1.背景

《2024年政府工作报告》提出，在2024年要大力推进现代化产业体系建设，加快发展新质生产力，并部署了三项任务：（1）推动产业链供应链优化升级；（2）积极培育新兴产业和未来产业，开辟量子技术、生命科学等新赛道，创建一批未来产业先导区；（3）深入推进数字经济创新发展，开展“人工智能+”行动，打造具有国际竞争力的数字产业集群，适度超前建设数字基础设施，加快形成全国一体化算力体系，培育算力产业生态。

以《新一代人工智能发展规划》（国发〔2017〕35号）为骨干的我国人工智能研发、应用、治理和产业发展规划，从理论和技术、产业发展、发展环境三个方面设计了人工智能发展的国家方案，不断引导和推动医疗人工智能的技术发展与深化应用。自从规划公布后，医疗领域也在不同的建设规划、标准规范和建设任务中，落实医疗人工智能的发展。为了配合该规划实施，多部委从十四五规划、科研项目、标准建设、医疗器械、场景建设等方面出台了一系列政策，推动医疗人工智能的研发和应用。通过示范案例与场景征集发布、组织比赛、揭榜挂帅、在信息技术应用的专项行动中强调人工智能作用等方式不断推动着医疗人工智能的产品研发与应用创新。在医疗卫生体系改革、医疗质量和安全、医养结合、家庭病房、慢病管理、健康管理、智能诊疗、患者智慧服务、医院智慧管理、重点专科建设、县域医共体发展等医疗业务相关的政策中都突出强调人工智能应用的推动与变革作用。在国家科技创新和医学发展的层面，更是把人工智能应用作为突破“卡脖子”技术。提升国际竞争力的重点方向。在此过程中，国家层面也十分关注人工智能技术应用的风险，从社会发展战整体风险高度，从伦理、道德、人文、法治、安全等不同层面不断吸纳国际经验，分析探索、倡议引导、约束监管、评测评估医疗人工智能的整体发展。自行2019年开始，更是部署了人工智能社会试验、国家智能社会治理实验基地等工作，推动了有计划、有组织的进行前瞻预判、科学分析和有效干预。在医疗器械监管方面，医疗人工智能应用的注册、审查、评价、评估和不良事件长期监控的体系也通过一系列的政策予以了明确，出台了并且正在快速研制多项标准。

2023年以来，随着大模型和生成式人工智能技术的快速突破和广泛的应用探索，医疗行业的人工智能应用更加强调应用导向、系统集成、原创性技术突破，也更加关注监管和规范化发展，从家庭养老、大健康、医疗质量和安全、区域医疗资源体系优化等方面给医疗人工智能应用提供了更加广阔的应用场景与应用需求。另外，随着国家数据局的成立，数据要素相关的顶层设计和行动计划铺开。多部委通过未来产业、元宇宙、人形机器人等整体性比较强，体系创新要求高的布局，引导人工智能技术向高质量应用发展，向体系化创新努力对人工智能技术及产品的可靠性、可用性、安全性、维护性、保障性、测试性、系统集成性、场景实用性等方面要求更高，对医疗人工智能整个生态的发展提出了新更高的要求。

人工智能与医疗领域的融合主要基于机器学习算法和大数据分析技术，对医疗过程进行建模，以辅助工具的方式让医疗工作实现标准化、自动化和自主化，从而降低人力资源的投入，提升医护人员的服务效率，提升医疗工作的质量和安全，实现降本增效和优质医疗资源快速扩容的目的。人工智能医疗应用场景的建设从源端数据收集和预处理到模型训练和优化到临床验证和应用以及最终的用户端落地使用，需要跨学科的合作，涉及医学、计算机科学、数据科学等多个领域的知识和技术。只有在充分理解医疗需求的基础上，结合有效的技术手段和严格的法律法规，才能建设出安全、可靠、有效的人工智能医疗应用场景。目前，国内AI在医疗卫生领域的应用涉及医用虚拟助理、医学影像识别、病理诊断、辅助诊疗、医疗机器人、智能药物研发、健康管理、医学数据平台、疫情诊治与监测等多个细分领域，呈现出医疗人工智能不断融合的高速发展趋势。人工智能的进步加速了医疗信息化进程，不断促进智慧医疗发展,赋能众多“人工智能+”医疗场景。

