創新情報站丨“AI醫生”——人工智能技術賦能醫療未來

（來源：中關村發展集團）

轉自：中關村發展集團

2025年初，北京兒童醫院推出的全國首個“AI兒科醫生”引發廣泛關注。它不僅能夠爲醫生提供精準的診斷建議，還可通過聯合會審機制顯著提升疑難罕見病診療能力，爲兒科醫療服務注入全新活力。隨着“AI醫生”從概念逐步走向現實，它正日益成爲推動醫療行業變革的關鍵力量，爲提升醫療服務質量與效率開闢了新路徑。

一、“AI 醫生”發展概況

“AI醫生”是以人工智能技術爲核心，通過對醫療文本、影像數據、基因組信息等多源數據的深度分析，爲醫生在診斷、治療、健康管理等環節提供輔助的智能化系統。回顧其發展歷程，大致經歷了三個階段。

“互聯網+醫療”階段。隨着互聯網技術的蓬勃興起，線上問診模式應運而生，打破了傳統醫療的時空限制，讓患者足不出戶即可與醫生在線交流。但這一模式並未從根本上革新醫療服務範式，專家醫生因在線問診導致時間被擠佔，效率提升有限，患者也反饋在線問診存在缺乏人文關懷、體驗差等問題。

“AI+醫療”階段。計算機視覺技術的突破，推動決策式AI開始應用於醫學影像診斷等領域。但因其泛化能力較弱，僅可用於特定醫療場景，難以實現跨病種、跨科室應用；且高昂的設備採購成本、複雜的學習使用門檻，導致其在實際落地過程中面臨着較大的障礙。

“AI大模型+醫療”階段。以Transformer架構爲基礎的AI大模型技術崛起，開啓了“AI醫生”的新時代。藉助海量醫學文獻、臨牀病理和多模態數據的持續訓練，AI大模型能夠融合文本分析、影像識別、基因測序等多源異構信息，展現出較強的通用性和適用性。如今，“AI醫生”可靈活應對從疾病預防、診斷輔助到治療方案規劃、健康管理的各類醫療場景，開啓了智能化醫療的新篇章。

二、“AI 醫生”的優勢

相較傳統醫療模式，“AI醫生”的優勢主要體現在以下三個方面，正在重新定義醫療服務的邊界。

（一）知識全面，助力跨科室診療

“AI醫生”依託海量醫學文獻和病理數據訓練而成，理論上掌握了遠超單一醫生的知識庫，其優勢首先體現在醫療知識的全面性和綜合性，特別是在跨科室診療方面優勢尤爲突出。在現實醫療實踐中，許多複雜疾病涉及多學科交叉，例如同時患有糖尿病和心血管疾病的患者，可能需要內分泌科、心血管內科、腎內科等跨科室專家會診。傳統醫生受限於專業背景，難以全面掌握多學科知識，而“AI醫生”能在數秒內整合最新研究成果，提出涵蓋多科室知識的診斷建議，從而成爲醫生的重要輔助工具。

目前，由谷歌DeepMind團隊研發的Med-PaLM及Med-Gemini系列醫療大模型，在醫學問答、報告生成、影像分類和基因組變異檢測等任務中表現出色，其在USMLE（美國醫師執照考試）問題上的準確率超過90%，達到人類專家水平，可爲醫生提供較爲可靠的診斷參考。

（二）精準診斷，部分領域超越人類

在醫學影像和病理分析等領域，“AI醫生”的精準性已超越人類。通過多層神經網絡模擬人類視覺，“AI醫生”可以從複雜的醫學影像中捕捉人類難以察覺的細微特徵。例如在肺結節檢測中，“AI醫生”能識別X光片和CT圖像中毫米級的異常，其準確度超過了大部分放射科醫生，在早期癌症篩查等高風險場景中，可爲患者爭取寶貴的治療時間窗口。

浙江大學開發的AI病理助手OmniPT是這一領域的典型代表。該系統運用多模態大模型對病理切片進行分析，輔助醫生實現更精準、更快速的癌症診斷。目前，OmniPT已在浙江大學醫學院附屬第一醫院病理科進行臨牀應用，有力地推動了病理診斷技術向智能化和個性化方向發展。

（三）高普惠性，賦能基層醫療

“AI醫生”的出現，爲破解醫療資源分佈不均的結構化矛盾提供了全新思路，成爲提升醫療服務質效的關鍵突破口。耶魯大學教授William Kissick提出的“醫療不可能三角”理論指出，醫療體系面臨難以同時實現高質量服務、低成本運營和高可及性的困境。在我國，這一矛盾尤爲突出：優質醫療資源多集中於大城市三甲醫院，基層醫療機構醫師佔比不足30%，農村和偏遠地區普遍面臨人才匱乏、診療服務薄弱等問題。而“AI醫生”憑藉高普惠性特性有望打破這一困局，依託24小時不間斷的遠程問診和輔助診斷功能，將優質醫療資源精準輸送至醫療資源匱乏地區，縮小城鄉和地區間醫療服務差距，爲破解“醫療不可能三角”難題提供切實可行的解決方案。

三、面臨挑戰

在快速發展的同時，“AI醫生”的應用仍面臨以下問題和挑戰。

一是可靠性風險：“幻覺”與誤診隱患並存。基於Transformer架構的大模型依賴概率預測，“幻覺”問題（即生成看似合理但實際錯誤的輸出）始終難以根除，或將導致誤診風險。目前檢索增強生成（RAG）等技術已被用於降低風險，但徹底消除“幻覺”問題仍任重道遠。

二是信任困境：決策黑箱與可解釋性瓶頸。“AI醫生”決策過程常常被視爲“黑箱”，其複雜的神經網絡架構使得外界難以追溯結論的推導邏輯。在對決策透明性要求極高的醫療領域，這種不可解釋性極大削弱了醫生和患者的信任基礎，成爲其應用的主要障礙。儘管可解釋性AI的研究已取得一定進展，但距離滿足臨牀實踐中對診療依據清晰化、可驗證化的嚴格要求，還存在顯著差距。

三是數據壁壘：能力受高質量數據限制。醫療大模型的性能高度依賴高質量語料，然而當前多數模型僅能基於公開或者範圍有限的醫療數據信息訓練而成。大量的患者就醫及臨牀數據多掌握在醫院手中，由於數據涉及患者隱私且在線化、數字化程度不高等原因，大模型企業難以獲得，成爲限制“AI醫生”技術突破的核心瓶頸之一。

四、相關建議

爲促進“AI醫生”的發展和普及應用，針對現存問題，提出如下建議。

一是加快醫療AI相關法規的制定。明確“AI醫生”在臨牀應用的准入標準、使用規範，界定好決策失誤的責任歸屬，結合我國醫療實際，制定適應本土需求的監管框架。

二是激勵模型研發和關鍵技術突破。支持企業、高校和醫療機構聯合開展技術攻關，重點聚焦模型多模態融合、可解釋性AI等領域，提升診斷準確性與透明度，增強醫生和患者對“AI醫生”的信任度。

三是推動醫療數據標準化與流通共享。通過建立醫療數據共享平臺，制定統一的數據採集、清洗、標註及隱私保護標準，打破醫院間、地區間的數據孤島。同時推動病歷、影像數據、基因組數據的數字化和在線化，爲模型訓練提供豐富的高質量數據。

作者｜彭照康 北國諮諮詢師

來源｜北國諮