價值700億美元的AI+醫療仍有很長的路要走丨ToB產業觀察

2025年8月，國務院《關于深入實施“人工智能+”行動的意見》正式出臺。其中“民生福祉”板塊直接對準醫療健康行業，為醫療健康行業發展描繪了清晰的頂層設計和宏偉藍圖。文件提出“打造更有品質的美好生活”：探索推廣人人可享的高水平居民健康助手，有序推動人工智能在輔助診療、健康管理、醫保服務等場景的應用，大幅提高基層醫療健康服務能力和效率。

AI技術在醫療領域的應用從“可選”變為“必選”。醫療行業作為數據密集型、專業門檻高、民生關聯度強的領域，正成為AI技術落地的核心沃土。從臨床輔助決策到醫學影像分析，從專病科研到患者服務優化，AI技術正在重構醫療服務的全鏈條。IDC數據顯示，到2025年，全球人工智能應用市場總值將達1270億美元，其中醫療行業將占總規模的五分之一。而Global Market Insights的報告則進一步預測，“AI+醫療”市場規模年均復合增速將超過29%，2032年將達到700億美元。

AI+醫療，重構診療服務全鏈條

醫療行業的核心痛點——醫療資源分布不均、醫生工作負荷過重、診療精準度有待提升、科研轉化效率低下等，均為AI技術提供了廣闊的應用場景。從東軟等企業的實踐來看，2025年AI在醫療行業的應用已從早期的概念驗證階段，進入規模化落地的關鍵期，形成了以臨床輔助決策、醫學影像智能分析、醫療數據價值化利用、患者全周期服務為核心的幾大應用賽道，且每個賽道均已出現具備示范效應的實踐案例。

以臨床輔助決策（CDSS）為例，在AI問世的初期CDSS就已經是醫療行業應用AI的重要領域之一，其核心價值在于彌補醫療知識爆炸與醫生個體知識儲備之間的“知識鴻溝”。醫療知識每三天翻一番的客觀現實，使得即便是專科專家也難以全面掌握所有領域的最新進展，而循證醫學的發展則進一步要求醫生在診療過程中具備充分的證據支撐。從技術演進來看，CDSS經歷了從規則驅動、知識圖譜驅動到如今大模型驅動的三次迭代，應用能力實現了質的飛躍。

早期的CDSS基于固定規則構建，局限性顯著。1972年，斯坦福大學的愛德華·肖特利夫教授（Edward Shortliffe）團隊開發了首個用于感染性疾病診斷的專家系統——?MYCIN?，該系統專注于輔助診斷細菌感染性疾病（如腦膜炎）并推薦抗生素治療方案，其核心采用?基于規則的推理技術?，通過編碼約600條“如果－那么”規則來模擬醫生決策過程，標志著醫療人工智能從理論探索邁向實際應用的關鍵一步。?

這類系統僅能處理特定病種的簡單診療場景，且規則更新需要大量人工投入，難以適應醫療知識的快速迭代。隨后出現的知識圖譜驅動型CDSS，通過構建結構化的醫療知識網絡，提升了知識組織的系統性，但仍存在更新滯后、覆蓋病種有限等問題。東軟早期基于知識圖譜的CDSS版本，能支持1000多種疾病的輔助診斷，且每次知識庫更新都需要巨大投入。

大模型技術的出現為CDSS帶來了革命性突破。通過大語言模型與向量模型的融合應用，CDSS實現了知識庫的實時動態更新，覆蓋病種數量大幅提升，診斷準確率也顯著優于傳統技術。

據東軟研究院院長張霞介紹，2023年東軟完成又一輪技術升級后的CDSS系統，已能支持10000多種疾病的智能輔助診斷，其在東軟“添翼”中的應用數據顯示，Top5診斷準確率達到91.54%，超過了80%左右的人類專家平均水平。這一技術突破直接提升了醫生對CDSS的接受度，也使得CDSS從“政策驅動部署”轉向“臨床需求驅動應用”。

除了輔助決策之外，醫學影像是AI在醫療領域應用最成熟的場景之一。早在2007年，IBM沃森（Watson）問世，首次將語音問答集成到了臨床診療智能化產品中，通過挖掘醫療文獻和相似病例為醫生提出對癥治療建議，同時支持影像識別，在腫瘤治療領域有明顯共享。

