不過，在東軟集團副總裁、醫療健康事業部總經理李東看來，即便是經過了多年的發展，就國內醫院擁抱 AI 能力方面，仍處于水平 " 參差不齊 " 的階段，這一方面是因為各個醫院體量不同，需要能力也不盡相同；另一方面是因為各個醫院在 AI，甚至數字化領域投入的不同。

不同級別醫院，應用情況不盡相同

AI 的能力在醫療行業的應用主要有三個方面：一，醫療行業可以通過大模型提升醫療工作者的工作效率，進而還能彌合當下切實存在的醫療資源不平衡的問題；二，通過大模型的能力，可以降低患者在醫院候診、診療的時間，提升患者整體就醫體驗；三，通過大模型的能力，醫藥制造等相關領域可以提升研發新藥的效率，并降低研發成本。

而對于醫療機構來說，前兩個應用是其主要發力的領域，但在李東看來，目前各個級別的醫院因為醫院規模、屬性等差異，應用大模型的場景與應用過程中遇見的挑戰也不盡相同。

從規模和屬性上，目前國內醫院大致可以劃分為三類，分別是：高校附屬醫院 / 科研型醫院、市級醫院，以及基層醫療機構，他們的 AI 應用情況也有所不同。

對于頭部的科研型醫院來說，他們在原先數字化轉型過程中，就處于了領先的位置，高質量數據集較多，而李東表示，這些頭部醫院在智能應用創新與臨床結合方面走的比較靠前。

比如，哈爾濱醫科大學附屬第一醫院部署 DeepSeek 大模型，用于快速查閱相似病例、分析診療指南和藥物相互作用，輔助制定個性化治療方案；南通大學附屬醫院通過 DeepSeek 本地化部署，構建 " 智能客服 + 肺結節 AI 診斷 " 系統，提升患者服務和影像分析效率；中國醫科大學附屬盛京醫院則與東軟集團緊密圍繞智慧醫療、智慧服務、智慧管理、智慧醫聯體等方向，構建以數據為驅動的高質量發展核心引擎，建設統一數據管理平臺，充分釋放醫療數據價值。

綜合來看，頭部科研型醫院具備充足的研發資金，且也有著較為豐富的場景和完善的數據體系，在 AI 技術應用方面走的比較靠前，嘗試探索一些創新性場景的能力較強。

與之不同的是，對于市級醫院而言，因為數字化水平參差不齊，也導致了這些 " 腰部 " 醫院在 AI 應用上的道路并不是很順暢。李東告訴筆者，目前很多市級醫院，或者普通三甲醫院，在 AI 應用方面仍處于推廣階段，主要應用在一些導診、分診等基礎的問答層面，與一些已經應用上輔助診療的頭部醫院相比，仍存在較大的差距，" 目前這些醫院的數字化水平也參差不齊，有一些比較好的，智能化走的比較靠前，但都還沒涉及到臨床階段，以及其他更深層次的應用中。" 李東如是說。

具體來看，在腰部醫院之中，也有一些 AI 應用的較為不錯的案例，比如，南寧市第一人民醫院心內科上線 AI 數字人服務，通過語義分析匹配亞專科專家，并自動推送用藥提醒和復診計劃；浙江省腫瘤醫院聯合阿里達摩院發布了全球首個胃癌影像篩查 AI 模型。

而對于基層的醫療機構來說，如何以更具性價比的方式，在基層規模化應用大模型的能力，輔助醫生對患者進行診療，并提升醫生的整體水平是關鍵點。不過在李東看來，目前來看，即便在經濟發展的較好的地區，基層醫療機構的智能化應用水平也并不能讓人滿意。目前大多數做的較好的基層醫療機構也僅僅停留在利用 AI 大模型進行慢性病管理 / 隨訪，基礎診療輔助，以及遠程支持與年輕醫生培訓等方面，也都是處于問答助手的階段。

AI 應用仍有挑戰

" 醫療行業的特點是診療嚴肅性和過程不可逆性，這也是 AI 技術落地的難點所在。" 高博醫療集團首席信息顧問陳金雄曾在 2024 ITValue Summit 數字價值年會期間指出。

正如陳金雄所述，醫療行業因為其特殊性，在應用 AI 的過程中仍有許多問題亟待解決。在與李東的交流中，他也具體分享了醫療行業目前 AI 大模型 / 智能體落地過程中，所面臨的挑戰。

