文 | vb 动脉网
当各行各业因为经济周期的压力而出现回调时，医疗 AI 行业在尚未突破规模化盈利的情况下，仍维持着高增速发展。最新市场调研数据显示，2024 年中国解决方案市场共计 164 亿元，预期于 2030 年扩大至 353 亿元，CAGR13.63%。
庞大且增长的市场不仅吸引了更多创业者，亦将带动大量医生进入 AI 的科学研究与产品研发，当前的医疗 AI 已不是某个单一学科的造物，而是计算机、工业、医学等学科的深度融合。
聚焦 2025 年，医疗 AI 最显著的变化可归纳于两个要点：大模型的突破式演变与医疗机构的规模化参与。
2025 年年初 DeepSeek 发布的 DeepSeek-R1 为大模型产业带来。参数高效微调 （PEFT）、混合专家架构 （MoE） 等创新设计支持下，DeepSeek 成功降低了大模型的入场门槛，让医院管理者们开始主动部署基础设施。
动脉智库统计数据显示：截至 2025 年 5 月，第三方榜单中国内排名前 100 的医院已全部完善大模型部署，有 38 家医院在通用模型的基础上进一步展开研发，打造出 55 个符合自身需求的垂直医疗模型，其中 22 个为专科模型。
同时，医生对于大模型的实操热情也远超传统 AI。当深圳市卫健委开始限制医院自行算力采购 （算力集中采购，避免单个医院过量采购造成算力浪费），医院不愿意数据出院时，部分医生仍通过申请科研的方式绕过政策算力采购，坚持借助大模型进行临床科研探索。
2025 年上半年医院参与开发的专科大模型 （资料来源：公开信息）
需要注意的是，非 Transformer 架构 AI 同样在临床中的应用愈发深入。过去它们集中落地于医技科、信息科等科室，赋能问诊、检查、随访环节，近年来手术机器人的崛起后，大量应用开始出现在治疗场景。
公开资料显示，胸外科、神经外科、心内科、骨科等涉及手术的科室均已有大量辅助治疗型 AI 可供选择。本次调研中，超过 90% 使用过相关 AI 的医生都给予了正向反馈，证实 AI 能够提升手术精准度，显著降低并发症发生概率。
人工智能在医疗领域细分场景应用全景 （资料来源：动脉智库）
政策方面的推进力度也在逐步加大。《关于优化全生命周期监管支持高端医疗器械创新发展的举措 （征求意见稿）》，公开征求多病种 AI、大模型等新兴技术准入方式的意见，先行一步为大模型的发展树立道标。
《关于促进和规范“ 人工智能+医疗卫生” 应用发展的实施意见》 则提出 24 个重点应用建设方向，要求到 2027 年建立一批卫生健康行业高质量数据集和可信数据空间，形成一批临床专病专科垂直大模型和智能体应用，基层诊疗智能辅助、临床专科专病诊疗智能辅助决策和患者就诊智能服务在医疗卫生机构广泛应用，基本建成一批医疗卫生领域国家人工智能应用中试基地，打造更多高价值应用场景，带动健康产业高质量发展。以上政策的出台进一步明晰了医疗 AI 的发展路径。
总的来说，现阶段的医疗 AI 享受到了资本、政策、医生协同的红利，可在至少 3 年内为医疗 AI 高速发展提供充足动力。但要将这些资源转化为源源不断的价值，医疗 AI 还需进一步压低研发成本，解决好医疗 AI 的“ 价值分歧”，在商业模式/支付方上进行创新。
价值分歧深陷：难以平衡的患者疗效与科室效益
尽管 AI 在多方协力之下发展迅速，作为独立产品形态出现的 AI 器械/软件始终难以在商业化破局。归根结底，医疗 AI 在不同部署环境产生的价值不一致，医院很难精准核算效益，一定程度上阻碍了医疗 AI 的商业化。
此外，应用 AI 产生的诊疗效益未必能转化为医院价值。大多数情况下，只有在符合管理者利益的情况下才会配置 AI，因而部分服务于医生、患者的智能应用可能会在采购中被忽视。
■ 短期：医院和医生利益大部分不一致
考虑科室容量 （态度中立，下同）：出现患者排队时 （主要出现在影像科），对于单一环节的优化理论上能够对整体带来效率提升，帮助医生收治更多患者；未出现排队时，科室引入 AI 后，患者数量不会变化，医生工作更轻松，但 AI 对于医生效率的提升不会在短期内带来效益。
