【2025醫療人工智能報告】：價值計量與支付探索，醫療人工智能的兩個困局

當各行各業因為經濟周期的壓力而出現回調時，醫療AI行業在尚未突破規模化盈利的情況下，仍維持著高增速發展。最新市場調研數據顯示，2024年中國解決方案市場共計164億元，預期于2030年擴大至353億元，CAGR13.63%。

龐大且增長的市場不僅吸引了更多創業者，亦將帶動大量醫生進入AI的科學研究與產品研發，當前的醫療AI已不是某個單一學科的造物，而是計算機、工業、醫學等學科的深度融合。

聚焦2025年，醫療AI最顯著的變化可歸納于兩個要點：大模型的突破式演變與醫療機構的規模化參與。

2025年年初DeepSeek發布的DeepSeek-R1為大模型產業帶來。參數高效微調（PEFT）、混合專家架構（MoE）等創新設計支持下，DeepSeek成功降低了大模型的入場門檻，讓醫院管理者們開始主動部署基礎設施。

動脈智庫統計數據顯示：截至2025年5月，第三方榜單中國內排名前100的醫院已全部完善大模型部署，有38家醫院在通用模型的基礎上進一步展開研發，打造出55個符合自身需求的垂直醫療模型，其中22個為專科模型。

同時，醫生對于大模型的實操熱情也遠超傳統AI。當深圳市衛健委開始限制醫院自行算力采購（算力集中采購，避免單個醫院過量采購造成算力浪費），醫院不愿意數據出院時，部分醫生仍通過申請科研的方式繞過政策算力采購，堅持借助大模型進行臨床科研探索。

2025年上半年醫院參與開發的專科大模型（資料來源：公開信息）

需要注意的是，非Transformer架構AI同樣在臨床中的應用愈發深入。過去它們集中落地于醫技科、信息科等科室，賦能問診、檢查、隨訪環節，近年來手術機器人的崛起后，大量應用開始出現在治療場景。

公開資料顯示，胸外科、神經外科、心內科、骨科等涉及手術的科室均已有大量輔助治療型AI可供選擇。本次調研中，超過90%使用過相關AI的醫生都給予了正向反饋，證實AI能夠提升手術精準度，顯著降低并發癥發生概率。

人工智能在醫療領域細分場景應用全景（資料來源：動脈智庫）

政策方面的推進力度也在逐步加大。《關于優化全生命周期監管支持高端醫療器械創新發展的舉措（征求意見稿）》，公開征求多病種AI、大模型等新興技術準入方式的意見，先行一步為大模型的發展樹立道標。

《關于促進和規范“人工智能+醫療衛生”應用發展的實施意見》則提出24個重點應用建設方向，要求到2027年建立一批衛生健康行業高質量數據集和可信數據空間，形成一批臨床專病專科垂直大模型和智能體應用，基層診療智能輔助、臨床專科專病診療智能輔助決策和患者就診智能服務在醫療衛生機構廣泛應用，基本建成一批醫療衛生領域國家人工智能應用中試基地，打造更多高價值應用場景，帶動健康產業高質量發展。以上政策的出臺進一步明晰了醫療AI的發展路徑。

總的來說，現階段的醫療AI享受到了資本、政策、醫生協同的紅利，可在至少3年內為醫療AI高速發展提供充足動力。但要將這些資源轉化為源源不斷的價值，醫療AI還需進一步壓低研發成本，解決好醫療AI的“價值分歧”，在商業模式/支付方上進行創新。

01

價值分歧深陷：難以平衡的患者療效與科室效益

盡管AI在多方協力之下發展迅速，作為獨立產品形態出現的AI器械/軟件始終難以在商業化破局。歸根結底，醫療AI在不同部署環境產生的價值不一致，醫院很難精準核算效益，一定程度上阻礙了醫療AI的商業化。