與其他行業一樣，醫療行業在落地 AI 智能體應用的過程中，首先需要面對的就是數據的挑戰，" 大多數醫療的文獻、數據都是英文，缺乏專業的中文語料，用于訓練大模型，" 李東進一步指出，" 且醫學發展本身是動態性的，變化很快，包括一些專家的共識，這部分語料都是分散在醫院的各個業務系統里。把它們形成高質量的語料去賦能大模型的應用是很大挑戰。"

因此，在李東看來，醫院在落地 AI 應用，首先要做的就是基礎數據體系的建設，做好數據治理的工作，獲取高質量的語料，用于訓練垂類大模型 / 智能體。

其次，因為醫療機構數據涉及患者的個人隱私，敏感性較高，在李東看來，醫療機構在部署 AI 應用的過程中，本地化算力設備的采購成本也是醫療機構目前需要權衡的一個問題。

同時，醫院規模越大，遭受到的數據安全、網絡安全的風險也越高，" 綜合來看，如何確保在本地化部署的設備算力更高效的被調用，且確保患者數據安全是醫療機構在部署 AI 應用，甚至是數字化轉型過程中面臨的一個嚴峻的挑戰。" 李東強調。

此外，模型性能越高，語料質量越高、越多，越能獲得更好的效果，但高性能模型必然帶來了更高的使用成本，ROI 成為阻礙 AI 醫療落地的關鍵。京東健康大模型的一位專家曾告訴筆者，" 醫院不能因為引入大模型產品，而導致整體的醫療成本和科研成本上升，這對于醫療機構來說不能接受。"

而這些挑戰還僅是在部署 AI 智能體過程中遇見的，在應用層面，醫療機構也有一些亟待解決的問題。

現階段，無論是哪種類型的醫院，大多數醫療機構在場景深度上都存在不同程度的問題，" 從應用層面看，很多智能應用脫離了正常的工作，是以外掛或是獨立應用的方式使用的。這種方式會造成內部很多數據是割裂的，體驗也是割裂的。" 李東進一步指出，" 此時會造成，醫院看著是部署了很多智能體應用，但從醫生的體驗來看，體驗并不好，業務流程還是割裂的，而如何將這些分散的應用整合到一起，也是大多數醫療機構接下來需要面對的挑戰。"

數據驅動，場景牽引是關鍵

面對如此多的挑戰，醫療機構需要如何應對呢？李東給出了建議：數據驅動，場景牽引。

具體來看，在數據層面，醫療機構首先需要完善基礎數據體系建設，做好數據治理，準備充足的行業 "Know How"，用于 " 制造 " 出行業智能體，正如業內共識的—數據是大模型的 " 養料 "，沒有數據就訓練不出行業垂類大模型。

在場景層面，目前能看到的醫療行業應用大模型的場景大多在問診、分診等基礎大語言類模型的問答層面。再有就是一些相對深入的，諸如輔助醫療決策、CT 影像識別等應用多模態大模型的層面。

比如，通過大模型的輔助，能幫助醫生快速的識別諸如 X 光片、CT 等醫學影像，從而大幅提升醫生工作效率，也能降低患者等待的時間。" 原本每天能審閱 50 張 CT 片子，未來每天能審閱 500 張 / 天，那么醫療效果的提升，將讓患者的就醫體驗，以及醫生的工作體驗都得以改善。"IEEE 標準協會新標準立項委員會副主席兼 IEEE 數字金融與經濟標準委員會主席林道莊曾與筆者分享了多模態模型應用的場景。

除此之外，當前能夠快速落地的是對原有解決方案智能化升級，也就是解決方案的智能化。具體來看，就是在原有解決方案的基礎上，進行升級迭代，加入 AI 智能體的能力，從而提升醫護人員、患者，以及醫療機構管理者的使用體驗。

不過，在李東看來，解決方案的智能化僅僅是 AI 在醫療行業應用的開始，未來的 " 終極 " 目標是——打造智能化的解決方案。基于此，東軟也提出了 " 一橫兩縱 " 的發展理念。" 一橫 " 即通用大模型，也是構建醫療智能體的底層基礎；" 兩縱 " 分別是：各個行業的垂類大模型，以及相應細分場景下的場景模型。

具體來看，智能體需要經歷從以規則為主導的邏輯推理階段，到連接主導的階段，一方面，打通各個分散的 AI 能力，整合到一起；另一方面，在這個階段，AI 智能體需要更好地與人進行連接，更 " 懂 " 人的意思，最終實現以行為為主導，具備創新研究能力，獨立優化醫院運營或發現新療法的階段，并且可以實現從工具輔助到人機協同，從局部優化到全流程覆蓋的能力。（本文首發于鈦媒體 APP，作者｜張申宇，編輯丨蓋虹達）