考虑应用功能 （反向）：医院以评级为目的采购 AI，可能忽视应用能力、互操作性等因素，而这些因素与医生的使用体验紧密相关。
考虑模型自主学习 （反向）：医院希望医生能够整理诊疗过程中产生的数据，实现院内的模型的自主学习；将自身能力给予 AI 不符合医生短期利益，部分医生反感借助自身数据训练模型。
■ 长期：医院和医生利益大部分一致
科室方面 （一致），更好的手术质量将为医院带来更多的名望，吸引更多患者前往治疗，可能同时提升科室效益与医生收入。
科研方面 （一致）：AI 节约下来的时间推进医生进行更多科教工作，可提升医生个人影响力及医院整体科研实力。
自主学习 （中立）：模型学习医生习惯后可在医生再次使用时进行个性化设置 （尤其是在手术操作方面），同时提高手术效益及手术效率，进而转化为科室效益。但对于资深医生而言，将自己积累的经验无偿整合成 AI 能力，提升了科室能力，却降低了自身竞争力，不符合资深医生利益，因而部分医生不愿将其相关数据用作 AI 模型训练。
考虑成本 （反向）：AI 的规模化使用可能降低医院对医生数量的需求，对医生工资或岗位进行降裁。
■ 患者方面：患者与科室利益可能不一致
患者体验 （一致）：AI 可对疗效与手术进行优化，为患者带来更好的预后，在 DRG 支付下提升结余，进而提升医生及科室收入。
患者支付 （反向）：部分流程优化降低了患者的治疗时间及治疗花费，但可能因为改变了编码、减少了科室协助而降低了科室收入。
从上述分析可以看出，配置 AI 后的短期时间中医院和医生大部分情况下利益不一致，短期部署利于医生不利于医院，且投资回收期难以估量。在当前经济环境下医院普遍现金流紧张，管理者倾向于控制风险，投资回收期短的创新技术，因而能够接受 AI 落地，但难以为其支付费用。
至于长期效益，实际调研结果：2020 年—2021 年开始在临床科室部署专科 AI 的医院，已有部分实现了科室效率、就诊人数的双向提升，医生诊疗流程与 AI 应用深度融合。
不过，不同科室短期、长期内的效益计量各不相同，受宏观政策、医院硬件、管理者观念、AI 能力界限、AI 支付方等因素影响较大，需要独立考察。在本报告中，我们将深入胸外科、心内科、神经外科、放疗科等科室，逐一分析具体临床环境下的 AI 应用与商业化进展，找到化解医疗 AI 商业化难题的新思路。
科室分析：胸外科
作为三级医院患者诊疗量偏大，临床压力及工作强度偏高的科室，胸外科天然存在医疗 AI 的需求，用以提升科室运行效率与诊疗，降低医生日常过程中的冗余诊疗。
同时，胸外科诊疗过程中产生的数据易于标准化，尤其是在肺外科中，CT、DR 等肺部影像数据非常适合于深度学习训练，因而成为医疗 AI 最早赋能的场景之一。
胸外科门诊情况及人工智能分布 （资料来源：调研访谈）
调研显示，国内三级医院胸外科使用频率较高的 AI 集中于辅助诊断、辅助穿刺、手术规划、术中导航方面，尤其以肺外科最为成熟。
诊断阶段，基于低于 100 层 CT 影像样本的人机对照实验，医生独立判别肺结节需要耗时 5～10 分钟，在人机协作模式下耗时为 1.6～2.2 分钟，理论上可缩短 2.8～8.4 分钟，效率提升范围为 56%～84%。当 CT 层数增加，效率提升比率还有进一步增长的空间。
以东北某三甲医院为例，该院肺外科医生每日需从头至尾翻阅 60 组患者影像，阅片速度慢且容易漏诊。AI 赋能后，平均每日会筛出数个需要特别关注的影像 （该医院通常为 5—6 个），部分医生详看标注影像，略看非标注影像，提升整体诊断效率约 73%。该系统上线约 4 年时间，加上术中 AI 的赋能，该科室门诊量已提升约 40%。
手术阶段，AI 价值创造主要体现在复杂手术规划与穿刺角度指导。复杂手术规划方面，年轻医生在处理风险较大的病灶 （如贴近血管的病灶） 时容易发生失误，AI 可以对穿刺路径进行优化，降低医生的穿刺风险。穿刺角度方面，医生要在立体人体中，精准复刻二维影像上的 “ 虚拟角度”，还要应对呼吸、体位等动态干扰，很难快速找到有效的穿刺角度，AI 可以帮助医生实时判断穿刺角度是否符合手术要求。