2012年前后IBM和醫療保險公司Wellpoint簽訂協議，會開發出一套面向醫生的技術，使得醫生可以通過自己的手機和平板電腦，了解腫瘤患者的身體狀況。

早期的醫學影像AI產品以肺結節、骨折等單病種篩查為主，產品同質化嚴重，且大多處于“能用但不好用”的階段。由于技術門檻相對較低，大量企業涌入這一賽道，但多數產品僅能實現病灶的初步檢出，難以提供精準的定量分析和臨床建議，且研發投入大、商業變現困難，導致整個賽道陷入“全行業虧損”的困境。

多模態融合是醫學影像AI的重要發展方向。東軟正在研發的多模態影像分析模型，能夠整合CT、核磁、病理等多種數據，實現對單一病灶的多維度評估，提升診斷的精準度。例如，在腦膠質瘤手術規劃中，東軟通過融合患者的影像數據、病理數據和臨床病歷，構建智能分析模型，為醫生提供腫瘤切除范圍的建議，既保證了切除的徹底性，又避免了損傷腦部功能區。目前，該模型已完成科研驗證，正在推進工程化轉化，未來將直接應用于臨床手術規劃。

在商業落地方面，醫學影像AI的變現模式正在從“產品銷售”向“服務收費”轉型。隨著國家醫保局推動影像云建設，電子膠片將逐步取代傳統物理膠片，這為醫學影像AI的規模化服務提供了基礎。張霞告訴筆者，東軟正在布局的血管健康度分析服務，就是這一轉型的典型案例：患者通過影像云獲取電子膠片后，還可選擇進一步獲取AI生成的血管健康評估報告，包括斑塊分析、狹窄程度、血流速度等指標，為健康管理提供參考。這種服務模式不僅降低了醫院的設備投入壓力，也使得醫學影像AI的價值能夠直接觸達患者，開辟了新的商業路徑。

說到應用落地，目前來看，AI+醫療體系化走得最為靠前就是“人機協同”服務模式，讓高質量的醫療服務更可及，中國平安首席技術官王曉航曾表示，AI賦能家庭醫生是AI角色變化的重要體現。AI家庭醫生可以幫助醫生進行病史整理、客戶信息交換、預診、健康咨詢、分診等，達到流程自動化、體系規范化，“目前AI可以輔助家庭醫生完成50%以上的工作。”他說。

平安科技醫療AI產品團隊總經理倪淵曾透露平安通過AI預診、專家服務，在遠程可以解決很多偏遠地區的人來線上問診的問題。例如，一位有胸悶胸痛問題的患者，經過AI初診發現問題嚴重，隨后被安排線下就醫，最終確診為肺部腫瘤；平安還通過多學科會診幫他連接多個專家，提供了二診建議。

同時，倪淵曾公開表示，平安的家庭醫生和健管師，平時會做一些客戶的隨訪干預，但因為他們通常比較忙，可能隨訪不一定很全面，隨訪占比最多可能達到20%。如今，AI介入以后，可以達到全量個性化隨訪。

在慢病管理中，因為有了AI全程督促，人工健管師可以有更多時間做有溫度的患者服務，客戶群活躍度大幅提升。80%—90%的用戶，推薦使用這套AI+人的管理模式。

AI已進入規模化落地階段

從目前市面上各個廠商的解決方案，以及醫療機構的應用來看，AI+醫療已經進入了規模化應用的階段，并且這個趨勢將在2026年得以更進一步的深入。

新一輪AI技術給醫療行業帶來感官最強的提升就是在患者服務領域的應用。這些應用的核心目標是優化就醫流程、縮短就醫時間、提升患者體驗。從行業實踐來看，相關應用已覆蓋從院前預問診、院中導診分診到院后隨訪的全周期，形成了多元化的產品形態。

而AI+醫療也成為眾多大廠布局的重點方向。以平安為例，平安以“綜合金融+醫療養老”雙輪驅動為戰略，聚焦AI醫療“能咨詢、能辦事、能應急”的核心定位，構建差異化服務體系。其以超級客服為統一AI入口，通過語音交互簡化操作，核心依托“到線、到院、到家、到企”四到服務體系，覆蓋在線問診、線下掛號綠通、居家養老智能服務及企業醫療支持等全場景。AI承擔導航員、醫助、多學科會診助手等多重角色，同時憑借2.5億客戶數據沉淀、開源大模型技術路徑及合規牌照保障服務落地。核心產品平安AI醫生作為7x24小時數字家庭醫生，目前能實現常見病診療準確率超95%，健康咨詢準確率97%，問診準確率98%，用戶規模達千萬級。具體案例中，用戶詢問頭暈、胸悶等癥狀時，AI醫生經多輪追問生成健康小結，引導至真人醫生問診，結束后可智能推薦線下醫院，實現嚴肅醫療閉環。

