以ChatGPT为代表的AIGC（生成式AI）风靡，掀起了生成式大语言模型的开发浪潮，这一波浪潮席卷至医疗行业，行业中的“百模大战”正在迅速兴起。

一直以来，医疗行业被视为是人工智能应用的最佳场景之一。AI医疗的应用一方面可减轻医生工作负担，提升工作效率；另外一方面，也可以提升基层机构诊疗水平，改变医疗资源分布不平衡局面。

然而，上一轮的人工智能浪潮在医院的落地速度并不快，更多的应用集中在影像领域，但也面临商业转换率低的挑战，这一次AIGC渗透进医院，局面能否有所改观？

AIGC技术落地医疗行业

近日，2023腾讯全球数字生态大会上，腾讯健康发布了医疗大模型，以及智能问答、家庭医生助手、数智医疗影像平台等多场景AI产品矩阵。

腾讯杰出科学家、腾讯天衍实验室主任郑冶枫介绍，医疗大模型的研发，是基于腾讯全链路自研混元大模型，这一基座模型拥有超千亿参数规模和超2万亿tokens预训练语料，具备强大的中文创作能力、复杂语境下的逻辑推理能力以及可靠的任务执行能力，在此之上，持续加入涵盖285万医学实体、1250万医学关系，覆盖98%医学知识的医学知识图谱和医学文献，使大模型进一步掌握专业的医学知识。

也是在近期，由金域医学（603882.SH）承建的临床检验与病理诊断人工智能平台开放创新平台正式上线，这是国内医检行业首个人工智能开放创新平台。该平台通过算力、算法、数据、模型共享，可向创业公司、医疗科研机构、个人开发者、行业专家等用户提供服务，满足开发者从数据训练到人工智能应用部署的全流程开发需求，包含数据处理、开发训练、模型管理、在线部署等。开发者可以在平台上使用公开数据集进行模型训练，也可获得普惠价格的算力，支撑数据处理、各类模型的开发。

当前，随着AIGC技术热浪席卷，医疗行业不断有新产品出现或者在酝酿。

8月17日，全病程管理平台微脉发布国内首款健康管理领域大语言模型应用——CareGPT。据介绍，与通用型的大语言模型产品不同，这款基于国内开源大语言模型自主研发的健康管理应用产品，主要致力于在真实的医疗服务场景中发挥健康管理价值，实现预防、咨询、预约、康复的全周期智能化健康管理能力。

8月24日，平安健康中报业绩会上，平安健康董事长兼CEO方蔚豪对第一财经记者等媒体表示，公司去年开始在内部对利用生成式AI进行辅助治疗开启了研究和训练，并且已经在儿科进行过实验，效果令人满意。今年上半年进一步将家庭医生和专科医生各自的咨询、诊断、诊疗、服务四大环节拆解到几十上百个细分环节，针对每一个环节，由医生、AI技术人员、算法专业人员等共同在模拟场景中对“平安GPT”进行训练。“预计到年底AI在我们的人力替代率、成本替代率、时间替代率等方面会有比较大的进展。”

带来哪些新突破

在上一轮的人工智能浪潮中，影像是最热门的探索方向。

“我们面临医、教、研‘三座大山’，日常除了承担医学影像诊断工作外，还有教学、科研的任务，我们很希望AI可以赋能，来提升工作效率。”中山大学附属第一医院妇产超声科教授、主任医师谢红宁曾对第一财经记者表示。

据亿欧智库统计，2023年AI医学影像市场规模为24亿元。截至2023年7月5日，有70个人工智能医学影像产品拿到国家药监局批准的三类证，这些产品从诊疗流程上涵盖了辅助诊断以及辅助治疗两大类。获得三类证，意味着具备向患者收费的资格，从开也打开商用之门。

但在业内看来，这样的市场规模，还抵不上行业一年的研发投入。

根据亿欧智库2022调研，45.9%的影像科医生认为当前AI医学影像产品中，实际可应用的产品少，并有43.1%的影像科医生认为当前AI医学影像产品不能很好地嵌入现有医学影像诊断流程，由此，AI医学影像产品在功能拓展和优化上仍有较大提升空间。

有业内人士对第一财经记者表示，在辅助诊断方面，AI影像的确发挥了一定的作用，但用于病情的综合诊断以及预测方面仍存在欠缺，原因之一也跟采集的数据是单一维度而不是多模态数据等有关。

AIGC技术则具备问答能力、生成能力、归纳能力和对话能力，它的出现让医疗行业的智能化发展再度充满期待。

“原来的AI医疗产品，你训练它干一件事情，它最后呈现的结果也只能干这件事情，无法跟医生们进行深度探讨，但大模型下，AI医疗不再是只给出简单的结果，它也可以像专家一样，跟医生进行深度讨论。”金域医学副总裁兼信息管理中心总经理李映华对第一财经记者表示，目前很多医院实际上已经在应用人工智能辅助，大模型的出现带来人机自然语言的无障碍交互，可以调动多种能力解决多个场景的问题，预计未来一两年，基于大模型的AI医疗应用会越来越多。未来不仅在医院，AI家庭医生也能帮你做初步诊断、推荐就诊专科、分析检测报告等，想象空间是无限的。

当前要开发出成熟的AIGC医疗产品，还有哪些障碍待解？

有业内人士表示，当前医疗人工智能的发展，仍面临数据、算法、算力三大挑战。人工智能开发需要大量高质量数据，而国内大部分医疗数据存储于各级医疗机构，业务系统相对独立，数据较难实现共享，存在明显的“数据孤岛”现象，可供训练的真实场景数据集有限。即便得到了大量的医疗数据，如何对离散的海量医学专业数据进行处理、统计和分析，通过模型进行有效的整合，成为另一个挑战。医疗行业的严谨性对模型的精确度要求更高，从而对算法和算力提出了更高的要求。最后，开发出来的医学人工智能成果存在规模化落地的困境，数据与算法模型的产、供、销缺乏产业链资源支撑，这些对成为制约人工智能在医疗行业落地的重要因素。

即使如此，大模型下，AI医疗的商业化前景依旧备受期待。

在李映华看来，大模型下，AI医疗可以真正实现推动医疗资源下沉，这也是AI医疗应用最有价值的一点。

“当前，无论是临床医生，还是病理医生，都是稀缺且地区分布不均衡。要真正推动医疗资源下沉，实现90%的大病不出县，AIGC医疗可以发挥极大的作用，可以帮助训练出更多的医生。同时，AIGC医疗可以覆盖的医疗场景也更多。虽然训练一个医疗大模型成本更好，但在应用上的边际成本是越来越低，这也有助于产品进一步推广开来。”李映华说。