导语：AI医疗正在从实验室指标竞争，转向真实临床环境中的系统工程。当前较成熟的应用主要集中在医学影像辅助分析、病理识别、眼底筛查、心电判读、患者风险预警和病历信息整理等环节。与此同时，大模型开始进入问诊记录生成、临床知识检索和决策支持场景。观察其落地进展，不能只看算法准确率，更要看产品能否通过监管审查、嵌入诊疗流程、持续稳定运行，并最终改善医疗质量与效率。
从“识别病灶”走向“支持临床决策”
早期医疗AI多以单一任务为主，例如在一组影像中标记疑似结节、出血点或骨折区域。这类产品输入和输出相对明确，容易开展性能验证，也更便于嵌入影像工作站。近年来，系统能力逐渐向多模态发展：除了分析影像，还可结合检验结果、生命体征和病历文本，帮助医生整理患者信息、提示风险因素或生成鉴别诊断线索。世界卫生组织将诊断与临床照护、患者自主使用、医疗文书、医学教育及科研列为大模型在健康领域的主要应用方向，同时强调错误、偏见和“自动化依赖”等风险，参见WHO相关指南说明。
这种变化意味着，AI的角色正在由“提供一个检测结果”转向“参与信息汇总和决策准备”。但临床决策涉及病史完整性、患者个体差异、治疗禁忌和医疗资源条件，不能简单依靠模型给出最终答案。因此，现阶段更现实的定位仍是辅助：系统负责发现异常、归纳资料与提供提醒，医生负责核验依据、结合患者情况作出判断并承担诊疗责任。
落地较快的仍是标准化程度高的场景
医学影像、心电和眼底筛查等领域具有数据结构相对统一、任务目标较明确、结果能够由专家复核等特点，因而更适合规模化部署。美国食品药品监督管理局持续维护AI医疗器械公开清单，并明确清单中的产品已经过相应上市前路径审查。该清单并非市场全部产品的完整统计，但能够反映AI功能正在通过既有医疗器械监管框架进入实际应用。
相比之下，覆盖多疾病、多科室的通用临床决策系统落地更慢。原因并非模型无法生成建议，而是医院需要解决电子病历接口、术语映射、数据缺失、访问权限和责任边界等问题。一个在测试集上表现良好的模型，进入不同医院后还可能受到设备型号、检查流程和患者构成变化的影响。由此可见，真正的竞争力不只是算法能力，还包括临床实施、系统集成和持续维护能力。
监管重点转向全生命周期管理
传统软件通常按照固定版本验证，而部分AI系统可能面临模型更新、数据分布漂移和性能衰减。监管机构因此更加关注产品从设计、训练、测试到上市后监测的完整链条。FDA在AI医疗器械相关材料中强调全产品生命周期管理，并关注透明度、偏倚控制和上市后性能监测，参见FDA指导文件说明。
国内监管也在逐步细化。人工智能医疗器械的技术评价不仅涉及软件功能，还包括数据来源、标注质量、算法性能、网络安全、人因设计和更新控制。北京市药监部门发布的人工智能医疗器械生产质量管理规范检查指南，已将数据处理人员职责、数据脱敏、测试集管理、算法开发环境及风险可追溯性纳入检查视野。这说明行业正在从“证明模型有效”转向“证明产品全过程可控”。
医院采购应从演示效果转向真实价值
医疗机构引入AI系统前，应先明确要解决的问题：是减少漏诊、缩短报告时间，还是提升基层筛查能力。若缺乏清晰目标，系统容易成为功能展示，而非生产工具。试点阶段至少应观察以下方面：
- 临床有效性：在本院患者和设备条件下，性能是否符合预期，并与现有诊疗流程进行对照。
- 工作流适配：医生是否需要反复切换系统，提示能否在合适时间出现，异常结果是否能够快速复核。
- 安全与合规：患者数据如何授权、脱敏、存储和访问，模型输出及人工修改是否完整留痕。
- 持续监测：上线后是否跟踪误报、漏报、医生采纳情况和版本变化，发现性能下降时能否及时停用或回滚。
- 成本收益：除采购费用外，还应计算接口改造、算力、培训、运维和临床验证成本。
生成式AI带来新机会，也放大旧风险
生成式AI能够快速整理长病历、生成出院记录初稿，并以自然语言解释医学知识，有望减轻部分文书负担。然而，它也可能生成看似合理却缺乏依据的内容。如果系统没有标明信息来源、置信程度和适用范围，医生可能在高压环境下忽略错误。WHO指出，健康领域大模型可能产生虚假、不准确、带偏见或不完整的信息，因此需要透明治理、专业人员参与和独立审计，参见WHO人工智能健康治理框架。
较稳妥的部署方式，是将生成式AI限制在可追溯的信息范围内：优先基于院内经过审核的知识库检索，明确区分原始病历、模型摘要和医生确认内容；高风险建议必须展示证据并由临床人员复核；系统还应保留提示词、模型版本、引用资料和修改记录，以便发生问题时追溯。
总结：落地进入“重验证、重治理”阶段
AI医疗诊断与临床决策系统已经跨过单纯概念验证阶段，但距离普遍替代临床判断仍很遥远。未来一段时间，最有可能持续扩大的并不是完全自主诊疗，而是边界清晰、便于复核、能够量化收益的人机协同应用。对医院而言，应以真实临床问题为起点，小范围验证后逐步扩大；对企业而言，应把数据治理、临床证据和上市后监测视为产品核心能力；对医生而言，则需要理解系统适用范围，既不过度排斥，也不盲目信任。只有让技术、流程、监管和责任机制同步成熟，AI才能从“可用的模型”真正转化为“可信的医疗工具”。