此外，應用AI產生的診療效益未必能轉化為醫院價值。大多數情況下，只有在符合管理者利益的情況下才會配置AI，因而部分服務于醫生、患者的智能應用可能會在采購中被忽視。

■ 短期：醫院和醫生利益大部分不一致

考慮科室容量（態度中立，下同）：出現患者排隊時（主要出現在影像科），對于單一環節的優化理論上能夠對整體帶來效率提升，幫助醫生收治更多患者；未出現排隊時，科室引入AI后，患者數量不會變化，醫生工作更輕松，但AI對于醫生效率的提升不會在短期內帶來效益。

考慮應用功能（反向）：醫院以評級為目的采購AI，可能忽視應用能力、互操作性等因素，而這些因素與醫生的使用體驗緊密相關。

考慮模型自主學習（反向）：醫院希望醫生能夠整理診療過程中產生的數據，實現院內的模型的自主學習；將自身能力給予AI不符合醫生短期利益，部分醫生反感借助自身數據訓練模型。

■ 長期：醫院和醫生利益大部分一致

科室方面（一致），更好的手術質量將為醫院帶來更多的名望，吸引更多患者前往治療，可能同時提升科室效益與醫生收入。

科研方面（一致）：AI節約下來的時間推進醫生進行更多科教工作，可提升醫生個人影響力及醫院整體科研實力。

自主學習（中立）：模型學習醫生習慣后可在醫生再次使用時進行個性化設置（尤其是在手術操作方面），同時提高手術效益及手術效率，進而轉化為科室效益。但對于資深醫生而言，將自己積累的經驗無償整合成AI能力，提升了科室能力，卻降低了自身競爭力，不符合資深醫生利益，因而部分醫生不愿將其相關數據用作AI模型訓練。

考慮成本（反向）：AI的規模化使用可能降低醫院對醫生數量的需求，對醫生工資或崗位進行降裁。

■ 患者方面：患者與科室利益可能不一致

患者體驗（一致）：AI可對療效與手術進行優化，為患者帶來更好的預后，在DRG支付下提升結余，進而提升醫生及科室收入。

患者支付（反向）：部分流程優化降低了患者的治療時間及治療花費，但可能因為改變了編碼、減少了科室協助而降低了科室收入。

從上述分析可以看出，配置AI后的短期時間中醫院和醫生大部分情況下利益不一致，短期部署利于醫生不利于醫院，且投資回收期難以估量。在當前經濟環境下醫院普遍現金流緊張，管理者傾向于控制風險，投資回收期短的創新技術，因而能夠接受AI落地，但難以為其支付費用。

至于長期效益，實際調研結果：2020年—2021年開始在臨床科室部署專科AI的醫院，已有部分實現了科室效率、就診人數的雙向提升，醫生診療流程與AI應用深度融合。

不過，不同科室短期、長期內的效益計量各不相同，受宏觀政策、醫院硬件、管理者觀念、AI能力界限、AI支付方等因素影響較大，需要獨立考察。在本報告中，我們將深入胸外科、心內科、神經外科、放療科等科室，逐一分析具體臨床環境下的AI應用與商業化進展，找到化解醫療AI商業化難題的新思路。

02

科室分析：胸外科

作為三級醫院患者診療量偏大，臨床壓力及工作強度偏高的科室，胸外科天然存在醫療AI的需求，用以提升科室運行效率與診療，降低醫生日常過程中的冗余診療。

同時，胸外科診療過程中產生的數據易于標準化，尤其是在肺外科中，CT、DR等肺部影像數據非常適合于深度學習訓練，因而成為醫療AI最早賦能的場景之一。

胸外科門診情況及人工智能分布（資料來源：調研訪談）

調研顯示，國內三級醫院胸外科使用頻率較高的AI集中于輔助診斷、輔助穿刺、手術規劃、術中導航方面，尤其以肺外科最為成熟。

診斷階段，基于低于100層CT影像樣本的人機對照實驗，醫生獨立判別肺結節需要耗時5～10分鐘，在人機協作模式下耗時為1.6～2.2分鐘，理論上可縮短2.8～8.4分鐘，效率提升范圍為56%～84%。當CT層數增加，效率提升比率還有進一步增長的空間。

