人工智能与医疗健康的融合正站在 “技术突破 — 场景落地 — 治理完善” 的关键节点。在第四期通用健康大讲堂上，业内专家普遍认为，AI 在医疗领域的潜力巨大，但需以审慎乐观的态度应对技术、机制与伦理的多重挑战，方能让科技真正服务于健康需求，推动医疗行业向更高质量发展。

一、技术驱动：AI 突破医疗场景的 “能力边界”

人工智能正以技术创新为引擎，在健康管理、疾病诊疗、科研转化等多个环节实现突破，展现出辅助医疗的强大潜力。

（一）从 “识别” 到 “解析”：AI 提升诊疗精准度

清华大学黄天荫院士举例，基于深度学习的 AI 皮肤病影像识别系统，准确率已媲美医学专家，为基层诊疗提供有力支撑。更前沿的技术突破体现在 “深度解析” 领域：中国工程院戴琼海院士团队研发的介观活体高通量成像技术，突破传统光学显微成像的物理壁垒，实现活体复杂环境下 “大视场 + 高分辨率” 的三维成像，为构建数字生命大模型、推动智能药物研发提供了关键工具。

（二）医疗大模型：从 “数据收集” 到 “科研协同”

百川智能王小川介绍，企业研发的 AI 医生已能全程陪伴研究型医院患者，系统性收集医学数据，辅助循证医学向精准医学拓展。通用技术集团搭建的医疗健康大数据平台，则聚焦临床研究痛点，通过智能化解决 “流程碎片化、数据孤岛化、管理低效化” 问题，加速科研成果转化。这些实践表明，医疗大模型正从 “信息整合者” 升级为 “科研协作者”。

二、场景落地：AI 医疗从 “实验室” 走向 “真实世界”

随着医疗信息化加速，AI 辅助应用在基层诊疗、院后管理、健康管理等场景逐步落地，推动医疗服务模式革新。

（一）基层与院后：AI 填补服务缺口

讯飞医疗的全科辅助诊断系统已在全国服务超 10 亿人次，帮助基层医生减少漏诊误诊；其与华西医院合作的患者管理平台，为 690 万人次出院患者提供延续性医疗服务，缓解了优质医疗资源下沉不足的问题。这些案例显示，AI 在 “覆盖广、需求大” 的基层和院后场景，能有效填补人力与技术缺口。

（二）机构数字化：AI 落地的 “基础设施”

香港医院管理局蔡阳分享，公立医院的数字化转型是 AI 医疗落地的前提 —— 组建专业 IT 团队、整合医疗信息资源、构建数据驱动的管理体系，才能为 AI 应用奠定基础。通用技术集团的实践印证了这一点：其发布的 “医疗健康体检大模型”“智慧管理大模型”，正是以 “数据 + AI” 为核心，赋能健康管理、临床科研等场景，推动从 “疾病为中心” 向 “健康为中心” 转变。

三、挑战与应对：技术精进与机制革新并行

尽管前景广阔，AI 医疗要广泛融入临床实践，仍需突破技术、机制与伦理的多重壁垒。

（一）技术壁垒：医疗大模型的 “高门槛”

讯飞医疗陶晓东指出，医疗垂域大模型需满足三大要求：一是构建坚实的基础医学逻辑，具备循证思维链；二是针对不同医疗机构需求，提供不同尺寸、适配性强的模型产品；三是突破通用大模型的 “信任壁垒”，在诊断准确性、数据安全性上达到医疗级标准。这意味着医疗大模型不能简单照搬通用 AI 技术，必须进行深度定制化研发。

（二）机制融合：流程、人才与责任的重构

多位专家强调，AI 融入医疗体系绝非单纯的技术叠加，而是涉及全链条变革：

流程重构：临床环境复杂多变，需调整诊疗流程以适配 AI 工具，例如 AI 辅助诊断结果的复核机制；

人才缺口：黄天荫呼吁搭建 AI 教学平台，培养 “懂医疗 + 懂 AI” 的复合型人才，避免技术与临床 “两张皮”；

责任归属：工信部原副部长杨学山明确，AI 报告需由人类医生最终把关，需清晰界定人机协同中的责任边界，这是 AI 医疗规模化应用的前提。

（三）伦理底线：缩小医疗差距而非扩大

专家们特别强调，AI 医疗的终极目标是 “普惠”。黄天荫指出，训练医疗大模型时必须纳入医疗资源匮乏地区的代表性数据，避免技术加剧区域医疗不平等。唯有如此，才能让 AI 真正成为 “平衡器”，让科技红利惠及更广泛人群。

结语：以 “人” 为核心的智能医疗未来

AI 医疗的发展，终究是为了更好地服务人的健康需求。正如杨学山所言，“人的智能始终是核心”——AI 是提升效率的工具，但医疗责任的承担、对患者的关怀、对社会的深度参与，最终仍依赖人类智慧。未来，随着技术精进、机制完善与伦理共识的形成，AI 与医疗健康的融合将迈向更理性、更普惠的阶段，为培育医疗健康新质生产力注入持续动能。