大廠“卷”智慧醫療生意，需要怎樣的破局者

作者 | 曾響鈴

文 | 響鈴說

走進醫院，智慧醫療早變了模樣，以往是智能終端設備遍布每一個角落，現在，AI把從掛號到繳費再到開藥、做手術的每一個環節都重塑了一遍。

但商業化走向規模化背后，這并非都是完美的。

智慧醫療有了人工智能加持后，新的問題隨之產生，效率夠不夠，準確率如何，又有多少基層醫院能普及？

由此導致的痛苦場景圍繞著醫生，這樣的痛苦還每天在全國數千家醫療機構上演，反過來講，在一線城市三甲醫院，醫生們則被堆積如山的病歷和檢查報告淹沒，即便加班加點，仍難避免診斷效率與精準度的矛盾。

以往，醫療行業的老大難毛病是，“看病難、診斷慢”的困局，現實中有的AI醫療系統在實驗室準確率超95%，到了臨床卻頻頻失靈；有的基層醫院買了昂貴的智能設備，最終因不會用、用不起淪為“擺設”。

盡管新一輪智慧醫療的紅利已清晰可見，落地“最后一公里”的梗阻卻讓行業陷入“熱鬧卻不賺錢”的尷尬。在大廠紛紛扎堆布局的智慧生意里，其實行業需要破局者。

業內從不乏挑戰者，東軟便是例子。

01 AI醫療紅利點來臨

幾年前，業內談及醫療的產業化水平，常用的高頻詞匯是數字化。這個拐點催生了很多新的惠及患者與醫生的產品，比如更加清晰的醫療影像設備，更加快捷的掛號終端……

只是三年前人工智能大模型的爆發，又推動醫療行業從數字化轉向了智能化，由此帶來的需求端的迫切、政策端的推動、技術端的成熟，看上去正形成三重紅利疊加，讓智慧醫療迎來真正的產業爆發期。

從需求端看，醫療資源的“供需錯配”為AI提供了廣闊空間?！段磥磲t生白皮書（2024）》顯示，中國臨床醫護人員在AI技術采納上還有三分之二的缺口，臨床中肺部結節、糖尿病視網膜病變等慢性病篩查需求尤為旺盛。

加之相關部門明確提出，加快醫療信息化建設，推動AI輔助診斷、智能質控等技術在各級醫療機構應用，2024年《關于進一步完善醫療衛生服務體系的意見》將“智慧醫療”納入重點任務，一些省份和醫院的落地先行，讓AI醫療從“野蠻生長”走向“有序發展”。

技術端的成熟性則讓紅利有了實現基礎。例如，大模型在醫療領域的應用已從單一場景走向全流程覆蓋，在診斷環節，AI影像識別準確率持續提升，比如一些企業研發的肺部CT AI輔助診斷系統，對直徑≥5mm結節的檢出率達98.3%，超過行業平均水平；在病歷處理環節，自然語言處理（NLP）技術可自動將醫生的口述病歷轉化為結構化文本，誤差率得到了很好地控制。

整個醫療行業的紅利的本質，大概率是醫療行業降本增效、提質擴面的必然需求，與AI技術規?；?、精準化能力的深度契合。

但熱鬧背后，行業仍需清醒，僅僅是紅利并不會自動轉化為價值，只有解決大模型落地的現實困擾，才能真正抓住機遇。

02 大模型下的醫療困擾

在大廠們紛紛亮出“醫療大模型”的技術參數時，一線醫療機構卻面臨著用不上、用不好、不敢用”的困境。

因為如果要讓AI充分作用，算力不足、數據孤島、落地脫節的困擾則是現實的煩擾，即便有了人工智能賦能醫生的美好愿景，一切終歸要落到臨床層面，這之間隔著一道難以逾越的鴻溝。

算力供需的失衡是首要難題。

醫療AI對算力的需求遠超普通行業，一次大型醫院的病理切片AI訓練，需處理百萬級像素的圖像數據，消耗的算力相當于訓練普通NLP模型的多倍，基層醫院的“碎片化需求”又加劇了算力浪費，舉個例子，比如縣醫院的AI系統每天僅在工作使用，其余時間算力處于閑置狀態，而相鄰醫院卻因算力不足無法部署同款系統。

此外，三甲醫院需要大集群算力支撐復雜模型訓練，而基層醫院更需要“輕量化算力”滿足日常診斷，客觀而言，醫療行業的確存在差異化需求，普通的智慧醫療解決方案和單一的算力供給模式難以適配。

國家超級計算濟南中心主任王英龍曾說，“目前，各大醫院都在部署大模型，大模型運行需要的算力非常大，醫院自建算力不現實，就需要超算支持。另外，醫院對算力的需求有特殊性，比如說數據的隱私問題、數據的保密問題等?！?/p>

