随着技术的发展，AI正逐步成为重构医疗生态的核心驱动力。

　　医疗AI不仅具备巨大的社会价值，还拥有广阔的商业潜力。京东健康探索研究院（JDH XLab）首席科学家王国鑫指出，医疗AI不仅是提升效率的工具，更是重塑医疗行业的新质生产力，将在解决医疗资源供给方面发挥重要作用。

　　随着行业的深入探索，医疗大模型已在具体场景中展现出实际价值。以互联网医疗领军企业京东健康为例，京东互联网医院已有超过80%的医生问诊单采用了AI服务，有效降低了误诊风险，释放了医生的临床精力，使他们能够专注于更有价值的工作。同时，京东健康旗下的医疗AI数字人的人工替代率最高已超过90%，在过去一年中服务用户人次超过3500万。

　　王国鑫认为，“人工智能的潜力尚未充分挖掘，当前我们需要思考的是如何从行业大模型向专家模型转变。未来医疗AI的发展有几个核心方向：一是从治病转向健康管理，通过AI技术为用户提供健康陪伴助手，预防疾病；二是解决医生培养问题，支持医疗行业发展；三是未来的医疗决策可能更多地依赖于AI。”

　　多位专家向21世纪经济报道记者表示，AI作为一种生产力工具，最大的变革在于改变了生产关系。AI优化了业务流程，但解决问题的本质未变。在医疗领域，核心问题是提高医生水平、降低诊疗成本、让患者少生病。然而，这场技术革命在落地实践中仍面临多重挑战。

　　医疗AI仍处于早期发展阶段

　　从技术和行业层面看，医疗AI仍处于早期阶段。王国鑫认为，整个行业正在共同努力推动技术生态合作，共同培育市场。

　　王国鑫表示，AI带来的变革首先体现在提高已有工作的效率上。无论是分诊、导诊，还是患者管理、病理质控等相关技术，在新一轮大模型技术爆发之前，包括京东健康在内的部分企业已经有所推进。而大模型可以对这些技术进行全面优化。

　　其次，在已有的技术或项目方面，AI更倾向于实现独立的替代。例如，药师咨询、科研助手等工作，以往依赖人工服务，现在AI正在实现相关工作的替代。

　　此外，在AI原生方面，即以前无法实现的工作，有了大模型后可以完成。目前，有许多产品和技术正在持续探索中，主要聚焦在两方面：一是对医生而言，传统的工作流程是否可以被改造；二是对患者而言，其就医过程、健康管理等方面能否被重构。

　　在医疗AI加速变革的过程中，商业化是企业必须面对的问题。

　　王国鑫指出，短期内的商业化包括几方面：一是作为医生的成长工具，降低医生培训成本，同时提升AI能力；二是为患者提供更简单、直接的医疗服务，拥有更强的统一入口。此外，在辅助诊断方面，通过提升医生的工作效率，可以将互联网医疗向三甲医院辐射，并提升边远地区的服务能力。

　　而中长期的商业模式则是打造用户型的医疗服务产品，即“为每个人提供个性化的医疗服务”，这是医疗AI长期商业模式的重要立足点。

　　当前的治病流程是患者发现问题后前往医院，医生需综合考虑治疗、卫生经济学、合规等多方面信息。王国鑫表示，患者的疾病状态并非无迹可寻。我们可以通过健康服务智能体，为用户提供随身的健康陪伴助手，一站式解决用户的健康问题，帮助用户进行日常健康管理，从而避免生病的状态。

　　“当前AI主要解决效率问题，让医生工作更轻松，但本质上未回答能为患者带来什么。长期来看，我特别看好医疗AI的个性化医疗和全生命周期的健康管理概念。所有医疗AI最终都需要回答如何实现患者少生病，而非生病后如何挂号。”王国鑫强调。

　　场景落地面临挑战

　　需要指出的是，当前AI在医疗场景的应用仍面临多重挑战。

　　在医疗领域的某些场景，存在两个重要问题：一是不一定有正确答案，二是不一定有唯一答案。

　　有业内专业人士指出：“医疗场景具有开放性，甚至某些时候医生所做的诊断、治疗和患者最终的结果之间是否呈因果关系也不确定。因此，如何模拟医生的诊断路径变得极其重要。”

　　该业内人士表示，在产品设计上，最重要的诊疗决策都应采用辅助模式运行。可以将AI生成结论的过程、证据、推理链路展示给医生，帮助其快速理解。当前的医疗AI目标是能够在没有医生介入的情况下，确定整体的诊断和治疗方案，并白盒化给出推理路径，再由医生进行最终决策。

　　从技术层面看，王国鑫认为，AI在医疗场景应用的最大挑战是医疗数据量质双缺，高水平的医疗数据极难获得和训练。这也是目前众多AI产品与医院、互联网医院以及患者合作的原因。如果在医院中像培养一位初级医生那样训练一个AI，将推动AI快速发展。

　　“未来，我认为每个医生都应有一个AI助手，这既有助于医生成长，也有助于AI发展。此外，数据还存在信息孤岛问题。在全球化过程中，即便获取了全球数据，在训练AI时仍会存在问题。”王国鑫表示。

　　在数据隐私方面，上述业内专业人士指出，大模型所需的数据应天然去ID化，即无需知道患者或医生的名字。然而，在医疗实践中，很少有数据脱敏的流程，很少有医院存在完全不涉及用户隐私的数据。

　　王国鑫认为，当前医疗AI在数据上实际上走两条路：一是通过数据合成完成训练，但要符合真实的医疗环境；二是与特定医院签订战略合作，将单一科室的数据脱敏后开展训练。“我认为前者是更有希望的技术路径，即便是医疗影像也在探索数据合成的赛道。”

　　幻觉是所有大模型在行业应用中都会遇到的问题。据王国鑫介绍，京医千询采用两种技术路径：一是安全围栏，二是检索+推理技术。

　　“首先，我们要让大模型明确知道哪些能做、哪些不能做；其次，当模型在某些场景下容易出错时，我们需要进行反复校验。”王国鑫表示，可以通过验证过程来降低出错概率，例如，对于一道数学题，让大模型先给出答案再展示推理过程，与先展示推理过程再给出答案相比，前者的出错概率更高。因此，可以拉长推理过程，给予更多信息，让大模型反复校验以达到最终目的。

（文章来源：21世纪经济报道）