夜雨聆风这两年，只要聊医疗 AI ，“落地”两个字就绕不开。
院士在谈，政策在推，医院在建平台，企业在卷模型。听起来，医学 AI 好像已经从论文图表走进了诊室。
但对一个新晋的青年 PI 来说，问题会立刻变得很现实。
我手里只有一个科室的合作资源，几十万到一两百万的基金预算，三四个学生，可能还要自己去跑伦理、谈数据、盯标注。那我到底能做什么？
总不能在申请书里写一句“构建面向基层的医疗大模型平台”就完事。
这太虚了。
更准确的问题应该是：当院士和政策都在谈医疗 AI 落地时，青椒能不能从这个大系统里，切出一个可申请、可验证、可发表的小问题。
不是复刻平台，而是找到断点。
01 / 大方向已经很清楚，但它不是一个课题
2025 年 11 月，国家卫健委等部门发布《关于促进和规范“人工智能+医疗卫生”应用发展的实施意见》。
文件里给了很具体的路线：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、患者就诊智能服务要在医疗卫生机构广泛应用；到 2030 年，基层诊疗智能辅助应用基本实现全覆盖，二级以上医院普遍开展医学影像智能辅助诊断、临床诊疗智能辅助决策等应用。
这一段很大。大到它不是青年基金题目，也不是一篇论文能接住的东西。
蔡秀军院士在两会期间谈 AI 医疗时，强调的是从“可用”走向“普惠”，背后牵涉基层诊疗网络、区域协同、平台建设和医疗资源再分配。杨正林院士也提到， AI 更像医生的参谋和助手，不是替医生做最终判断。
这些判断都不空。
但青椒如果直接把它们搬进申请书，就会变成另一种空。因为评审真正要看的不是你会不会引用宏观方向，而是你有没有把宏观方向拆成一个科学问题。
换句话说，政策说的是道路。课题要写的是路面上一块会绊脚的石头。
02 / 目前的基层 AI 是研究医生什么时候不信它
“AI 下基层”是一个很容易被写虚的方向。
很多申请书会这么写：基层医疗资源不足，人工智能可以提高诊疗效率，所以本项目拟构建某某疾病智能辅助诊疗系统....等等等等
看起来没错，但它顺到像一段模板。
因为这种写法它把最难的那一段藏起来了：基层医生为什么要打开它，为什么要相信它，出了错又该谁来接住。
基层真正复杂的地方，是医生在什么情况下愿意看它、信它、改它、拒绝它。尤其在常见病、多发病、慢病管理、影像初筛这些场景里，模型结果不可能悬在屏幕上自说自话。它一定要进入一个人和人的流程：基层医生看，患者问，上级医院会诊，平台留痕，责任还要能说清。
所以青椒能切的题，不是“做一个基层 AI 系统”，而是更窄的问题：
■AI 建议和基层医生判断不一致时，医生如何决策？
■哪些提示方式会让医生过度依赖模型？
■远程会诊里， AI 结果放在会诊前、会诊中、会诊后，效果是否不同？
■模型给出的不是诊断，而是转诊优先级，会不会更适合基层？
■医生拒绝 AI 建议的案例，能不能反过来训练系统的边界？
这些问题，它们有对象，有变量，有场景，有终点。你可以设计问卷，可以做模拟病例实验，可以做前后对照，也可以做小规模真实世界观察。
甚至“拒绝”本身就是一个好终点。
医学 AI 研究里，大家太喜欢研究模型什么时候对。可临床落地时，更应该研究模型什么时候不该被信。这个角度一点都不小，它关系到人机协作的安全边界。
03 / 高质量数据集，可能比“再训练一个模型”更适合青椒
国家卫健委文件把高质量数据集、可信数据空间、临床专病模型放在同一条线上，这不是巧合。没有数据定义，模型就是湿地上盖楼。看着起来了，踩一脚就陷。
刘云委员在两会相关建议中也提到，要建设医学人工智能高质量数据集，推动智能医学工程和人才评价。这个信号对青椒很重要。
大团队卷基础模型，小团队未必卷得过。
但小团队可以卷数据。