AI 穿刺的价值资料来源：公开信息、调研访谈
在 AI+穿刺中，某三甲医院数据显示：使用 AI 赋能的机器人组在调整不超过 2 次的定位成功率 （76.5% vs. 25.0%）、穿刺平均调整次数 （1.62±1.71 次 vs. 4.39±3.69 次）、患者接受的 CT 扫描次数 （5.47±2.59 次 vs. 8.39±4.69 次） 方面均显著优于传统人工穿刺方式组。
三维重建方面，哈尔滨医科大学附属第一医院引入 AI 实现精准肺段切除后，患者的 3 年生存率提升了约 20%，并发症显著减少 （顽固性咳嗽下降约 40%、疼痛下降约 20%、并发症下降约 30%）。住院时间方面，该院引入 AI 前平均住院日为 12 天，现如今为 5 天，提升效率约 58.3%。
理论上讲，胸外科 AI 的商业价值取决于其为科室带来的经济价值。目前胸外科 AI 表现分为三种模式：增效、提质、优化流程。其中，增效主要为科室带来价值，提质主要为患者带来价值，优化流程部分情况下为医生带来价值，部分情况下为患者带来价值。
在科室实际诊疗成本低于该 DRG 组付费标准的前提下，提效模式对科室收益有一定影响，但影响幅度有限。这是因为科室经营效率提升在核心逻辑上符合木桶原理，即效率提升的上限由最薄弱的环节决定。即便问诊、手术环节能够提升超过 50%，但术前检查过长、医生排班不合理等情况都会影响最终效率的实现。
提质模式对于患者价值提升比较明显，对于科室价值的提升视情况而定。当科室床位处于饱和状态时且诊疗成本低于该 DRG 组付费标准时，将平均住院日缩短能够增加科室获得的医保支付结余。但若床位有空余，AI 的赋能仅能通过降低单病例成本 （减少并发症，降低再入院率） 获得更多结余，存在价值但较为有限。
优化流程模式相较于前两种模式常会因为具备极大的患者价值而实现更高综合价值 （患者价值+科室价值），但可能不利于 DRG 下的科室绩效考核。
以后纵隔的神经纤维瘤为例，传统路径下胸外科医生会做胸部增强 CT，明确肿瘤位置、大小、与血管 （如主动脉、奇静脉）、气管及椎间孔的关系。但若肿瘤入侵了椎间孔，则需加做胸部 MRI，联合神经外科评估风险，患者总花费约 5 万元。
AI 三维重建技术成熟后，部分 AI 能够借助 CT 影像重建重要神经，直接判断切除风险。由于没有神经外科参与，患者总花费下降，诊断流程随之缩短。但在 DRG 下，传统诊疗路径涉及两个术式，能够分成两个部分报销，而新流程仅涉及一台手术，报销费用减少。
此形势下，新流程有利于患者利益但不利于科室利益，相关 AI 在短期内难以实现它的价值，一定程度削减了它的商业价值。但在长期之中，相关 AI 仍然保留价值质变的可能，这一可能将与 DRG 的支付规则变化紧密联系。
数据资产化：暗藏医疗 AI 可持续增长的破局路径
从医疗 AI 在临床专科与临床支撑两个部分的应用来看，医疗 AI 能够发挥一定价值，但这些价值绝大部分不足以说服支付方进行支付。那么，在未来一段时间中，医疗 AI 仍需探索更多路径，更深入地应用于临床，探索那些能够更直观改善患者检查、手术受益的应用场景。
不过，更深入的探索意味着更高昂的成本，如果要维持医疗 AI 的可持续发展，行业必须探索出更优的研发路径，有效控制支出，以更低的成本产出更高效的 AI。此外，压低成本还能进一步影响售价，进而在更多医疗场景中打开销售空间。
在 2023 年前，“ 数据治理” 作为研发 AI 的硬性成本，我们很难在这一环节中谈“ 降本”。但在国家数据局成立后，数据的“ 生产要素” 这一身份开始发挥作用，变局从这里开始。
当前阶段，“ 数据” 要素对 AI 发展的影响较算力、算法更直接、更深远。它不仅取决于企业对于该要素的投入；企业、医疗机构、研究机构的数据治理速度，还取决于医疗健康数据相关伦理的探索，即研发者对于医疗健康数据的使用方式。
