（来源：中关村发展集团）

转自：中关村发展集团

2025年初，北京儿童医院推出的全国首个“AI儿科医生”引发广泛关注。它不仅能够为医生提供精准的诊断建议，还可通过联合会审机制显著提升疑难罕见病诊疗能力，为儿科医疗服务注入全新活力。随着“AI医生”从概念逐步走向现实，它正日益成为推动医疗行业变革的关键力量，为提升医疗服务质量与效率开辟了新路径。

一、“AI 医生”发展概况

“AI医生”是以人工智能技术为核心，通过对医疗文本、影像数据、基因组信息等多源数据的深度分析，为医生在诊断、治疗、健康管理等环节提供辅助的智能化系统。回顾其发展历程，大致经历了三个阶段。

“互联网+医疗”阶段。随着互联网技术的蓬勃兴起，线上问诊模式应运而生，打破了传统医疗的时空限制，让患者足不出户即可与医生在线交流。但这一模式并未从根本上革新医疗服务范式，专家医生因在线问诊导致时间被挤占，效率提升有限，患者也反馈在线问诊存在缺乏人文关怀、体验差等问题。

“AI+医疗”阶段。计算机视觉技术的突破，推动决策式AI开始应用于医学影像诊断等领域。但因其泛化能力较弱，仅可用于特定医疗场景，难以实现跨病种、跨科室应用；且高昂的设备采购成本、复杂的学习使用门槛，导致其在实际落地过程中面临着较大的障碍。

“AI大模型+医疗”阶段。以Transformer架构为基础的AI大模型技术崛起，开启了“AI医生”的新时代。借助海量医学文献、临床病理和多模态数据的持续训练，AI大模型能够融合文本分析、影像识别、基因测序等多源异构信息，展现出较强的通用性和适用性。如今，“AI医生”可灵活应对从疾病预防、诊断辅助到治疗方案规划、健康管理的各类医疗场景，开启了智能化医疗的新篇章。

二、“AI 医生”的优势

相较传统医疗模式，“AI医生”的优势主要体现在以下三个方面，正在重新定义医疗服务的边界。

（一）知识全面，助力跨科室诊疗

“AI医生”依托海量医学文献和病理数据训练而成，理论上掌握了远超单一医生的知识库，其优势首先体现在医疗知识的全面性和综合性，特别是在跨科室诊疗方面优势尤为突出。在现实医疗实践中，许多复杂疾病涉及多学科交叉，例如同时患有糖尿病和心血管疾病的患者，可能需要内分泌科、心血管内科、肾内科等跨科室专家会诊。传统医生受限于专业背景，难以全面掌握多学科知识，而“AI医生”能在数秒内整合最新研究成果，提出涵盖多科室知识的诊断建议，从而成为医生的重要辅助工具。

目前，由谷歌DeepMind团队研发的Med-PaLM及Med-Gemini系列医疗大模型，在医学问答、报告生成、影像分类和基因组变异检测等任务中表现出色，其在USMLE（美国医师执照考试）问题上的准确率超过90%，达到人类专家水平，可为医生提供较为可靠的诊断参考。

（二）精准诊断，部分领域超越人类

在医学影像和病理分析等领域，“AI医生”的精准性已超越人类。通过多层神经网络模拟人类视觉，“AI医生”可以从复杂的医学影像中捕捉人类难以察觉的细微特征。例如在肺结节检测中，“AI医生”能识别X光片和CT图像中毫米级的异常，其准确度超过了大部分放射科医生，在早期癌症筛查等高风险场景中，可为患者争取宝贵的治疗时间窗口。

浙江大学开发的AI病理助手OmniPT是这一领域的典型代表。该系统运用多模态大模型对病理切片进行分析，辅助医生实现更精准、更快速的癌症诊断。目前，OmniPT已在浙江大学医学院附属第一医院病理科进行临床应用，有力地推动了病理诊断技术向智能化和个性化方向发展。

（三）高普惠性，赋能基层医疗

“AI医生”的出现，为破解医疗资源分布不均的结构化矛盾提供了全新思路，成为提升医疗服务质效的关键突破口。耶鲁大学教授William Kissick提出的“医疗不可能三角”理论指出，医疗体系面临难以同时实现高质量服务、低成本运营和高可及性的困境。在我国，这一矛盾尤为突出：优质医疗资源多集中于大城市三甲医院，基层医疗机构医师占比不足30%，农村和偏远地区普遍面临人才匮乏、诊疗服务薄弱等问题。而“AI医生”凭借高普惠性特性有望打破这一困局，依托24小时不间断的远程问诊和辅助诊断功能，将优质医疗资源精准输送至医疗资源匮乏地区，缩小城乡和地区间医疗服务差距，为破解“医疗不可能三角”难题提供切实可行的解决方案。

三、面临挑战

在快速发展的同时，“AI医生”的应用仍面临以下问题和挑战。

一是可靠性风险：“幻觉”与误诊隐患并存。基于Transformer架构的大模型依赖概率预测，“幻觉”问题（即生成看似合理但实际错误的输出）始终难以根除，或将导致误诊风险。目前检索增强生成（RAG）等技术已被用于降低风险，但彻底消除“幻觉”问题仍任重道远。

二是信任困境：决策黑箱与可解释性瓶颈。“AI医生”决策过程常常被视为“黑箱”，其复杂的神经网络架构使得外界难以追溯结论的推导逻辑。在对决策透明性要求极高的医疗领域，这种不可解释性极大削弱了医生和患者的信任基础，成为其应用的主要障碍。尽管可解释性AI的研究已取得一定进展，但距离满足临床实践中对诊疗依据清晰化、可验证化的严格要求，还存在显著差距。

三是数据壁垒：能力受高质量数据限制。医疗大模型的性能高度依赖高质量语料，然而当前多数模型仅能基于公开或者范围有限的医疗数据信息训练而成。大量的患者就医及临床数据多掌握在医院手中，由于数据涉及患者隐私且在线化、数字化程度不高等原因，大模型企业难以获得，成为限制“AI医生”技术突破的核心瓶颈之一。

四、相关建议

为促进“AI医生”的发展和普及应用，针对现存问题，提出如下建议。

一是加快医疗AI相关法规的制定。明确“AI医生”在临床应用的准入标准、使用规范，界定好决策失误的责任归属，结合我国医疗实际，制定适应本土需求的监管框架。

二是激励模型研发和关键技术突破。支持企业、高校和医疗机构联合开展技术攻关，重点聚焦模型多模态融合、可解释性AI等领域，提升诊断准确性与透明度，增强医生和患者对“AI医生”的信任度。

三是推动医疗数据标准化与流通共享。通过建立医疗数据共享平台，制定统一的数据采集、清洗、标注及隐私保护标准，打破医院间、地区间的数据孤岛。同时推动病历、影像数据、基因组数据的数字化和在线化，为模型训练提供丰富的高质量数据。

作者｜彭照康 北国咨咨询师

来源｜北国咨