别小看这件事。医学 AI 里很多失败，并不是算法太弱，而是数据说明太薄。一个临床变量在 A 医院叫“入院首次肌酐”，在 B 医院可能混着急诊、住院、术前检查；一个影像标签写“阳性”，背后可能是影像科医生、临床医生、病理结果三套标准；一个随访终点写“复发”，时间窗口和判定依据不清，模型训练出来就会发飘。
糟糕的是，这些坑在论文里常常不难看。表格很整齐，流程图很完整，模型分数也不低。真正让人不踏实的地方，是复现者照着做一遍，才发现最关键的定义根本没写清。
数据瘦，模型会装胖。
青椒能做的课题可以很具体：
■某类医学影像数据集的标注一致性和失败案例库建设；
■某个临床预测任务中，关键变量在真实病历系统里的可获得性分析；
■多中心数据字典对齐方法，不只对齐字段名，还要对齐采集时点；
■病理或内镜 AI 中，低质量样本、边界病例、阴性难例的体系化收集；
■面向复现的数据集说明书模板，包含纳排标准、标签来源、缺失机制、版本记录。
这不是“数据整理”那么低级，这些问题足够方法学，也足够临床。只要设计得好，它能支撑一篇方法论文，也能支撑基金里“研究基础”和“可行性”的底盘。
04 / 国自然不需要你喊“大模型”，它需要你说清科学问题
2026 年国自然申请通告里，有一个细节很值得看：申请人不得直接使用生成式人工智能生成申请书，不得将未经核实的 AI 生成内容作为依据；如果使用了生成式 AI 辅助，需要在申请书里如实说明。
它提醒我们， AI 已经不只是研究对象，也进入了科研生产过程。评审会更敏感：你是在研究问题，还是在堆概念？你写的“智能体”“大模型”“可信数据空间”，有没有被自己消化过？
国自然的“可解释、可通用的下一代人工智能方法”重大研究计划[2]也给了一个方向感。它关心的是可解释、可通用、鲁棒、减少数据依赖这些基础问题。
医学 AI 青椒可以借这个问题意识，但别硬蹭。
有一类申请书，前面写国家需求，后面写模型结构，中间没有临床矛盾。评审很难判断：这个项目失败了以后，我们到底能多知道什么？
比如，不要写：
“本项目拟构建某疾病医疗大模型，提高诊断准确率。”
这句话太像包装。
可以换成：
“本项目拟研究跨中心影像协议差异对某疾病模型校准稳定性的影响，并建立面向临床阈值选择的可解释验证框架。”
或者，把“智能体辅助诊疗”拆成一个小问题：智能体在生成病历摘要时，哪些信息缺失会改变医生的诊疗路径？再或者，把“可解释性”落到医生能不能用：解释图能否帮助医生发现模型错误，还是只是在论文里好看？
好课题不怕小，怕的是没有摩擦感。
05 / 中试基地提示的不是“赶紧转化”，而是论文终点该换了
中试基地这件事也值得青椒看，但不要看歪。
上海人工智能实验室发布的医疗领域阶段性成果里，提到多模态医疗大模型、医疗智能体、 MedBench 评测平台等内容。北京国家人工智能应用中试基地医疗领域也在推进高质量数据集、关键技术攻关、临床验证和应用推广闭环。
这类新闻很容易被写成一句“产学研协同加速转化”。
算了，别这么写。
真正有用的启发是：医学 AI 论文的终点，不能永远停在 AUC 、 Dice 、 F1 。它要慢慢转向工作流终点。
医生阅读时间有没有减少？报告生成后，医生改动了多少？AI 建议有没有改变转诊路径？质控系统发现的问题，医生是否真的处理了？模型报警后，护士和医生的响应链条有没有变短？基层医生使用 AI 后，是更敢转诊，还是更不敢决策？
AUC 是论文里很干净的数字，工作流终点却总会有排班、设备、医生习惯、患者流量、医保流程，都会混进来，这才更接近落地。
青椒如果能把一个小工作流终点讲清楚，反而比再报一个漂亮性能指标更有价值。
不然很容易出现一种尴尬：论文说模型有效，医生说流程更乱；系统说已经部署，护士说报警太吵；项目书说服务基层，基层医生说我根本没时间点开。
