【ITBEAR】
在一次線上圖文問診中，由于患者首次上傳圖片模糊，中國醫科大學附屬第一醫院皮膚科郭昊醫生初步判斷為患者病癥為色素痣，當他準備進行下一步建議時，智能醫助彈窗提醒“考慮診斷扁平疣可能性是90%，色素痣可能性是60%”，郭昊猶豫片刻后讓患者提供了幾張更清晰、多角度的照片，最終確診為扁平疣。
諸如此類的AI技術輔助診斷場景正越來越普遍，醫療行業也已成為當下行業大模型集中落地和未來最有潛力的領域之一。
AI大模型由于其自然語言理解和邏輯推演的優勢，在交互場景豐富和數據量龐大的領域有著天然優勢，醫療行業便是如此。據Global Market Insights 報告預計，“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。IDC預計，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。
然而，千億藍海市場的樂觀預計背后，現實是包括醫療行業在內，大模型的商業落地都還沒有走出一條成熟路徑。尤其對于專業性極強、容錯率極低的醫療領域，大模型距離真正打開局面還早。
千億藍海
在千億級醫療領域AI技術應用前景誘惑下，國內醫療大模型層出不窮。從應用來看，除了常見的診療全流程、深度學習加持多年的醫學影像，還有中醫康復這類冷門但有潛力的場景。
在能力上，AI大模型在醫療行業的作用主要體現在三方面：一，提升醫療工作者的工作效率，以及改善醫療資源不平衡的問題；二，降低患者在醫院候診、診療的時間，提升就醫體驗；三，提升研發新藥的效率、降低研發成本。
“原本每天能審閱50張CT片子，未來每天能審閱500張/天，那么醫療效果的提升，將讓患者的就醫體驗，以及醫生的工作體驗都得以改善。”IEEE標準協會新標準立項委員會副主席兼IEEE數字金融與經濟標準委員會主席林道莊曾對表示，現階段，中國醫療資源比較緊缺，許多人排了很久的隊才能看上病，而醫生也很忙，通過大模型的輔助，能幫助醫生快速的識別諸如X光片、CT等病歷，從而大幅提升醫生工作效率，也能降低患者等待的時間。
從資本的角度出發，雖然目前醫療行業大模型仍處于發展的初期階段，但資本市場對于大模型在醫療行業的商業化還是持有較樂觀的態度。今年以來，醫療相關的大模型獲得融資的案例并不少，國內唯一一家專注醫療的頭部大模型公司百川智能，獲得了50億A輪融資，正在以200億元開展B輪融資。其自研的通用醫療增強大模型，已在多個權威評測中超越了GPT-4；生物醫藥大模型公司“水木分子”完成近億元融資，成立僅一年，由清華大學智能產業院AIR于2023孵化，主要從事生物醫藥行業基礎大模型研究，并開發了對話式藥物研發助手工具ChatDD。
從參與主體來看，互聯網廠商和科技公司為主，比如百度“靈醫Bot大模型”、云知聲“山海認知大模型”、左手醫生“MedGPT/左醫GPT大模型”、醫渡科技“醫渡大模型”、京東健康“京醫千詢大模型”、騰訊“騰訊健康AI醫療大模型”、華大基因“基因檢測多模態大模型GeneT”、訊飛醫療“訊飛星火醫療大模型”等。
除了廠商以外，研究機構與高校也都結合自身經驗推出了醫療大模型的產品。比如，浙江大學啟真醫療大模型，致力于通過AI技術提升醫療服務水平，據了解該模型可應用于遠程醫療、醫療咨詢、健康管理和個性化治療方案定制等領域，并已在多個試點項目中得以應用；四川大學華西醫院信息中心則是推出了具備鑒別診斷和病歷生成自動生成能力的惠每醫療大模型，該模型適用于臨床決策支持系統，幫助醫生進行診斷和治療計劃的制定。
相較于通用大模型，醫療大模型作為行業大模型，需要具備足夠的專業知識，對于一些規劃未來在臨床應用的大模型，更要具備充足的、高質量的相關臨床數據作為語料，加以訓練才能具備專業的能力。國內外主流大模型廠商都在積極尋求醫院資源進行戰略合作，共同探索可行路徑。
例如，京東推出的“京醫千詢”，整合了大量的臨床實踐指南、醫學文獻和專家知識，能快速完成在醫療健康領域各個場景的遷移和學習，并在2023年12月，京東健康就與溫州醫科大學附屬第一醫院達成了戰略合作，共建“未來醫院智慧服務”,打造了全國領先的新一代智慧醫院的智慧服務系統。
