AI醫療來「敲門」，是江湖郎中還是華佗再世？

文 | 矽基研究室，作者｜白嘉嘉

看得好病（品質）、看得起病（成本）和看得上病（效率），這三個關鍵要素一直以來被認為是醫療領域的「不可能三角」。

在大模型的浪潮下，AI能打破這個「醫療不可能三角」嗎？

樂觀者不在少數。曾參與醫療大模型Med-PaLM 2訓練的谷歌高管Greg Corrado在接受媒體采訪時表示，“在醫療領域AI可以帶來好處的環節，它能創造10倍的價值”。

然而一旦視角切換到患者或是醫療工作者，态度立馬會變得謹慎起來。

去年5月份，世衛組織在一篇聲明中強調，應該AI與醫療服務的整合采取“非常謹慎”的态度。Greg Corrado同樣在談及到家人時話鋒一轉，“我并不覺得這種技術現在已經達到了我願意讓家人使用的程度”。

将視野拉回到國内。

AI醫療尚未在企業的财報中兌現，技術落地的動作卻絲毫不慢。從去年2月開始，網際網路巨頭相繼與醫院、醫療企業達成合作，推出醫療大模型，落地樣闆工程，忙得不亦樂乎。

值得一提的是，AI醫療并非新物種，上一輪以計算機視覺為核心的AI浪潮興起後，AI診斷的故事就不停在市場上空飄蕩。但多年下來，普通人所能感受到的改變并不強烈。

于是問題随之而來，以生成式AI為核心的AI醫療會重蹈覆轍嗎？參與者又是如何推動它向更務實的地方發展的？而我們，距離更優質的AI醫療還有多遠？

01、AI醫療的「本手」與「妙手」

AI醫療，一開始就被寄予重望。去年6月大多數企業還在大煉模型時，北京市科委、中關村管委會釋出了首批10個人工智能行業大模型應用案例，将AI引導向産業落地。其中，醫療健康是唯一入選了兩個案例的領域。

根據IDC資料，預計到2025年，全球AI應用市場總值将達1270億美元，其中醫療行業将占總規模的五分之一。

那麼，價值千億人民币的AI醫療，能做什麼？

目前，AI醫療主要有醫學影像、藥物研發、醫療文本處理、學術科研四個大方向。

其中，藥物研發和學術科研兩個方向目前受限于資料量較少，是以進展相對緩慢。醫療文本處理和醫學影像湧現出大量案例。

其中，醫療文本處理是目前AI應用落地最密集的方向。憑借極強的資訊檢索和文本生成能力，AI可以大幅度減少醫生的重複性工作。

據百度大健康事業群政策研發總經理黃海峰給出的例子，原先需要醫生寫一份出院病例大概需要一個半小時甚至兩個小時，在AI的輔助下，時長可以壓縮到二十分鐘以内。

而醫學影像，則是商業化潛力最強的方向。

潛力主要來源于兩方面，一是将AI與CT、X光機相結合。從過去的經驗來看，在購買醫療器械裝置方面，醫院向來不會手軟。

二是促成網上問診到實際成交的轉化，譬如使用者拍照識别皮膚病後，進一步付費向醫生尋求建議。根據京東披露的資料，京東健康皮膚醫院基于大模型的AI輔診準确率超過95%，專病随訪服務患者付費轉化率已達20%。

沿着文本處理和醫療影像兩大方向，AI企業大多已經形成了「大而全」的AI醫療布局，目前正在緊鑼密鼓将其結合到實際的醫療場景中去。在這場角逐中，大廠們有必須要做好的「本手」，也有出奇制勝的「妙手」。

所謂「本手」，關鍵在穩紮穩打，為未來積蓄潛能。

所有企業想在AI醫療領域有所作為都離不開兩點，資料和工具。資料是AI進化的基礎，豐富的AI工具使其盡可能多地參與到産業鍊中去。

百度、京東、騰訊、華為等科技企業，均在過去的一年多時間裡與多家醫療機建構立起了緊密的合作關系，并推動多款AI醫療産品。

譬如，早在去年2月文心一言推出之前，百度就曾宣布與莫廷醫療、東軟醫療等多家醫療相關企業建立合作。現已形成面向醫療場景下的各個群體的五大産品，分别是面向普通使用者的AI健康助手，面向醫患雙端的線上醫療Copilot，面向醫院的「AI智慧門診」，大模型的私有化産品CDSS（臨床決策支援系統），以及面向企業的靈醫開放平台産品。