2.人工智能与医疗卫生发展

2.1人工智能与大模型发展情况

面对人民健康重大需求，人工智能围绕患者医疗服务赋能医疗发展到了全生态、全过程和全生命周期的水平，以健康医疗数据为媒介，贯通医疗服务提供方、药械提供方、支付和监管方、政府、科技企业及其它机构。医学、医疗和医院的发展也深受人工智能的影响，在数字化转型的同时，依赖于数据而发展的新一代人工智能技术正在改变着医院的“医教研管”，诞生了数字孪生、元医院等快速发展的思潮。

目前，国内人工智能在医疗卫生领域的应用涉及医用虚拟助理、医学影像识别、病理诊断、辅助诊疗、医疗机器人、智能药物研发、健康管理、医学数据平台、疫情诊治与监测等多个细分领域，呈现出医疗人工智能不断融合的高速发展趋势。

医学人工智能的应用正在从感知时代向增强感知，乃至认知时代发展，在某些方面表现出了超越人类的能力，人机协作已经被验证能够大幅提升诊疗的效率。在皮肤病的诊断中，人机对比已经发展到人机协作，并且认识到了在人机判断能力同等水平的情况下，人类专家学习和知识架构的形成将收到影响，也会带来盲目相信人工智能推荐建议的不良后果。基于更加复杂的模型和使用策略，超声动态影像的跟踪分析、多模态影像的综合分析、一图多果的信息挖掘、影像联合病历文本乃至测序数据的数据整合分析在研究中成为重点，人们正在期待人工智能在大量数据的细节发现和整合能力上超越人类。

进入2024年以来，医疗行业对大模型应用表现出了极大热情，期待通过大模型技术突破数据标注、多模态应用、人机交互等人工智能研发应用困难。根据众多的行业调研和分析报告，有不少IT高新企业投入到医疗大模型基模型训练、垂直领域模型细调、指令优化和向量知识库嵌入中，在电子病历书写辅助、体检总检报告生成、智能客服、科研选题、影像报告生成等方向有了不少探索应用。在模型测试标准、测评体系建设、安全与伦理等方面有了一些探索。根据公开资料，在医学考试中和一些公开测试基准上，大模型回答问题的准确性达到了70-90%。

在医疗大模型应用中，还存在着精度不足以满足医疗行业可靠性和安全性要求，数据、算力等成本过高，知识产权存在争议，隐私保护和虚假信息等问题，需要在标准规范、应用指南、监督评价、测试验证、质量控制等方面加强建设，提升保障的实时性与完备性，从而推动大模型应用的高质量发展。

2.2人工智能医疗器械发展情况

在医疗人工智能的产业发展方面，以医疗器械审评和监管为主线的研发、生产和监管体系正在形成。人工智能临床试验中心建设、人工智能医疗器械产品的评价标准与机构、人工智能临床应用的监管体系等都已经有了不少探索，多家企业已经拿到了肺结节、肋骨骨折、冠脉CT辅助分析、脑卒中、糖网筛查、儿童骨龄评估、心电图智能分析等方面的三类注册证。在作为人工智能发展重要的资源的医疗大数据建设方面，一线城市均提出了建设规模化大数据训练基础设施的计划，并且配合一系列专病库建设计划，从数据来源、数据治理、数据质量以及数据利用体系建设上推动了医学人工智能的开发和应用。

除了单个诊疗环节应用的产品外，行业和企业也在思考人工智能应用效率、效益和商业模式的问题。2022年，动脉网和蛋壳研究院以《2022医疗人工智能报告：距离盈利，医疗AI还有多远？》的报告直面总结了医疗人工智能除了靠融资，能够靠自身商业模式活下去的灵魂之问。同时提出需要变革AI 1.0的赋能医疗的改良主义模式，实现医疗与AI的深度融合，围绕AI提质增效建立智能医疗的新秩序，挺近AI 2.0。从产品上来看，相对成熟的影像人工智能产品也从单个产品的研发与应用，推向覆盖疾病筛查、监控、诊断、治疗、随访的全病程赋能，从体系上解决效率提升不显著的问题，在肺癌、肝癌、乳腺癌、心脑血管疾病、儿童生长发育等临床应用中诞生了一批产品。从影像产生和应用的全流程上，人工智能产品已经覆盖图像采集、分析、计算、鉴别诊断、报告生成、回顾质控等全工作流，内置于设备、工作站、PACS和RIS系统，成就了“全栈全能”赋能模式。

