武汉协和医院AI赋能新药临床试验算法模型训练服务采购项目(1298万)深度解读:专病智能体正在从“辅助诊疗”走向“临研基础设施”

导语：2026年7月10日，华中科技大学同济医学院附属协和医院AI赋能新药临床试验算法模型训练服务项目公布结果，由湖北精诊医疗科技有限公司以1298万元中标。项目重点建设多模态医学数据治理与医疗AI模型训练，覆盖肿瘤、心脑血管、呼吸、消化、代谢及免疫等专病智能体。更值得关注的是，这个项目并非简单采购几个医学模型，而是将知识库、知识图谱、数据标注、模型训练与推理能力嵌入受试者精准筛选、疗效跟踪、消化道早癌预警等临床试验及诊疗流程中，释放出医疗AI从单点算法走向多模态科研协同系统的明确信号。

这不是单点模型，而是一条临研能力链

项目采购方为华中科技大学同济医学院附属协和医院，建设范围同时覆盖多模态医学数据治理、医学基础模型与算法模型训练，以及多个重点病种的专病智能体。系统需要接入医院现有信息系统和CTMS，完成数据ETL、增量同步、模型训练、临床决策支持与科研转化，交付边界已经明显超出单个算法、单个模型或一个聊天应用。

其中，恶性肿瘤专病智能体最能体现这条链路的真实形态。肿瘤临床医生和研究人员输入患者病历、影像或病理、基因组及结构化临床数据，系统再结合专病知识库和CTMS在研项目库，形成患者画像、精准筛选、临床试验入排匹配、治疗方案推荐，以及疗效和风险评估结果。

这意味着，数据不再只是模型训练材料，而是正式进入研究决策的中间环节。患者信息需要先被治理和结构化，再通过知识、规则与模型完成推理，最后以临床研究和诊疗辅助结果返回业务人员。采购对象已经从“一个模型”扩展为“数据进入研究决策的一整套能力链”。

这也是该项目的核心信号：医疗AI的价值不再停留在“能不能识别、能不能生成”，而是转向“能不能进入临床科研流程，并对关键决策环节产生可验证的作用”。

临研需求正在从“找患者”走向“管全程”

传统临床试验信息化往往首先解决患者查找和初步筛选问题，但本项目对肿瘤智能体的要求继续延伸到临床试验匹配、治疗方案推荐、生存预测、分层随访、疗效及不良反应预测，以及跨模态疗效评估。它所描述的不是一次性检索，而是围绕患者和试验过程的连续决策支持。

其中一个关键变化，是CTMS在研项目库需要实时同步，并支持从患者特征到临床试验的自动入排匹配。只有项目库与患者数据保持更新，模型输出才可能进入真实研究流程；否则，系统即使能够生成看似完整的匹配结果，也可能因为项目状态、入排条件和临床实际不一致，最终停留在演示层面。

这一思路也在其他病种中得到延伸。代谢性疾病智能体需要接入门诊、住院、随访、检验和CGM数据，跟踪并发症风险与疗效，并基于真实数据生成虚拟患者，开展覆盖2型糖尿病新药I至IV期的虚拟临床试验。免疫性疾病智能体则将疾病分型、纳排匹配、疗效评估、不良反应预测和疾病活动度评估连接起来。

所以，这个项目的需求重心并不是简单提高筛选效率，而是把AI能力延展到临床试验全周期。未来医院对临研AI的要求，大概率会从“能不能帮我找到合适患者”，进一步升级为“能不能持续跟踪患者、解释疗效变化、辅助方案调整，并形成可复核的研究证据”。

专病智能体的核心不是“智能”，而是证据链协同

多模态专病智能体的难点，不是单独调用大语言模型，而是把异构数据、医学知识、标注体系和测评机制组织成可训练、可验证、可追溯的资产。项目建设内容明确覆盖文本、影像、波形、病理、基因组、穿戴监测及结构化临床数据，并要求形成知识库、知识图谱、数据标注质控、评测集和持续更新能力。

以呼吸系统场景为例，医生或慢病管理人员输入影像、肺功能、症状、用药和生命体征时序数据时，系统需要识别COPD等疾病的病程阶段，分析呼吸系统功能并预测药物反应；同时还要结合RCT文献、诊疗指南和药品说明书，生成分期干预及用药调整支持结果。这里的输出价值，不仅在于给出判断，更在于能够说明判断依托什么证据、遵循什么规则、适用于什么边界。

肿瘤场景同样如此。患者画像、入排判定和治疗推荐，本质上是知识检索、规则判断、预测模型与多模态推理的组合。知识库和RAG负责检索，知识图谱和规则帮助组织关系，模型训练与微调承担识别和预测，评测集则决定输出能否被复核。交付评价需要从“能否生成答案”，转向“答案能否复核、追溯，并在流程中承担明确作用”。

