客服热线：
手机版
二维码
医疗大模型密集落地，AI医生离现实还有多远？
曾在科幻电影中出现的场景——AI现身诊室，像医生般问诊病史、做出诊断、开具检查单——正一步步走进现实。
今年上半年，“天枢”“观心”“瑞智病理”等医疗领域大规模预训练语言模型（简称“医疗大模型”）在全国三甲医院加速落地。据亿欧智库数据，截至2025年5月，国内累计发布的医疗大模型已达288个，仅今年就新增133个。
政策支持与技术突破为这一爆发提供了强劲动力。2024年11月以来，多部门密集出台相关政策，涵盖84个AI医疗细分应用场景，将AI辅助诊断纳入医疗服务价格立项指南，并明确拓展AI在辅助诊疗中的应用。同时，开源模型的技术突破降低了研发门槛，加速了领域内的“百模大战”。
目前，医疗大模型已在临床中展现价值：在基层医院，它能辅助医生明确腮腺炎等易漏诊病症；在大型医院，它可延长医患有效沟通时长，还能为基层医疗机构提供超10亿次辅诊建议，缓解诊疗压力。但这些被临床寄予厚望的技术产物，距离成为真正能独立执业的AI医生，仍有漫长的距离。
医疗大模型价值初显，进阶AI医生仍需跨越多重关卡
今年夏天，北京市房山区窦店镇一家基层医院的内科门诊，一名半边脸肿大且症状久不消退的患儿就诊。医生起初建议家长带孩子去口腔科检查，结果显示口腔无异常。焦急的家长再次求助时，医生想到了医院新引入的AI儿科医生。这款整合了300多位知名儿科专家临床经验、海量脱敏病历数据，且掌握3000多种儿童常见病及疑难病诊疗知识的大模型，在与医生多轮“对话”后提示患儿可能患腮腺炎。依据这一提醒，医生最终明确诊断，患儿也得到了及时治疗。
政策与技术的双重驱动，为医疗大模型发展注入强劲动力。2024年11月以来，多部门密集出台相关政策：《卫生健康行业人工智能应用场景参考指引》梳理出84个细分应用场景；国家医保局将AI辅助诊断纳入医疗服务价格立项指南；《医药工业数智化转型实施方案（2025—2030年）》明确要拓展AI在辅助诊疗等场景的应用。同时，DeepSeek-R1等开源模型的技术突破，降低了医疗大模型的研发与应用门槛，加速了AI医疗领域“百模大战”的到来。
在此背景下，医疗大模型迎来爆发期。亿欧智库预测，2025年其市场规模接近20亿元，预计将以140%的年均增速增长，到2028年突破百亿元。不过，目前仅少数医院具备完全自主研发和部署医疗大模型的技术能力与算力条件，多数医院选择与企业、高校、科研院所联合研发。
作为医生的“得力助手”，医疗大模型已在临床中展现出提升诊断效率的价值。截至今年6月，AI系统“智医助理”已落地全国超7.5万家基层医疗机构，累计提供超10亿次辅诊建议，有效缓解了基层医生的工作压力。华中科技大学同济医学院附属协和医院借助AI进行辅助预问诊，使医患有效沟通时长增加50%。在北京市海淀区，某公司研发的AI助诊仪已在20家社区卫生服务中心试点，能为医生提供问诊方向建议，鉴别诊断合理率达96%。如今，医疗大模型已从技术探索阶段逐步转向临床应用，既是医生减负的“神器”、基层医疗机构的“外脑”，也是居民的健康管理助手和专科门诊的沟通工具。
进阶之路关卡重重
医疗大模型的密集涌现，让公众对AI医生充满期待。但专家指出，医疗大模型要从实验室走进诊疗室，最终成长为真正的AI医生，还需经历一场严苛的“职场拉练”，难点主要集中在AI医生概念模糊和落地应用障碍两大方面。
目前，业内对AI医生的定义尚未统一。有专家认为，医疗大模型侧重技术层面，如同医学院毕业生缺乏临床经验；而AI医生侧重应用，需既懂理论又有实践能力，能够上岗执业。还有医生提出，“自主治疗”是AI医生的核心标准。清华大学北京清华长庚医院泌尿外科主任李建兴则形象比喻：“医疗大模型好比医院，AI医生好比科室大夫。”
记者梳理发现，当前市面上声称是AI医生的产品类型多样，包括智能问答系统、影像分析工具、医生智能体以及人类医生的数字分身等。一位业内人士总结，主流AI医生可分为辅助诊断、知识问答、健康管理三类系统。她坦言：“全知全能的AI医生对行业和患者价值更大，但目前距离临床应用还有较长距离。”
AI医生进阶难题：技术不足、运维成本与数据桎梏待破
模型技术本身的短板首当其冲。今年3月，一位“95后”新手家长因孩子反复咳嗽发热，通过手机AI问诊。AI判定孩子为“普通呼吸道感染”，家长依此建议居家用药，却延误了病情，孩子最终在医院被确诊为病毒感染肺炎。这一案例直接暴露了AI诊疗潜藏的风险。
“大模型存在的‘黑箱’‘幻觉’问题，以及引用错误信息等情况，都可能误导治疗，引发严重后果。”北京清华长庚医院泌尿外科主治医师刘宇保指出。即便有专注医疗大模型研发的企业，已将其产品的幻觉发生率控制在1%左右，该企业负责人仍强调：“支撑AI医生大规模临床应用的风险防控体系，目前尚未成熟。”
除了技术风险，后期运维也是一大难题。今年5月，李建兴团队仅用两个多月就研发出结石领域大模型“石说AI”的内测版本。李建兴坦言：“依托基座模型和大数据研发医疗模型并不难，真正的难点在后期运维。这需要持续投入算力、人力、数据等资源，同时承担设备维护、模型迭代等各类成本。”
