医疗 AI 的价值在流程,不在“替代医生”
医疗 AI 目前最成熟的落地不是自主诊断,而是把医生从重复劳动中解放出来:影像初筛、病历书写、随访沟通、医保编码和药物候选筛选。这些场景有明确输入输出、可人工复核、错误可拦截。选型时先问“它接入哪个科室的哪个流程、谁复核、出错谁负责”,再看模型指标。没有流程承接的 AI,准确率再高也用不起来。
影像与临床辅助:国内外工具地图
影像 AI 的核心是特定病种的检出与分诊:Aidoc 擅长急诊影像优先级排序,推想医疗覆盖肺结节、脑卒中等多病种,联影智能与设备深度集成,数坤科技聚焦心脑血管,深睿医疗覆盖胸部与神经系统,鹰瞳科技从眼底影像切入慢病筛查,PathAI 专注病理。国内医院选型要重点看 NMPA 注册证、与 PACS/HIS 的集成能力和本地服务;海外机构还要看 FDA/CE 与保险支付路径。
病历与患者沟通:最容易被低估的效率工具
临床文书占用了医生大量时间。Nuance DAX、Nabla、Heidi 通过环境听写生成病历草稿,医生修改后签字;国内医联 MedGPT、华佗 HuatuoGPT、左手医生、惠每科技更贴近中文病历和基层场景。患者沟通方面,AI 可以做预约提醒、术后随访和常见问题解答,但不能替代医生对病情的判断。选型时要验证语音识别对方言和医学术语的准确率,以及是否支持院内私有化部署。
药物发现与研发:长期价值最大,短期最难评估
AlphaFold 改变了蛋白质结构预测,Isomorphic Labs 把 AI 用于药物设计,晶泰科技聚焦晶型与分子模拟。这类工具的价值需要多年验证,不能只看“生成了多少候选分子”,而要看湿实验命中率、周期缩短和成本。医院和药企选型时应与研发团队共同定义指标,避免被演示效果误导。数据质量和实验闭环比模型参数更重要。
采购与合规:先问责任,再问准确率
医疗 AI 涉及患者安全、隐私和监管,采购前必须确认:是否有对应适应症的注册证/认证;数据存储在哪里、是否出境;是否支持私有化;错误提示和人工复核机制是什么;发生不良事件如何追溯。对面向患者的工具,还要评估健康建议的边界,避免把 AI 输出当成诊断。最稳妥的落地方式是“AI 初筛/草稿 + 医生复核 + 可追溯日志”,而不是让 AI 直接对外给出结论。