如果能够提升数据治理效率，压缩优质数据集制作成本，实现优质数据的多重复用，医疗 AI 产业的应用范畴及算法本身的鲁棒性都能实现大幅提高。
数据集建设难点资料来源：调研访谈、东软医疗
2020 年 4 月，国务院发布 《关于构建更加完善的要素市场化配置体制机制的意见》，正式将数据确立为第五大生产要素，明确提出“ 健全数据要素流通规则”。2023 年国家数据局的成立后“ 数据资产化” 提速，医疗健康数据从此真正意义上开启探索。
围绕健康数据资产化展开的数据复用路径很多，这里重点围绕场内交易与可信数据空间展开。
医疗数据的场内交易是国家公允的数据流通方式。高效数据流通的前提在于具备丰富的供应商和充足的需求。现阶段需求充沛，但供应商有所不足。
将原始数据转变为可供交易的医疗健康数据标的，供给方通常需要完成收集数据、治理数据、律所评估、确立资产、平台交易五个环节，治理数据、律所评估、确立资产三个部分共同组成了数据资产的生产成本。
1. 数据清洗环节。机构在建立数据资产前需确立数据集的内容，找到原始数据及对原始数据进行清洗。以影像数据资产为例，三甲医院医生标准一张胸部 CT 的成本大概为 50 元-60 元/张。包含 1000 例患者的数据集，对应数据治理的成本为 5 万—6 万元。
2. 完成数据治理后，下一步供给方需要请律师事务所进行合规评估，保证数据资产的来源符合法律要求。各个律所的收费标准近似，费用与数据内容无关，仅按体量、次数计量。一般而言，单次数字资产评估的费用在 5 万—6 万元浮动。
3. 资产确权，数据供给方需要找到交易所进行资产确权，出具一份用于公示和交易的数据资产证书。这一步骤相较前面要便宜些，不同交易所收费不同，但都限定在数千元内。
三个环节成本综合约在 10 万元左右，对于部分机构 （尤其是医疗机构） 而言，在单个医疗健康数据资产交易次数的情况下，数据资产生产的成本可能超过数据交易收益，还需承担数据相关风险，因而短期内销量受限，致使医疗数据资产供给稀缺。
部分信息科医生表示：现阶段的数据交易为医院带来的收益不足以让医院冒这么大的风险。因此，目前大多数医院仍处于观望状态，有待医疗数据交易市场进一步发展。
部分上架线上交易所的健康数据交易标的 （资料来源：公开信息，统计截至 2025 年 7 月 10 日，非完全统计）
可信数据空间是一种基于共识规则的数据流通利用基础设施，旨在联接多方主体，实现数据资源的共享共用。相较于区块链、隐私计算等技术，它的突破在于构建了一个内涵数据共享信任机制的特殊空间，为不同主体、行业和区域营造安全可信的数据流通环境，推动数据有序流动。
具体而言，可信数据空间可保障数据资源接入、使用、溯源全过程的“ 可信” 能力，通过对接入主体、数据、产品及服务、技术组件等进行严格的接入认证，确保空间内主体身份可信、数据可用、产品与服务安全可靠。同时，借助数字合约与使用控制策略，对数据流通使用全过程行为实施实时管控，切实保障各方的数据权益。
在医疗健康领域，这一技术的价值在于帮助医疗机构、药企、保险、科研机构等各方能够在遵循共同规则的基础上，安全地共享患者诊疗数据、临床研究数据等各类医疗数据，打破数据孤岛，促进医疗数据的深度整合与利用。
医保行业的可信数据空间 （数据来源：公开信息，江苏省数据集团）
医疗健康数据交易市场未成规模前，可信数据空间可以承担小规模的数据交易，推进空间建设主体的数据复用。
总的来说，可信数据空间领域已有积极的探索和实践，但整体发展尚处于起步阶段，特别是“ 大模型+数据空间” 的结合，因技术复杂度高和成本约束，相关应用案例较为稀缺。要真正推动可信数据空间的健康发展，还需要形成统一技术路线和标准体系，并解决大模型与数据空间技术结合的问题，推动安全、高效、公平的数据流通环境建设。
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App