根据中国信通院发布的《人工智能医疗器械产业发展白皮书（2023年）》，人工智能医疗器械分为辅助诊断、治疗、监护和生命支持、康复理疗、中医等产品类型，其中诊断类型的产品占比达到了47.7%。截止2022年10月，已经颁发了62张三类医疗器械证，覆盖心血管、脑、眼、肺、骨科、肿瘤等疾病领域，用途包括分诊、评估、定量计算、病灶检测、靶区勾画等。该报告页关注了整个行业的融资情况，认为行业的投资依然活跃，但是已经由虚向实，更加注重产品的实用性和长远发展潜力。

3.医学人工智能发展应用的主要问题

通过对政策、标准、行业、技术、产业等方面现状梳理和分析，医疗健康行业人工智能发展所面临的主要问题如下和需求如下：

3.1示范探索较多，推广应用较少

医疗领域人工智能发展迅速，已经成为及行业探索的热点，医院的“医教研管”各个条线都试图将人工智能应用于自身业务。但需要看到的是，人工智能的技术发展水平和产品覆盖程度远未达到直接代替人力进行重复劳动和拿来即用的水平，很多示范应用和研究探索都是在一定条件下开展的，相关推广应用的保障体系、产品成熟度、行业认知等都还需要建设和发展。

此外，医疗人工智能在算力保障、软件产品购置、使用人员培训、信息化系统运维等方面都需要较多的投入，对应用条件和人才都有一定要求。因此，即使在相对成熟的影像人工智能和临床辅助决策，其应用较多的还是实力较强的三级医院，而对于更加需要的基层卫生机构，其覆盖还比较低，离实现优质医疗资源快速扩容的预期还有较大差距。

3.2重视建设和创新，体系化管理和运营不足

受限于人工智能模型训练的原理，以及目前的技术发展，以数据驱动为主要方法的医疗人工智能应用以单项功能为单元，着重解决具有明确定义和输入输出的具体问题，单点应用的产品比较多。这一方面导致针对场景的完整解决方案较少，另一方面造成统筹性建设集成困难，对后期的体系化管理带来很大负担。

同时，为了尽快推动人工智能技术的发展和应用，从政策、行业到具体应用单位，都是以鼓励快速试点创新和探索发展医疗人工智能为主，配套的平台建设也是为了保障人工智能的快速应用。虽然伦理、安全、质量等问题也受到了广泛关注，但是在技术层面落实达成的共识，以及为管理提供透明化、可追溯、可验证、可对比、可统计分析的数据支撑，在医疗人工智能产品设计与研发中并未受到足够的重视。医疗机构对于人工智能应用的质量控制、安全监管、评测评价也十分有限，使用规范和培训机制尚未形成，人工智能医疗器械还是在作为普通的软件产品在科室自发使用，人工智能应用的长期效益和定量评价开展也不多。

3.3创新资源不足，算力和语料资源需要集约化建设

在医疗大模型快速发展的今天，大规模的算力和语料成为了制约医疗大模型发展的重要资源，对于大模型训练、领域细调和应用开发的企业、医疗机构来说，大规模的算力和高质量的语料成为了阻碍其参与大模型原始创新的比较高的门槛。虽然也有不少开源的模型、开放平台、开放访问的语料资源，但相对于其它行业，由于数据壁垒的存在，直接描述诊疗过程的数据往往由医疗机构持有，在全行业打通使用上也存在堵点，很多企业在大模型语料上的努力都是比较“小而碎”，特别是分散到专病方向和具体问题上的语料，甚至是量很少。

3.4产学研价值链、供应链和创新链不通畅

目前，医疗人工智能的研发和应用参与方包括研发机构、企业、医疗机构、测评机构、医疗器械监管机构等，其中医疗机构是场景、数据、应用人员、医疗知识等的输出方，企业提供技术、模型训练、优化，开展临床试验，推动医疗器械审评，销售产品和提供技术服务。

从价值链来说，医疗机构和企业关于人工智能产品研发应用的价值循环并不通畅。医疗机构采购人工智能产品的动力和投资重点，依然是提升医护人员的工作效率和质量，对于终端医疗服务的直接贡献不太明显，患者体验和为人工智能服务买单的意愿不强。