除了大幅提升了患者的就醫體驗之外，在診療階段，AI技術，尤其是生成式AI技術的出現，也有助于醫生提升診療效率和準確度。

以慢性阻塞性肺疾病（簡稱慢阻肺）為例，這是一種常見的、可預防和治療的慢性氣道疾病，其特征是持續存在的氣流受限和相應的呼吸系統癥狀。在中國約有1億慢阻肺患者，每年導致約100萬人死亡，已成為中國致死率第三高的疾病。

慢阻肺發病時會出現胸悶、呼吸困難等癥狀，與很多其他疾病具有相似的病癥，篩查要通過胸部CT進行，而對于醫生而言，解讀CT影像給出診斷意見需要消耗大量時間，而對于急性發作的患者來說等報告的時間過于漫長，患者有可能在短時間內有生命危險。

這時候，如果將AI技術應用到CT篩查中，就能夠快速對CT影像進行初步解讀、篩查出可能是慢阻肺造成的患者不適，醫生能盡快干預治療，從而讓患者在發病初期就能得到適當的治療，降低慢阻肺的死亡率。

東軟醫療基于此，與廣州醫科大學附屬第一醫院廣州呼吸健康研究院合推出肺部CT影像處理軟件NeuLungCARE-QA，填補國內通過胸部CT平掃圖像篩查慢阻肺的技術空白。

據了解，NeuLungCARE-QA是一款針對慢阻肺篩查的智能輔助分析軟件，軟件可以通過肺部CT平掃圖像的自動分析，輸出肺實質分析定量（Quantification定量）與支氣管（Air氣道）的相關參數，輔助醫生進行慢阻肺的早期篩查等臨床應用，從而有效推進呼吸疾病“早篩早診早治療”的健康行動落實。相較于肺功能檢測，CT平掃覆蓋面廣，且已在基層醫院和體檢中心普及。因此，在肺癌CT篩查人群中，借助NLC軟件即可進一步挖掘受檢者的胸部CT平掃信息，幫助盡早發現潛在的慢阻肺患者，將防治前移至無癥狀期，使患者獲益更多。

而在皮膚病篩查等方向上，也有不少服務商通過生成式AI的能力，提升了醫生診斷效率和準確度。以京東健康為例，數據顯示，京東互聯網醫院皮膚醫院基于大模型的AI輔診準確率超過95%，皮膚醫院開發的專病隨訪服務患者付費轉化率已達20%。

對此，京東健康探索研究院（JDH XLab）的大模型專家向鈦媒體APP表示，從目前醫療大模型應用趨勢看，AI在專病專科場景的應用價值在不斷放大。目前，“京醫千詢”醫療大模型已實現從通用基座模型到全科大模型，再到專科專病大模型的技術演進，也正與國內頂級醫療機構合作，持續研發涵蓋大部分常見腫瘤和重大慢性病的專科專病大模型。

技術、商業模式仍待完善

盡管AI在醫療行業的應用取得了顯著進展，但從“技術可行”到“規模化落地”，仍面臨著一系列挑戰。這些挑戰既包括技術層面的可解釋性、數據質量等問題，也包括商業層面的成本高企、變現困難等困境，還涉及生態層面的政策監管、數據共享等障礙。

技術層面，自從AI在醫療行業開始應用以來，可解釋性與嚴肅性的問題就一直是困擾兩者融合的最大阻礙，“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數字價值年會期間就指出了這個問題。

醫療行業的核心特質是診療的嚴肅性和過程的不可逆性，這對AI技術提出了極高的要求——不僅要“準確”，還要“可解釋”，能夠讓醫生理解AI決策的依據，從而放心使用。但當前的AI技術，尤其是大模型技術，仍存在“黑盒”特性和“幻覺”問題，難以完全滿足醫療行業的要求。

在臨床實踐中，醫生需要為每一個診療決策負責，因此必須了解決策的依據。但當前的大模型大多基于統計學習，其決策過程難以用人類可理解的語言解釋。例如，AI輔助診斷系統給出的“扁平疣可能性90%”的結論，醫生無法知曉其是基于哪些癥狀、哪些數據得出的，這就導致醫生難以完全信任并依賴AI的建議。