以東北某三甲醫院為例，該院肺外科醫生每日需從頭至尾翻閱60組患者影像，閱片速度慢且容易漏診。AI賦能后，平均每日會篩出數個需要特別關注的影像（該醫院通常為5—6個），部分醫生詳看標注影像，略看非標注影像，提升整體診斷效率約73%。該系統上線約4年時間，加上術中AI的賦能，該科室門診量已提升約40%。

手術階段，AI價值創造主要體現在復雜手術規劃與穿刺角度指導。復雜手術規劃方面，年輕醫生在處理風險較大的病灶（如貼近血管的病灶）時容易發生失誤，AI可以對穿刺路徑進行優化，降低醫生的穿刺風險。穿刺角度方面，醫生要在立體人體中，精準復刻二維影像上的 “虛擬角度”，還要應對呼吸、體位等動態干擾，很難快速找到有效的穿刺角度，AI可以幫助醫生實時判斷穿刺角度是否符合手術要求。

AI穿刺的價值資料來源：公開信息、調研訪談

在AI+穿刺中，某三甲醫院數據顯示：使用AI賦能的機器人組在調整不超過2次的定位成功率（76.5% vs. 25.0%）、穿刺平均調整次數（1.62±1.71次 vs. 4.39±3.69次）、患者接受的CT掃描次數（5.47±2.59次 vs. 8.39±4.69次）方面均顯著優于傳統人工穿刺方式組。

三維重建方面，哈爾濱醫科大學附屬第一醫院引入AI實現精準肺段切除后，患者的3年生存率提升了約20%，并發癥顯著減少（頑固性咳嗽下降約40%、疼痛下降約20%、并發癥下降約30%）。住院時間方面，該院引入AI前平均住院日為12天，現如今為5天，提升效率約58.3%。

理論上講，胸外科AI的商業價值取決于其為科室帶來的經濟價值。目前胸外科AI表現分為三種模式：增效、提質、優化流程。其中，增效主要為科室帶來價值，提質主要為患者帶來價值，優化流程部分情況下為醫生帶來價值，部分情況下為患者帶來價值。

在科室實際診療成本低于該DRG組付費標準的前提下，提效模式對科室收益有一定影響，但影響幅度有限。這是因為科室經營效率提升在核心邏輯上符合木桶原理，即效率提升的上限由最薄弱的環節決定。即便問診、手術環節能夠提升超過50%，但術前檢查過長、醫生排班不合理等情況都會影響最終效率的實現。

提質模式對于患者價值提升比較明顯，對于科室價值的提升視情況而定。當科室床位處于飽和狀態時且診療成本低于該DRG組付費標準時，將平均住院日縮短能夠增加科室獲得的醫保支付結余。但若床位有空余，AI的賦能僅能通過降低單病例成本（減少并發癥，降低再入院率）獲得更多結余，存在價值但較為有限。

優化流程模式相較于前兩種模式常會因為具備極大的患者價值而實現更高綜合價值（患者價值+科室價值），但可能不利于DRG下的科室績效考核。

以后縱隔的神經纖維瘤為例，傳統路徑下胸外科醫生會做胸部增強CT，明確腫瘤位置、大小、與血管（如主動脈、奇靜脈）、氣管及椎間孔的關系。但若腫瘤入侵了椎間孔，則需加做胸部 MRI，聯合神經外科評估風險，患者總花費約5萬元。

AI三維重建技術成熟后，部分AI能夠借助CT影像重建重要神經，直接判斷切除風險。由于沒有神經外科參與，患者總花費下降，診斷流程隨之縮短。但在DRG下，傳統診療路徑涉及兩個術式，能夠分成兩個部分報銷，而新流程僅涉及一臺手術，報銷費用減少。