其中，CDSS因為能有效提高基層醫生的診療能力，降低誤診與漏診，已落地4000餘家基層醫療機構。

「本手」之外，更值得關注的是大廠們的「妙手」。這些「妙手」源自于企業自身的優勢，力求在同質化的競争中脫穎而出。

例如，京東利用物流系統的優勢，将線上問診做向了線下。

在AI問診的基礎上，京東近日宣布對京東健康網際網路醫院患者服務全新更新。線上診斷時如有進一步檢查的必要，可通過京東到家快檢下單，由護士上門采血、采樣并送檢，平均3小時出結果。

而華為則憑借自身軟硬體兩條腿走路的優勢，将AI醫療的生意做向了産業鍊上遊。

「矽基研究室」發現，在華為與醫渡科技、潤達醫療、金域醫學、萬達資訊的合作中，除了推出醫檢行業大模型之外，還包含基于昇騰AI基礎軟硬體打造醫療大模型一體機，為客戶提供開箱即用的AI全棧解決方案。

整體而言，AI醫療發展至今，行業的目光已經不局限于某一環節技術能力的強弱，而更關注是否形成了具體的落地方案，使用者能否從中獲得更好的體驗。

不過，相比于産業界的烈火烹油，投資者仍保持着一定的冷思考。

“我不認為醫療大模型目前是一個風口，大模型隻是一種能力，技術的進展想要真正改變一個行業，還是很漫長的，尤其是醫療。”啟明創投副總裁孫墨陶此前在接受采訪時透露，在對AI祛魅後，投資圈對醫療大模型目前還是顯得更加實際，就他而言，在國内能看到一家能有明确商業化路徑的公司才能在這個領域真正扣下投資的「闆機」。

02、「多模态」或許是超車的契機

正如百度大健康事業群組總裁何明科所說的那樣，醫療是少見的「三位分離」的行業：決策者是醫生、醫院，付費者是保險、醫保，使用者是患者。

複雜的「決策-付費-使用」鍊條以及醫療行業自帶的嚴肅性，使得醫療大模型的落地相較其他行業受到更嚴格的審視，是以在過程中逐漸呈現出從輕到重的趨勢。

從輕到重，即率先應用在容易落地、使用者感覺強、不容易導緻醫療事故的領域，然後再向更細分的場景挺進。

值得一提的是，從輕到重一方面是基于企業自身的避險邏輯，另一方面也是硬性規定。去年9月，北京市衛健委牽頭制定的《北京市網際網路診療監管實施辦法（試行）》明确，禁止AI在沒有醫生監督的前提下進行診療，或是自動生成處方。

對從業者來說，從輕到重的趨勢是一個憂喜參半的消息。一方面入局的技術門檻不高，但鑒于醫療領域的特殊性，它也意味着後起之秀将很難有機會超過那些有錢有「人脈」的大廠。

具體來說，醫療資料相對敏感，同時未來變更合作方有可能對醫院經營産生較大影響，是以在最初選擇合作方時，則會更加傾向于信譽和風險控制能力有保障的大廠。

是以，考慮到與大廠錯位競争，小廠往往借助多模态實作彎道超車。

與單模态相比，多模态涉及的技術面更廣，同時多模态是AI醫療的必經之路。就像醫生在給出診斷前需要通過多種檢查積累資訊，AI想要給出準确的判斷，同樣需要綜合多種形式的資訊。

舉例來說，多模态AI給出判斷的前提，是能從資訊中找到異常。相比于生成式AI，最後結論正确與否，更大程度上取決于視覺AI的檢測能力。

也就是說，若是企業能展示出足以「赢在未來」的多模态能力，醫院同樣有可能基于長期穩定性的考量與其展開合作。

市場也已經證明了多模态AI的号召力。在2024世界人工智能大會期間，商湯醫療聯合瑞金醫院、華西醫院等多家醫院，率先啟動了行業内醫療多模态AI賦能智慧醫院的創新示範項目。