从供应链来说，高质量医疗数据和标准化数据标注是医疗人工智能发展的基础，但其价值评估与交换体系也不通畅。一方面，数据质控尚缺乏完整统一的标准，其真实性、有效性难以保障。另一方面，医疗数据的标注难度大，专业性要求高，需要医疗从业者的大量时间投入与深度参与。由于数据流通的合规性、标注工作的合法性尚有未明确支出，数据价值潜力未得到激活，这直接制约了人工智能技术在医疗领域的深化应用。

从创新链来说，医疗人工智能缺乏完善的科技成果转化体系，使得创新成果承接能力不足。从产业端发起的创新，距离应用端较远，开发成本高昂，但因新项目收费定价困难，无法利用价格杠杆激发市场活力，导致落地困难。从应用端发起的创新又因文章考核导向，无法明确成果转化的使用权、处置权和收益权，使得医务与科研人员的积极性不高、社会经济效益不足。此外，应用和产业端也因政策和法律法规的不健全，难以就安全级别高的医疗数据资产达成合作协议，实现协同创新的体系。

3.5国际竞争加剧，国产自主能力不足

人工智能产业的生产链路上还存在着诸多具体问题。从上游来看，计算的硬件设计、专用芯片、加速板卡、底层计算架构、配套开发环境等支撑能力不足，自主可控程度低，不能适应大模型、生成式人工智能、多模态人工智能、通用人工智能等方面的快速发展，从而最终导致通用大模型训练、垂直领域应用发展受限。此外，我国高端硬件产品创新能力不足，计算效率提升、算力平台建设、研发生态构建等方面的创新速度缓慢，跟不上国际竞争节奏，低端重复造成内卷和社会资源浪费，缺乏引领发展方向的优质成果。

特别地，在大模型方面，国内外竞争加剧，再加上算力板卡的禁售，我国大模型方面受制良多，发展速度和创新能力受到很大的阻碍，整个领域的国际竞争加剧，再加上以GPT为代表的系列模型，在规模、全网语料利用、高性能板卡的加持，我国大模型的训练和应用和国外差距有可能被拉大。考虑到大模型“飞轮效应”带来的垄断特性，我国如何在激烈的竞争中占有一席之地值得深思和前瞻性布局。

4.发展建议与解决思路

为加快医疗健康行业人工智能的技术与产品发展，提升应用效果，提高覆盖范围，赋能优质医疗资源快速扩容需求，针对上述各方面的问题，开展应用体系创新，以政府主导，头部医院牵头，建立地域性医疗健康行业人工智能应用示范基地，建设融合算力、数据要素和安全保障等基础设施，连接医疗人工智能的理论研究、算法开发、模型训练、产品设计、测试评价、部署应用、质量与安全监督，便捷算力供应，畅通数据流，保障安全与合规，加速模型训练闭环，扩大生态协作，完善数据要素和模型算法知识产权的保护机制，以价值链保护保障各方权益，实现医疗人工智能沉浸式培育，加速医疗人工智能的全生态赋能。

可采用分层架构来建设医疗健康人工智能应用基地平台（见下图），从逻辑上来看，最上层为依托综合类国家医学中心全场景智能化和其它参与医疗机构建设的场景；下一层为提供医学人工智能场景应用共性保障的智算支撑层，融合医学人工智能应用MaaS、综合治理、资源管理调度、数据和模型资源为一体；底层为通过租赁、购置和利旧建设的基础设施。

其中，智算支撑层实现资源调度、应用治理、综合保障三大功能，承载场景、模型、数据等资源，包括：（1）资源调度平台，管理模型的MaaS平台，实现算力、模型、数据等资源的调度与管理；（2）应用治理平台，实现质控监督、测试评价、场景开放、临床试验、数据要素利用等治理工作的支撑；（3）综合保障平台，实现安全、运营、算力筹措、培训等保障工作支撑；（4）部署并推广医学影像、临床辅助决策、患者服务等一批成熟应用，建设行业级多模态大模型集群、生成式人工智能底座，以及垂直领域模型应用体系，推动行业级语料集的汇聚与应用，形成一批高质量标注数据集。

基础设施层通过算力租赁、行业安全网络空间构建、以及建设以自主核心框架、国产算力芯片等基础软硬件为支撑的自主可控基础平台，建成算力-场景连接、数据便捷使用、信息安全的基础设施空间。

作者简介：王士泉（Shiquan Wang），高级工程师,系统架构设计师。中国医疗IT信息化创新探索者，发表国内外学术论文60余篇。