这也是专病智能体区别于普通医疗问答机器人的关键。普通问答系统可以追求表达完整，专病智能体则必须追求证据完整；普通模型可以强调生成能力，临研智能体必须强调可验证能力。医疗AI真正进入深水区后，竞争焦点一定会从“模型能力展示”转向“证据链组织能力”。

多模态协同正在成为医院AI扩展的前提

项目覆盖心脑血管、消化道、免疫、呼吸、恶性肿瘤和代谢性疾病，所使用的数据形态也从文本延展到影像、波形、病理、基因组和穿戴监测。这说明，多病种扩展不是简单复制一个聊天界面，而是复用数据治理、模型训练、评测和部署的共同底座。

但底座复用不等于病种能力可以直接平移。心脑血管场景强调心电图、OCT、多模态影像和长期随访，消化道场景聚焦内镜影像与早癌预警，代谢性疾病依赖CGM时序数据和虚拟患者生成，免疫性疾病则需要基因组、影像组、用药及PRO数据共同参与。每一种数据形态都对应不同的标注方法、知识来源和评价终点。

从评审设置看，项目同时关注大语言模型微调、影像模型微调、临床试验思维、临床研究医学通识文本和临床研究超声影像大模型，释放的信号是：采购方看重的是模型组合与场景适配，而不是单一基础模型的规模。方案商必须回答一个更现实的问题：不同模型如何分工，如何接入专病数据，如何嵌入临床流程，又如何在真实场景中稳定运行。

这意味着，未来医疗AI方案的竞争不再是“有没有大模型”，而是“有没有多模态工程化能力”。谁能把文本、影像、波形、病理、基因组、随访和临床研究数据组织成可训练、可测评、可迭代的系统，谁才有机会成为医院AI基础设施的长期合作方。

能上线，不等于能通过临床验收

项目对肿瘤临床试验匹配提出了量化要求：Top-5匹配召回率不低于85%，入排标准逐条判定准确率不低于88%，推荐方案Top-3召回率不低于85%。这些指标把智能体从展示型问答推进到可测量的临床研究辅助工具，也迫使方案商提前明确样本、基线、测试方法和结果复核机制。

验收要求同样覆盖模型之外的交付过程。项目要求提供国家级权威机构独立第三方的场外测试验证报告，并针对全部专病智能体和基础模型训练服务，形成包含功能验证、性能评估、数据质量核查、结果复核、问题整改与复测的测评方案。资料审查、成果抽检和问题复核，则意味着过程文档与结果证据都可能成为验收的一部分。

人员和服务条件进一步说明交付难点。建设期内需要不少于30人的驻场技术服务团队，至少配置项目负责人、技术负责人和临床沟通负责人，并配置不少于5名医学专家顾问；终验合格后还要提供不少于3年的售后运维。真正的交付门槛不是模型本身，而是模型、数据、临床沟通、部署运维和责任留痕的组合能力。

对方案商而言，评分项中既有医学智能体和药物临床试验数据管理案例，也有数据治理、模型训练适配、测评设计、交付保障和运维能力要求。技术方案不能只展示算法效果，还要把实施周期、接口接入、标注质控、临床协同和持续迭代写成可执行路径。否则，即使模型效果看起来不错，也很难支撑真正的临床验收。

专病智能体正在走向临研基础设施

医院AI采购正在从单点应用转向“多病种智能体+平台底座”。

这个项目同时覆盖肿瘤、心脑血管、呼吸、消化、代谢、免疫等多个病种，说明医院需要的不再是某一个影像模型或问答工具，而是一套可复用的数据治理、模型训练、知识增强、评测验证和安全运维底座。上层按病种建设智能体，下层复用平台能力，未来医院AI建设会更强调可扩展、可迭代、可长期运营。

临研AI正在从“找患者”走向“管全程”。

项目不仅要求肿瘤临床试验匹配，还延伸到治疗方案推荐、生存预测、分层随访、疗效及不良反应预测，并要求CTMS在研项目库实时同步。这意味着AI的角色正在从检索辅助工具，升级为临床研究连续决策支持系统。真正有价值的临研智能体，不只是提高筛选效率，而是参与入组、治疗、随访、评估和证据沉淀全过程。

竞争焦点正在从模型效果转向可验证交付能力。

项目提出Top-5匹配召回率不低于85%、入排标准逐条判定准确率不低于88%、推荐方案Top-3召回率不低于85%，并要求第三方测试验证、数据质量核查、结果复核和复测机制。这说明医疗AI不能只看演示效果，而要证明数据可信、证据可追溯、结果可复核、系统可运维。未来供应商的核心竞争力，将是把模型能力真正嵌入医院真实流程，并形成长期可维护的临研基础设施。

如果你也关注 AI、大模型、政企项目机会，欢迎关注我。👇 点击下方名片，持续获取项目拆解与商机分析。

南海区第四人民医院AI医院建设项目深度解读：区级综合医院AI平台建设的"中台+场景+科研"三位一体格局

SIG-GovLLM｜佛山南海经开区人民医院130万AI应用建设项目深度解读：底层模型集成与上层AIGC应用的捆绑式交付结构观察