公開資訊顯示，各方将以商湯醫療大語言模型作為智慧醫院建設「中樞大腦」，智能排程覆寫醫學文本、放射影像、病理圖像等多種資料模态的專用模型，輔助醫生完成跨科室、跨模态的複雜診斷推理。

03、AI醫療離我們還有多遠？

如果要給科技巨頭吹過的牛排個名，AI醫療大概可以排進前三。2012年深度學習浪潮興起時，深度學習三巨頭之一Hinton曾放言：5年内AI可以取代放射科醫生。

但10多年過去了，AI并沒有如他的願，Hinton顯然過于樂觀了。

那麼，這輪AI醫療浪潮會像從前那樣「雷聲大、雨點小」嗎？

目前來看，有喜有憂。

「喜」在于，過去的一些技術難關确實正在被生成式AI慢慢攻破。

一直以來，缺少高品質資料集是擺在AI企業面前的大問題，在醫療場景中尤其突出。

譬如，常見病有足夠多的資料，但罕見病和遺傳病很難滿足資訊量要求，即便采用「大資料+精标注」的傳統AI訓練範式，由于每個醫生撰寫報告，使用醫療器械的習慣都不同，同樣是一項幾乎是不可能完成的任務。

但生成式AI能夠緩解這一問題，例如上海交通大學的一項研究，利用醫學語言模型所包含的對醫學圖像和概念的了解，引導通過自然自然圖像訓練的視覺模型遷移至病例圖像，進而完成病理圖像少樣本分類任務。

這類技術已經在産業界得到了應用。商湯近期釋出的病理大模型PathOrchestra，就是通過對海量資料的自監督學習，在無需大量精标注的基礎上「觸類旁通」學會分析各種器官病理圖像。

而「憂」在于，這些企業走向商業化的過程中，還有難關要闖，其中最主要的是資金問題。

從企業的立場思考，雖然目前AI醫療領域的競争已經從技術走向了落地，但推動力更多來源于各地打造樣闆工程的訴求，而非由利益驅動的擴張。

在缺少成熟方案整合商的情況下，這一趨勢對牽頭企業提出了很高的要求，不僅需要有非常強的墊資和管理能力對上下遊進行整合，甚至有可能在建成後還需要持續為相關方提供專人服務團隊。

同時，AI醫療的嚴肅性和專業性決定了，企業不太可能在短時間内通過快速複制來攤薄成本，疊加這類科技企業本就居高不下的研發投入，财務狀況不夠樂觀或規模不夠大的企業很有可能會倒在路上。

雖然資金壓力巨大，但這些企業沒有别的選擇，想要真正滿足醫生和患者的需求，AI就必須進入到真實的醫療場景中進行疊代。

如中國科學院香港創新院AI中心執行主任劉宏斌接受采訪時所說的那樣：“很多大模型研發過程中沒有醫院的參與，缺乏臨床方面的因素，導緻一些看上去很炫酷的技術，實際上并不能滿足醫生的需求。”

将視角切換到醫院，撇開那些樣闆工程不談，實際上「錢」也是大問題。

現階段，大部分醫院的算力資源以CPU為主，部署AI所需的GPU很少。因而，想要落地AI醫療，需要同時配備GPU并保證足夠的存儲和高速網絡連接配接。

在全球缺芯的當下，這是一筆許多醫院都難以承受的成本。按照一個科室一張H20進行估算，平均每個院區需要醫院投入百萬元級别的成本進行晶片配置。

從這個角度來說，AI醫療企業如果想要實作新技術的規模落地，就必須做出一個殺手級應用，這樣才能讓醫院為了購置AI心甘情願地對部署環境進行更新。

整體來說，醫療大模型目前雖然已經在一些場景開始落地，但尚未抵達真正可以改變人們生活的轉折點。畢竟，讓人們信任AI看病，本來就是一件很難的事。