此形勢下，新流程有利于患者利益但不利于科室利益，相關AI在短期內難以實現它的價值，一定程度削減了它的商業價值。但在長期之中，相關AI仍然保留價值質變的可能，這一可能將與DRG的支付規則變化緊密聯系。

03

數據資產化：暗藏醫療AI可持續增長的破局路徑

從醫療AI在臨床專科與臨床支撐兩個部分的應用來看，醫療AI能夠發揮一定價值，但這些價值絕大部分不足以說服支付方進行支付。那么，在未來一段時間中，醫療AI仍需探索更多路徑，更深入地應用于臨床，探索那些能夠更直觀改善患者檢查、手術受益的應用場景。

不過，更深入的探索意味著更高昂的成本，如果要維持醫療AI的可持續發展，行業必須探索出更優的研發路徑，有效控制支出，以更低的成本產出更高效的AI。此外，壓低成本還能進一步影響售價，進而在更多醫療場景中打開銷售空間。

在2023年前，“數據治理”作為研發AI的硬性成本，我們很難在這一環節中談“降本”。但在國家數據局成立后，數據的“生產要素”這一身份開始發揮作用，變局從這里開始。

當前階段，“數據”要素對AI發展的影響較算力、算法更直接、更深遠。它不僅取決于企業對于該要素的投入；企業、醫療機構、研究機構的數據治理速度，還取決于醫療健康數據相關倫理的探索，即研發者對于醫療健康數據的使用方式。

如果能夠提升數據治理效率，壓縮優質數據集制作成本，實現優質數據的多重復用，醫療AI產業的應用范疇及算法本身的魯棒性都能實現大幅提高。

數據集建設難點資料來源：調研訪談、東軟醫療

2020年4月，國務院發布《關于構建更加完善的要素市場化配置體制機制的意見》，正式將數據確立為第五大生產要素，明確提出“健全數據要素流通規則”。2023年國家數據局的成立后“數據資產化”提速，醫療健康數據從此真正意義上開啟探索。

圍繞健康數據資產化展開的數據復用路徑很多，這里重點圍繞場內交易與可信數據空間展開。

醫療數據的場內交易是國家公允的數據流通方式。高效數據流通的前提在于具備豐富的供應商和充足的需求。現階段需求充沛，但供應商有所不足。

將原始數據轉變為可供交易的醫療健康數據標的，供給方通常需要完成收集數據、治理數據、律所評估、確立資產、平臺交易五個環節，治理數據、律所評估、確立資產三個部分共同組成了數據資產的生產成本。

1. 數據清洗環節。機構在建立數據資產前需確立數據集的內容，找到原始數據及對原始數據進行清洗。以影像數據資產為例，三甲醫院醫生標準一張胸部CT的成本大概為50元-60元/張。包含1000例患者的數據集，對應數據治理的成本為5萬—6萬元。

2. 完成數據治理后，下一步供給方需要請律師事務所進行合規評估，保證數據資產的來源符合法律要求。各個律所的收費標準近似，費用與數據內容無關，僅按體量、次數計量。一般而言，單次數字資產評估的費用在5萬—6萬元浮動。

3. 資產確權，數據供給方需要找到交易所進行資產確權，出具一份用于公示和交易的數據資產證書。這一步驟相較前面要便宜些，不同交易所收費不同，但都限定在數千元內。

三個環節成本綜合約在10萬元左右，對于部分機構（尤其是醫療機構）而言，在單個醫療健康數據資產交易次數的情況下，數據資產生產的成本可能超過數據交易收益，還需承擔數據相關風險，因而短期內銷量受限，致使醫療數據資產供給稀缺。