数据作为大模型的“养料”，其通畅性与充足性同样关键，而这也成为阻碍医疗大模型“进化”的另一重桎梏。参与“石说AI”研发的清华大学博士生徐铮表示，采用多中心数据能提升医疗大模型的“泛化性”，但当前医疗数据“烟囱林立”的现状，仍难以打破。
AI医生进阶再遇阻：数据、认知难题待解
李建兴进一步补充：“基层医疗数据规范性不足，大量有价值的病例信息未被记录，资源共享更是无从谈起。而仅依靠单中心数据训练的大模型，到了基层或其他医疗机构，很可能出现‘水土不服’的情况。”
罕见病领域的医疗大模型训练，则普遍受困于病例数据不足的难题。国外相关研究发现，当AI用于罕见病诊断时，其准确率尚不足60%。
多模态数据处理同样是医疗大模型需要攻克的难关。徐铮告诉记者，医疗大模型要落地应用，首先需解决多模态医疗数据融合问题，实现影像、病理、基因组、电子病历等多源数据的高效融合与安全共享。
除技术与数据层面，社会认知层面的困境也不容忽视。一名患者表示，即便部分医疗大模型的水平已接近知名专家，他仍更希望接诊的是那位专家本人。李建兴也提到，虽然越来越多患者看到了“AI+医疗”的潜力，但对AI诊疗持怀疑态度的人也不在少数。
“患者对AI医生接受度低，背后原因较为复杂。比如患者可能担心技术可靠性不足，或更倾向于与真实医生交流；医疗机构顾虑技术应用成本过高；医生则担忧技术会对现有诊疗模式形成冲击。”刘宇保解释道。
多方探索加速破局
面对上述多重难关，行业内已着手探索路径，力求培养出更多能力更强的AI医疗系统。
多方探索破局AI医生进阶难题：从技术攻坚到体系构建
在中国AI医生的探索赛道上，中国医学科学院血液病医院（中国医学科学院血液学研究所）信息与资源中心首席技术专家陈俊仁选择了一条极具挑战性的路径。
当前多数AI仅作为辅助决策工具，而自主治疗能力是AI医生落地的关键突破点。陈俊仁正专注于打造具备自主治疗能力的AI医生，并将其分为两类：一是辅助型，由AI提供参考信息，医生决定如何运用信息决策；二是条件式自主型，AI给出默认治疗方案，医生拥有否决权。
2022年，陈俊仁及合作团队通过数学建模，解决了血液病患者临床数据“多参数、小样本”的难题，构建出daGOAT模型，用于预测移植后重度急性移植物抗宿主病，相关研究成果发表于《自然·计算科学》。模型方法获国际同行认可后，团队按严格流程推进临床转化：完成伦理审查、将模型嵌入医院信息系统、获取伦理批件后启动患者志愿者招募。“我们不是拿着模型找场景，而是根据临床场景需求研发模型。”陈俊仁强调。
令人欣慰的是，自2024年首位患者入组以来，daGOAT已具备条件式自主诊疗能力——能定时自主追踪患者的100多项动态指标，实时提醒医生对高风险患者提前采取药物干预措施。“遵循‘寻找医疗场景—开展科学验证—获得伦理委员会批准—搭建医疗模型—招募患者志愿者—多方交叉验证’的路径培育AI医生，过程虽漫长，却能让医生和患者都感到踏实。”陈俊仁表示，无论AI医生以何种形态存在，核心都在于能否真正解决临床问题。
针对模型“幻觉”等技术问题，国内多团队探索出不同解决方案：陈俊仁团队通过真实世界病例反复验证；北京清华长庚医院泌尿外科要求模型引用最新权威医学文献；部分医院则采用“循证医学数据库自检+双医审核”模式。中国科学院院士陈润生指出，破除AI“幻觉”需跨越技术与伦理双重挑战——技术上，AI表现依赖训练数据的质量与多样性，数据偏差易导致错误输出；伦理上，算法可能因数据不完善或设计者主观偏见产生歧视性决策。
面对医疗数据“烟囱林立”的现状，李建兴建议借鉴“医疗数据中台”模式，在数据加密脱敏基础上建立跨机构数据联盟，实现“数据可用不可见”，降低泄露滥用风险。针对罕见病等领域数据稀缺问题，陈俊仁团队通过“小样本抽丝剥茧分析+真实病例反复验证”，提升模型精准度。
要让AI医生成为能读懂多源数据的“多面手”，专家认为需整合影像识别、自然语言处理等多领域技术，凝聚全球科研力量联合攻关。
在提升社会认可度方面，刘宇保提出，可通过诊疗效果对比、发表研究成果、建立AI医生评测榜等客观方式，增强医生对AI的信任。中国科学院香港创新研究院人工智能与机器人创新中心主任刘宏斌则表示，医学是循证学科，模型的每一个诊断结论都需标注依据、具备可解释性，才能真正获得医生认可。
针对监管与伦理问题，李建兴建议参考自动驾驶分级模式，依据AI医生能力划定诊疗权限，随模型性能提升逐步放开，并“动态调整开发者、使用者、监管方的责任边界”。陈俊仁认为，应尽早建立AI医疗治理机制与规则框架，加强伦理审查，既引导行业规范发展，又防范安全风险。
多位专家提及，政策支持是加快AI医生落地的重要助力，现阶段需适度“松绑”。李建兴建议简化院级AI产品注册备案流程，鼓励医疗机构与技术公司深度合作；另有专家提出，推动AI医生服务纳入医保支付体系，完善商业模式。陈俊仁表示：“政策红线可按风险层次适当延展，给业界更多创新空间，但无论如何，都不能违背医学伦理。”