針對此，張霞表示，東軟在病歷生成系統中引入的“溯源功能”，正是為了解決這一問題——通過標注病歷內容的來源依據，提升AI生成內容的可信度，但這一解決方案僅適用于文書生成等場景，難以覆蓋輔助診斷、治療建議等核心環節。

除了可解釋性之外，數據是幾乎所有行業落地AI過程中最大的阻礙之一，這點對于醫療行業而言，亦是如此。在此前與東軟集團副總裁、醫療健康事業部總經理李東的交流中，他也曾對筆者表示，數據是技術層面面臨的最大挑戰。

在李東看來，目前醫療機構還缺乏高質量數據，很多醫院積累的數據標準化程度很低，難以用來直接訓練模型產品。這一問題源于醫療信息化建設的階段性差異：早期的醫療信息系統多為獨立建設，數據格式不統一；不同醫生的病歷書寫習慣不同，導致文本數據的規范性不足；部分基層醫療機構的設備精度有限，導致影像數據、檢驗數據的準確性難以保證。例如，同一疾病在不同醫院的病歷中可能有不同的表述，AI模型難以準確識別和學習；基層醫院的CT設備生成的影像數據噪聲較多，會影響AI模型的分析精度。“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，“醫學發展本身是動態的，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。需要把它們形成高質量的語料去賦能大模型的應用。”

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。

在做好體系建設之后，數據如何更好地實現共享，也是阻礙當前醫療行業整體AI落地效果的一個挑戰。由于醫療數據涉及患者隱私，且缺乏統一的共享機制，不同醫院之間的數據難以流通，導致AI模型只能基于單一醫院的數據進行訓練，泛化能力有限。上海某三甲醫院主治醫師張醫生表示，出于數據安全和隱私保護等因素的考慮，目前醫生只能看到患者在本院做的檢查結果，無法獲取患者在其他醫院的病史、用藥等信息，這不僅影響了AI模型的訓練，也制約了醫生的診療決策。針對此，張霞向筆者透露，東軟參與的醫療可信數據空間建設項目，通過脫敏處理、聯邦學習等技術，在一定程度上實現了數據的共享，但這類項目仍處于試點階段，尚未形成規模化推廣的模式。

除了技術上的難題之外，成本高企、變現困難，難以形成可持續的商業模式等商業化的難題也是目前AI+醫療需要面對的挑戰。

當前AI+醫療的商業環境面臨著成本高企、變現困難、ROI（投資回報率）偏低等問題，導致很多企業陷入“叫好不叫座”的困境。

研發成本和部署成本雙高，是企業面臨的主要壓力。AI醫療產品的研發需要大量的技術人員和醫療專家參與，且研發周期長、迭代速度快。而在部署階段，AI系統需要與醫院現有的信息系統對接，這需要進行大量的定制化開發，尤其是對于信息化水平參差不齊的腰部醫院和基層醫療機構，部署成本較高。多個企業的實踐表明，一個AI醫療項目的前期投入往往需要上千萬元，且回收周期長達3—5年，這對企業的資金實力是巨大的考驗。

商業變現困難是制約行業發展的核心瓶頸。AI技術當下即是如此。以輔助看片的場景為例，將AI的能力植入到醫學診斷軟件之中，如果植入AI能力的軟件要比沒有AI能力的軟件更貴的話，很多醫院都不愿意為“多出的部分”買單。這一現象的背后，是AI技術的價值尚未得到充分認可。此外，醫保支付政策的缺失也影響了商業變現，目前AI醫療服務尚未納入醫保報銷范圍，患者的付費意愿也相對較低，導致商業模式難以閉環。

不同層級醫療機構的付費能力差異，進一步加劇了變現困難。三甲醫院雖然有一定的付費能力，但對AI產品的要求極高，且議價能力強；腰部醫院和基層醫療機構的付費能力有限，更多地依賴政府補貼，而政府補貼的規模有限，難以支撐大規模的AI部署。

AI+醫療的發展是一場長期的革命，需要技術、商業與生態的協同進化。當前，雖然面臨著諸多挑戰，但隨著各方主體的共同努力和技術的不斷迭代，AI醫療將在2026年進入規模化落地的新階段，為醫療行業的高質量發展注入新的動力。通過眾多相關企業的實踐表明，只有立足臨床需求，聚焦核心痛點，通過技術創新、商業模式創新和生態協同，才能真正實現AI技術與醫療行業的深度融合，最終惠及廣大患者，推動健康中國戰略的實施。

（文｜Leo張ToB雜談，作者｜張申宇，編輯丨蓋虹達）