部分信息科醫生表示：現階段的數據交易為醫院帶來的收益不足以讓醫院冒這么大的風險。因此，目前大多數醫院仍處于觀望狀態，有待醫療數據交易市場進一步發展。

部分上架線上交易所的健康數據交易標的

（資料來源：公開信息，統計截至2025年7月10日，非完全統計）

可信數據空間是一種基于共識規則的數據流通利用基礎設施，旨在聯接多方主體，實現數據資源的共享共用。相較于區塊鏈、隱私計算等技術，它的突破在于構建了一個內涵數據共享信任機制的特殊空間，為不同主體、行業和區域營造安全可信的數據流通環境，推動數據有序流動。

具體而言，可信數據空間可保障數據資源接入、使用、溯源全過程的“可信” 能力，通過對接入主體、數據、產品及服務、技術組件等進行嚴格的接入認證，確保空間內主體身份可信、數據可用、產品與服務安全可靠。同時，借助數字合約與使用控制策略，對數據流通使用全過程行為實施實時管控，切實保障各方的數據權益。

在醫療健康領域，這一技術的價值在于幫助醫療機構、藥企、保險、科研機構等各方能夠在遵循共同規則的基礎上，安全地共享患者診療數據、臨床研究數據等各類醫療數據，打破數據孤島，促進醫療數據的深度整合與利用。

醫保行業的可信數據空間

（數據來源：公開信息，江蘇省數據集團）

醫療健康數據交易市場未成規模前，可信數據空間可以承擔小規模的數據交易，推進空間建設主體的數據復用。

總的來說，可信數據空間領域已有積極的探索和實踐，但整體發展尚處于起步階段，特別是“大模型+數據空間”的結合，因技術復雜度高和成本約束，相關應用案例較為稀缺。要真正推動可信數據空間的健康發展，還需要形成統一技術路線和標準體系，并解決大模型與數據空間技術結合的問題，推動安全、高效、公平的數據流通環境建設。

以上為報告主要內容節選，掃描二維碼，即可免費下載報告全文。

報告目錄

第一章：醫療人工智能，困在價值分歧里

1.1“資本+政策+醫生”三向驅動，3年內醫療AI仍將維持高速發展

1.2 價值分歧深陷：難以平衡的患者療效與科室效益

第二章：臨床專科人工智能：患者獲益顯著，需在院外場景探索支付方

2.1 胸外科：發跡于診斷，深根于治療

2.2 心內科：后發先至，器械銷售開啟AI商業化新路徑

2.3 骨科：高度契合機器人應用，率先實現AI規模化落地

2.4 神外科：聚焦治療，人工智能重塑精細手術

2.5 內分泌科：盤活慢病管理，全周期賦能衍生海量健康數據價值

2.6 臨床AI科室的商業化需要轉變思維

第三章：臨床支撐人工智能：醫技落地模式成熟，信息需與系統深度融合

3.1 醫技科-影像科：人工智能賦能最全面的科室

3.2 醫技科-放療科：尋求療效最大化與損傷最小化的智慧飛躍

3.3 醫技科-病理科：大模型或能重新定義病理能力

3.4 醫技科-檢驗科：多模態大模型實現效率質變

3.5 管理支撐－信息科：融入系統，不以效益為核心目的

3.6 基層醫療：商業化模型轉向，政策驅動向用戶驅動遷移

第四章 數據資產化：暗藏醫療AI可持續增長的破局路徑

4.1 醫療數據治理的智能化迭代

4.2 醫療數據的復用

4.3 倫理問題下的挑戰與機遇

第五章 企業案例

*封面圖片來源：123rf

如果您認同文章中的觀點、信息，或想進一步討論，請與我們聯系；也可加入動脈網行業社群，結交更多志同道合的好友。

聲明：動脈網所刊載內容之知識產權為動脈網及相關權利人專屬所有或持有。未經許可，禁止進行轉載、摘編、復制及建立鏡像等任何使用。文中如果涉及企業信息和數據，均由受訪者向分析師提供并確認。