06 / 一张青椒选题筛选表
这篇文章可以落到很朴素的几个问题。
第一，我有没有真实临床节点，而不是只有公开数据集？
公开数据集能做方法探索，但基金申请里最好能说明未来嵌入哪里。门诊初筛、住院风险预警、影像报告质控、病理复核、随访管理，每个节点对应的研究设计都不一样。
第二， AI 结果由谁看、谁复核、谁负责？
如果这个问题说不清，说明课题还停留在模型层。临床落地研究一定要有人。没有人，只有分数。
第三，我能不能拿到失败、拒绝和分歧案例？
只拿成功案例，文章会很顺。太顺就危险。真正能长出方法学的问题，藏在模型错、医生不信、两个中心意见不一致的时候。
第四，它能不能写成科学问题，而不是产品功能？
“开发一个系统”不是科学问题。“在多中心数据漂移下，某类解释方法能否稳定提示模型错误来源”才更接近科学问题。
如果这一步没想明白，后面写得越热闹，风险越大。这些问题心里有底了，能拦住很多虚胖的题。
07 / 青椒不用装成平台方
医学 AI 青椒最危险的不是题太小，而是假装自己在做一个超大系统。
申请书里写“构建全流程智能诊疗平台”，可真实资源只有一个科室、一个回顾性队列、两个学生和半年标注时间。评审看得出来。同行也看得出来。
小不是问题。
小而准，才是问题意识。
如果你能把“基层辅助诊疗”拆成医生何时采纳 AI 建议，把“高质量数据集”拆成标签一致性和失败案例库，把“医疗大模型”拆成可解释、可验证、可复核的临床节点，把“中试基地”拆成工作流终点，那么这个课题就不再是蹭热点。
它开始有自己的骨头。
院士谈的是方向，政策给的是场域，基地搭的是基础设施。青椒真正能做的，是在这些大结构里面，找到一个别人还没认真测过的小断点。
然后把它测出来。
至于你手里的那个临床节点，能不能撑住这五问？
这才是选题开始的地方。
[1] 《关于促进和规范“人工智能+医疗卫生”应用发展的实施意见》: https://www.nhc.gov.cn/guihuaxxs/c100133/202511/d1a42ae835c743b9b3e83ac0253c3e9f.shtml
[2] “可解释、可通用的下一代人工智能方法”重大研究计划: https://www.nsfc.gov.cn/p1/3381/2824/100371.html
[3] 关于促进和规范“人工智能+医疗卫生”应用发展的实施意见: https://www.nhc.gov.cn/guihuaxxs/c100133/202511/d1a42ae835c743b9b3e83ac0253c3e9f.shtml
[4] 蔡秀军院士关于医疗 AI 从“可用”走向“普惠”的相关报道: https://www.cas.cn/zt/hyzt/2026lh/kj/202603/t20260311_5103901.shtml
[6] 刘云委员关于医学人工智能数据集、智能医学工程和人才评价的相关报道: https://www.chinanews.com.cn/sh/2026/03-10/10584713.shtml
[7] 关于 2026 年度国家自然科学基金项目申请与结题等有关事项的通告: https://www.nsfc.gov.cn/p1/3381/2824/99667.html
[8] “可解释、可通用的下一代人工智能方法”重大研究计划 2026 年度项目指南: https://www.nsfc.gov.cn/p1/3381/2824/100371.html
[9] 国家人工智能应用中试基地医疗领域阶段性成果相关报道: https://www.shlab.org.cn/news/5444249
— END —
