要求。而隨着模型訓練與針對特定知識庫優化的技術與應用逐漸推廣，大模型廠商未來預計會逐步關閉對外的API接口，轉而將專業化後的模型本身作爲產品直接提供給企業用戶使用，顛覆現有的套殼應用層。而現有的專業AI軟件，也必須逐步增強其底層模型訓練的能力以應對這一挑戰。在可見的未來，將會有更多直接針對醫藥行業訓練的模型被廣泛應用。

其次，本地與端側部署。針對特定場景而訓練優化的專業模型，可以在滿足性能要求的前提下，減少對硬件方面提出過高的要求。因此在成本可控性、分析可溯源、數據安全、反饋延遲等要求更高的場景下，專業中小模型的本地部署會提供極大的賦能。

“此外，研發端AI應用也在快速拓展。出於高度專業性、數據安全、隱私合規等因素，相比通用大模型在商業化階段的快速發展，醫藥行業企業尚未在研發階段感受到AI所帶來的巨大轉變。而隨着特定場景專業模型訓練的普及，研發階段AI應用的壁壘未來也有望被逐一消解。”Barrett Li說道。