如果仔細探討數據安全與流通的矛盾，它可能制約著模型迭代《中華人民共和國數據安全法》《中華人民共和國個人信息保護法》明確要求醫療數據不得隨意出境、流轉，缺乏專業敬畏或者的普通智慧醫療方案大多會存在孤島訓練數據質量低、泛化能力差的弱點。

落地場景的環節大模型智慧醫療通常情況下需要適配普惠性特征，其邏輯在于，基層醫院的設備水平、醫生的操作習慣、患者的配合程度，這些非技術因素恰恰決定了AI能否落地。即便是最優秀的AI輔助方案，它得適應醫院的設備，符合醫生的操作流程，解決患者的痛點。

總結下來，智慧醫療險符合醫學規律，也要適配臨床場景。在這樣的困局下，真正懂醫療、扎根場景的企業，開始展現出破局的可能東軟的探索便是典型樣本。

03 東軟如何定義新版智慧醫療

在大廠比拼模型參數，東軟相對而言把智慧醫療定義為全鏈路解決方案。也就是說，它試圖構建一個端到端的商業化解決方案。

2025年9月，東軟在首屆醫學人工智能大會上發布的添翼醫療健康智能化解決方案2.0（以下簡稱“添翼2.0”），外界認為它是“場景深耕+技術適配+生態開放”破局邏輯的集大成者。

這套新的智慧醫療解決方案關注落地層面。據悉，添翼2.0聚焦于智慧醫療、智慧服務、智慧管理、智慧基層、智慧衛健及城市級健康醫療數據空間六大核心場景，實現能力跨機構開放，驅動城市級普惠醫療。

在綜合性醫院場景方面，武漢大學中南醫院上線添翼2.0的醫事服務、病歷服務賦能體后，全院日均能自動完成3500～4000份病歷內涵質控，單一科室日均生成約500份出院小結，醫生采納率達70%～80%，改變了以往人工質控效率低、易出錯的困境。

中國醫科大學附屬盛京醫院則通過其全量數據中心，通過降低醫療單位的算力成本，匯聚210萬+住院病歷、3700萬+門診病歷，為臨床科研提供了堅實的數據支撐，醫事服務賦能體還減少了醫生單次查詢的3次系統點擊，讓AI真正融入診療全流程。

不過，在基層醫療場景，添翼2.0的適配性更顯價值，它需要解決業內此前大多智慧醫療解決方案因為成本等各種因素而無法實現普惠的難題。

南京市雨花臺區衛生健康委落地其智慧基層系統后，累計服務門診患者約1.4萬人次，觸發智能診斷推薦超2萬次，依托千余項質控規則月均完成超300份病案質控，讓基層醫生在AI輔助下實現“診療更規范、轉診更精準”。

東軟醫療CEO武少杰曾說：“既讓老百姓用得上、用得起、用得方便醫療產品?！碧硪?.0的場景落地邏輯，大概率是對這一理念的精準踐行。

回到大模型下的AI醫療痛點本身，始終還是需要以數據模型為突破打通核心梗阻。添翼2.0并未追求參數極致，而是針對醫療AI的核心痛點，數據孤島與模型不可信，打造了“數據基座+智能引擎”的雙重支撐，用技術適配性破解落地梗阻。

在數據治理層面，添翼2.0依托東軟醫療數據價值化與“融智”智能化雙框架，服務4800+家醫院，觸達8萬+家基層醫療衛生機構，構建30+個省市全民健康信息化平臺，規?；臄祿脤τ跋?、病歷等多源異構數據進行深度清洗與標準化有很大優勢。

在模型構建層面，添翼2.0創新采用“1個醫學領域大模型+N個專項小模型”的集群策略：大模型保障知識廣度，覆蓋共性醫療需求；專項小模型聚焦肺癌、胃癌等細分領域，追求精準度與可解釋性，技術適配的邏輯，恰是對醫療行業特性的敬畏：醫療AI不需要“最先進的參數”，而需要“最可靠的支撐”。添翼2.0用數據治理與可信模型的雙重突破，回答了“如何讓AI在臨床站穩腳跟”的難題。

公開資料顯示，在外部合作上，添翼2.0構建了“技術+臨床”的雙重協同網絡，公司攜手華為聯合發布“東軟&華為臨床醫生助手一體機解決方案”，同時，東軟集團多款AI+醫療產品完成并通過華為昇騰技術認證；

臨床端，與中國醫科大學附屬盛京醫院、武漢大學中南醫院等頂尖機構深度合作，將臨床需求直接納入方案迭代，確保技術創新不脫離實際。

回過頭來看，智慧醫療的確需要更低成本、更高效率、更有普惠的發展方向，這也就回歸到了醫療本身的定位，尊重臨床流程，尊重數據安全，適配基層需求。

倘若從這個角度看，東軟添翼2.0算得上是一個典型的進步。

*本文圖片均來源于網絡