中科聞歌布局中醫賽道，在今年9月發布了“大醫金匱”中醫大模型，依托中科聞歌全自主產權的雅意大模型，選擇了1500余本中醫典籍及海量臨床醫案數據進行訓練，解決了中醫癥狀標準化、四診特征數據對齊、中醫臨床辨證推理以及診斷與治療方案可控生成等技術難題，構建了國內首個中醫標準化癥狀知識圖譜，以及OTC中藥、OTC西藥、中藥方劑、中醫食療和中醫運動處方五大細分知識庫。大醫金匱在中醫執業醫師和執業藥師模擬考試中準確率也達到85%以上。
中國信通院在10月開展了醫療健康大模型效能評估工作，其調研顯示通用大模型在醫學知識廣度方面具有一定優勢，醫療健康行業大模型在特定醫療任務上表現優異。
據悉，此次評估選取了GPT4、GPT-4o等國外通用大模型，文心一言、通義千問、混元和智譜清言ChatGLM等國內通用大模型，靈醫Bot、夸克健康助手、訊飛星火醫療大模型和華佗GPT II等醫療健康行業大模型展開效能評估，考察大模型在多學科知識問答、多形式語言理解、多場景文書生成、多環節輔助診療、多輪對話交互、多模態支持等六大方向的實際應用效能。
以訊飛星火醫療大模型為例，其在個人畫像、健康干預方案、病歷文書生成及質控、檢驗檢查報告解讀、體檢報告單解讀、藥盒解讀等細分任務中表現均處于領先，在健康常識、疾病百科、用藥知識、電子病歷結構化、專業知識生活化等方向上均展現高度專業性。
分診助手、輔助決策、病歷生成、AI制藥.....已涌現諸多場景
“諸如大模型的這類數字技術就像是‘錘子’，而應用像是‘釘子’，場景像是‘墻’，只有找到合適的場景，再用錘子將釘子‘釘’上去，才能實現最后的價值。而沒有應用，沒有場景，光有技術，這個技術也是沒有用的。”東軟集團董事長劉積仁在與的對話中曾形象比喻。
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。
包含慢阻肺篩查在內，疾病篩查領域已經有不少醫療機構進行積極的嘗試。
文章開頭列舉的皮膚疾病診斷案例來自京東健康，數據顯示，京東健康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%。
在輔助診斷之外，借由AI的能力，也能在疾病病發之前就及早干預，從而起到預防的作用。
以華大基因為例，前不久其正式發布了面向臨床的基因檢測多模態大模型GeneT。據華大基因IT副總監梁倫綱介紹，基因檢測多模態大模型GeneT是華大基因在AI大模型領域的重大突破。該模型利用超過百萬級的高質量數據，構建了百億級的高質量token，結合解讀專家經驗，實現了對全基因組數據的精準解讀。
據了解，在真實臨床樣本的測試中，GeneT模型展現出了極高的準確率，能夠從數百萬個變異位點中快速篩選出與臨床表型相關的致病突變，為臨床診斷和治療提供有力支持。
基于基因檢測的特殊性（屬于垂直行業領域），有些場景下并不需要超大參數規模的模型產品，一些小模型的產品就能夠滿足生產過程中的需求，“現在，華大基因就采用了一些十幾B參數的小模型，”梁倫綱指出，“雖然在訓練過程中會比較消耗資源，但投產之后的成本還是非常低的。”
京東健康大模型專家也曾向表示，從目前應用來看，應用成熟度較高的是中體量的模型產品，以京東健康為例，京東健康目前主推的“京醫千詢”系列模型產品中，應用成熟度較高的是14B和22B的模型產品，主要應該用在非醫療決策方面。
AI大模型在藥物研發方面也有著不小的應用空間。在外灘大會上，一位藥物研發行業專家公開表示，藥物研發目前面臨著研發投入越來越高、回報率越來越低的情況，“藥物研發也很看重ROI，目前平均的回報率大概在1.8%左右，還不如把錢存起來的利率高。”該專家指出。
以往藥物的研發主要依靠研發人員的經驗及所學知識進行項目推進，但人的經驗和學習能力是有限的，但對于AI大模型而言，可以在短時間內，通過快速的專業知識的積累，就獲得具備“行業競爭力”的專家級的知識水平，同時還可以在短時間內推演出藥物的基因排序和組合，從而讓藥物的研發進一步降本增效。
總體來說，雖然大模型在醫療行業中已出現諸多的應用場景，但是從目前的應用現狀上看，大模型產品能為醫生提供的幫助還是非常有限，其應用場景主要還是集中在一些非醫療決策的方面，更專業的能力有賴于模型產品獲取的數據量進一步提升，以及模型能力的優化。
