从“鼓励探索”到“明确目标”:医疗AI进入新阶段

01

危机在前，AI在后

理解这场变革，必须先看清它要解决的是什么问题。

人口结构，是最直接的压力来源。2019年，中国60岁以上人口约2.54亿；预计到2040年，这一数字将增至约4.02亿，占总人口约28%。每三个人中，将有近一个老年人。老龄化带来的，不只是慢病负担，还有长期、重复、碎片化的医疗需求。

问题在于，医疗供给并没有同步跟上。以放射科为例，中国平均每7万人才拥有一名放射科医生，而这一比例在美国约为1:7K。基层的情况更严峻：全国95%的医疗机构是基层机构，每年承接超过95亿人次的诊疗量，却普遍缺乏标准化能力和训练有素的人员。更深一层的问题是"不均衡"。76%的优质医疗资源集中在少数发达地区，而占全国人口35%的农村地区，在医学研究资源中仅贡献了12%。

这会带来一个隐蔽但关键的后果——如果AI模型主要基于大城市医院数据训练，它在基层的表现可能并不可靠。《柳叶刀·公共卫生》在讨论中国公共卫生AI战略时明确指出：如果AI模型主要基于技术先进的城市医院数据训练，那么它在农村、偏远地区或少数民族人群中的适用性可能存在不足，反而可能加剧既有的健康不平等。很多人以为AI天然代表"普惠"，但在医疗领域，训练数据的不均衡，最终很可能变成服务结果的不均衡。

02

顶层设计与地方试点

正是在这种背景下，国家层面的战略部署规划，到2027年，中国将建立一批卫生健康行业高质量数据集和可信数据空间，形成专病专科垂直大模型和智能体应用；到2030年，全面整合AI辅助诊疗工具至基层医疗机构，同时二级及以上医院将在医学影像分析和临床决策支持方面全面应用AI技术。

在苏州，这种整合推进到了更精细的层面：苏州在全国首创建立"三医"共建的健康医疗数智创新实验室，已汇聚超1000亿条医疗、医保、医药数据，形成1200余万份动态电子健康档案。与此同时，苏州开发上线的"AI个人健康助手"通过分析居民历年体检报告生成个性化健康画像，"AI全科医生"则提供预问诊、辅助诊断、处方审核等功能，目前已在张家港全域试点，累计服务超500万人次。

北京、上海、浙江、合肥等地也相继启动各自的医疗AI试点方案。2026年，将是这场试验真正提速的关键之年。

03

AI正在做什么：三个真实切面

从实际落地来看，中国医疗AI已形成三个相对清晰的应用场景。

医学影像：最接近成熟的领域。这是目前商业化程度最高的方向。在肺结节、乳腺癌、中风识别等影像判读任务中，AI工具已能比肩甚至超越人类表现，有助于实现更早、更可靠的疾病发现。 对于医生严重短缺的体系而言，这是一种结构性补位，改变的不只是效率，还有"早筛能力"本身。

医保风控：低调但高价值。这是少被公众讨论、但实际价值极高的场景。国家医疗保障局已将AI数据处理用于识别医院的欺诈性保险报销申请——因为缺少足够的人手审查所有报销，而AI可以自动识别有问题的申请。 这不是"提升医疗水平"，而是在"修复系统漏洞"，规模上具有人力无法替代的优势。

基层诊疗：最被寄予厚望。苏州市卫生健康信息中心已部署大模型，将权威疾病分类、医学指南等共识文件整合进系统，对原本需要大量人工标注的医疗数据进行智能"清洗"，大幅提高数据精准度和规范性。 苏州的远期目标，是借助AI构建县域医联体智能中枢，将三甲医院的诊疗能力下沉至基层，打通电子病历、影像组学、基因组学等多维度数据。 

短期看，这些模式显著提升了服务能力；但长期看，它们依赖一个前提——数据质量足够可靠。而这个前提，在许多地区仍然不成立。

04

结语：一场尚未完成的实验

中国为这场变革设定了清晰路径：基础设施建设、试点推广、数据库整合、2030年全面落地。技术层面的进展有目共睹。

但真正的挑战，从来不在"能不能做出来"，而在于"能不能长期、安全地运转"。

当AI辅助决策与医生临床判断产生冲突时，现行医疗责任框架难以有效处理相关的责任归属问题。 中国法律不承认AI具有独立法律人格，最终责任落在使用者身上——但开发商、医院、主治医生三方之间，责任的边界仍然模糊。当一次错误不可避免地发生，我们追责算法、医生，还是整个系统？这个问题，目前还没有答案。

一款被春晚带火的健康App，只是露出水面的一角。水面之下，是中国医疗体系在老龄化、基层短缺和资源不均衡的多重压力下，正把AI从工具试验推成一场制度化改造。这场改造当然有流量、有资本、有技术想象。