多模態融合也是醫療行業應用大模型未來發展的重要趨勢，醫療大模型在文本信息之外，更要融合圖像、語音、生理信號燈多種數據源，從而更全面的獲得患者信息，以便于做出更準確的診斷。
嚴肅性、安全性、成本....落地仍面臨諸多挑戰
AI技術已經開始在醫療行業“大展身手”，但離“獨當一面”還早。
比如，AI技術在醫療行業中的應用最終是要落到患者身上，在輔診方面，大模型應用的門檻是：需要AI產品像主治醫生一樣，結合不同病人的實際情況，準確的開出相應的治療方案。而從目前的應用來看，AI技術只能起到部分輔助、協作的作用，最終還需要醫生憑借經驗制定醫囑。
不僅如此，醫療行業本身就具有嚴肅性和安全性的特性，即便有很好的場景，應用過程中還是需要特別注意專業嚴謹性。
“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 數字價值年會期間指出。
比如，雖然醫院電子化、信息化已經有一定的基礎，但在選擇設備、檢查方式的時候，大多數電子設備與傳統機械式檢查設備相比，精準度仍然有待提升。深圳市第八人民醫院信息統計科主任賴伏虎曾在2024 ITValue Summit 數字價值年會期間指出，醫護人員在大規模使用無線生理信息采集儀器去病房采集指標，結果可直接傳輸至電子病歷，但醫護最終仍要做人工測量，因為醫院有一條底線，追求絕對安全。這決定了醫院對AI軟件和設備的需求很大，挑戰也很大。
醫療數據的安全性也非常關鍵。如何確保患者的數據是“可用不可見”的，一方面，需要監管部門對這部分數據進行監管；另一方面，需要打通醫院之間的數據壁壘。
數據也是困擾著醫生應用AI技術的一大掣肘。上海某三甲醫院主治醫師張醫生（化名）表示，目前AI工具還都不太成熟，處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做了什么檢查，但是看不到具體的檢查結果，“對于我們醫生來說，我們希望可以在確保數據安全的前提下，能夠看到患者既往的病史、用藥等情況，這也有助于我們針對不同病患，制定響應的治療方案。”張醫生如是說。
另一方面，如果AI技術并不能給醫生帶來效率的提升的話，對于醫生而言，AI能為整個診療過程提供的價值是有限的。對此，張醫生表示，目前通過AI工具是具備給醫生提供處方開方建議的能力，但是因為整體醫療時間緊湊，導致醫生大多數時候沒有過多的時間與AI助手進行交互，最后還是只能依靠自身經驗開據藥物，“我們普通門診一上午3個半小時時間內，要看60多個病人，并沒有時間去跟AI助手探討藥物的使用問題，大多數時候還是根據我自身經驗給患者開藥的。”張醫生指出。
除了嚴肅性和安全性的問題以外，對于醫療機構來說，現階段的大模型產品還達不到足夠的降本增效預期，成本（或者說ROI）也是阻礙大模型落地的一個關鍵點，當前各廠商大模型與醫院合作也是從戰略考慮。京東健康大模型的一位專家曾告訴，“醫院不能因為引入大模型產品，而導致整體的醫療成本和科研成本上升，”該名專家告訴，“這對于醫療機構來說，是不能接受的。”
同樣，對于產業鏈另一頭的服務商而言，商業變現也影響著服務商。
劉積仁曾對表示，AI技術當下遇見最大的一個問題就是商業變現，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，對于醫院來說，如果植入AI能力的軟件要比沒有AI能力的軟件更貴的話，可能很多醫院都不愿意為“多出的部分”買單，“因為本身醫院就有醫生進行片子的審查，多出的部分并沒有帶給他們實際的價值，而當下AI的能力，對于效率的提升又是有限的，所以很多醫院都不愿意為了這部分的軟件價值去買單。”劉積仁表示。
東軟集團在醫療領域實現大模型變現的經驗是，通過自身原本的基礎醫療設備，將AI的能力植入到設備中，以整體解決方案的形式對外輸出能力，隨著醫院的應用，再將脫敏后的數據，在可信的狀態下對這些產生的數據進行積累，有了數據基礎后，再反哺于模型的訓練之中，最后再通過訓練好的垂直領域專有模型變現。
在大模型和AI技術快速升級的另一面，打造專業領域真正的應用價值，行業大模型的歷練才剛剛開始。拐點未至，前路漫長。（本文首發于，作者 | 張申宇，編輯 | 蓋虹達）
