AI 医疗是指通过机器学习、自然语言处理(NLP)、计算机视觉等技术，对大量复杂的医疗数据进行深度分析，辅助临床决策、优化诊疗流程、提升医疗效率的智能化应用体系。借助互联网+、物联网技术，AI 医疗能够充分利用有限的医疗人力和设备资源，同时发挥大医院的医疗技术优势，打造健康档案区域医疗信息平台，实现患者与医务人员、医疗机构、医疗设备之间的互动，并在疾病诊治、监护和治疗等方面提供信息化、移动化和远程化医疗服务。这些技术和解决方案旨在提高医疗诊断、药物治疗、医院管理和服务的效率与质量。
AI 与医疗深度融合后的特征及主要表现
《智能化》智能诊断：通过运用大数据、人工智能等技术，智慧医疗能够快速准确地诊断疾病，提高诊断的准确性和效率。医生可以根据患者的历史数据、基因数据、生活习惯数据等，进行综合分析，为患者提供个性化的诊断方案。
智能治疗：智慧医疗能够根据患者的具体情况，制定个性化的治疗方案，通过对患者的生理数据、药物反应数据等进行实时监测和分析，医生可以及时调整治疗方案，提高治疗效果。
智能管理：智慧医疗能够实现医疗资源的智能化管理。通过对医疗设备、药品、人员等资源的实时监控和调度，医疗机构可以优化资源配置、提高效率。
《高效化》优化医疗流程：智慧医疗能够通过优化医疗流程，提高医疗服务效率。例如，通过智能化的排班系统，可以合理安排医生和护士的工作时间，减少等待时间和等待时间过长的情况。此外，通过智能化的数据分析，可以及时发现潜在的医疗问题，提前采取措施，避免问题的发生。
提高工作效率：智慧医疗能够提高医护人员的工作效率。例如，通过智能化的病历管理系统，医生可以快速检索和查看患者的病历信息，减少重复劳动。此外，通过智能化的药品管理系统，药剂师可以快速准确地配发药品，提高工作效率。
《便捷化》随时随地获取医疗服务：智慧医疗能够为患者提供随时随地的医疗服务。患者可以通过手机 APP、网站等渠道随时随地获取医疗服务，无需到医院排队等待。此外，智慧医疗还可以为患者提供在线咨询、远程诊断等服务，方便患者随时随地获得帮助。
自助服务：智慧医疗能够为患者提供自助服务。例如，患者可以通过自助挂号机、自助缴费机等设备快速完成挂号和缴费等操作。此外，患者还可以通过手机 APP 查询检查结果、预约手术等操作。
AI 医疗的核心技术主要有以下四项：
医学影像分析：基于深度学习的 CT、MRI 图像识别，用于肿瘤、心血管疾病筛查（如肺部结节检出准确率超 95%）；
自然语言处理(NLP)：主要表现为电子病历结构化处理，临床知识图谱构建（例如 IBM Watson Oncology）；
药物研发：使用 AI 工具加速靶点发现、化合物筛选，缩短研发周期（如 DeepMind的 AIphaFold 预测蛋白质结构）；
智能健康管理：通过可穿戴设备+AI 实现慢性病实时监测与预警。
AI 医疗的应用场景可以按照就医前、就医期间三阶段（诊前、诊中、诊后）、就医后以及其他四类进行划分，涉及健康促进、疾病预防、诊断、治疗、康复护理以及慢性病控制等六个环节，旨在从四个维度提升医疗效率和质量。首先，AI 可以使医疗知识库快速积累，模型持续学习迭代；其二，减轻医生重复性工作负担腾出更多时间专注临床；再者，规范化、标准化医疗流程降低人为操作风险；最后，实现基层医疗机构远程会提高服务覆盖率诊。概括来说，智能医疗在促进个性化健康管理、疾病预防、医患互动优化、远程医疗升级、诊疗流程智能化等方面，将迎来效率革命。
AI 医疗应用主要包括医学影像、临床辅助决策、精准医疗、健康管理、医疗信息化、药物研发以及医疗机器人等，以助力降本增效、提升诊疗水平、改善患者体验、降低患病风险等为核心目的，全面赋能院前、院中、院后以及医学教育研究等各个环节。
AI 在医疗健康行业的应用前景广阔，但不同应用场景的成熟度存在显著差异，影像智能分析、蛋白质结构生成与预测、健康数据监测与解读等场景应用较为成熟。
智慧医疗：智慧医疗是 AI 在医疗健康行业中应用最成熟的领域之一，尤其在医学影像诊断方面表现突出。通过深度学习算法，AI 能够快速准确地识别 X 光、CT 等图像中的异常，辅助医生提高诊断效率和准确性。电子病历自动化处理技术、智能分诊导诊系统也在逐步推广当中。
健康管理：基于 AI 的智能健康监测设备及配套数据分析技术已较为成熟。这些设备能实时采集用户的生理数据，经由 AI 分析后提供健康风险预警和建议，满足了人们日益增长的健康管理需求。
医药创新：AI 在医药研发中的应用匹配度和可行性较高。它可以通过虚拟筛选化合物，快速找到潜在的有效分子，并预测药物的安全性和有效性，从而降低研发成本和风险。例如，AI 在新冠药物研发中展现了显著优势，部分 AI 驱动的药物研发公司（如Insilico Medicine、Atomwise）已取得阶段性成果。然而，AI 预测的化合物仍需通过实验验证，在临床试验方案设计上仍面临复杂的医学、伦理和法规挑战，且临床试验的设计和执行仍高度依赖人工经验，无法完全替代人工精细设计。尽管如此，AI 有望将药物研发周期缩短一半以上，为制药公司带来显著的商业价值。
医疗 AI 有望解决医疗界“不可能三角”：就医看病时不可能同时满足就诊速度快，医疗费用低，治疗水平高三个要求。这一概念由美国耶鲁大学教授 William Kissick 提出，即在既定的约束条件下，一个国家的医疗系统很难同时实现提高医疗服务质量、增加医疗服务可及性和降低医疗服务的价格。
然而，AI 赋能下的医疗服务可以大规模接待患者，实现随时随地的无限供应，并且其水平会随着持续训练迅速提升，已经达到了具有 10 至 15 年临床经验医生的水准，且每月还在不断进步；而且随着新药研发周期的大大缩短，将靶点发现和分子设计从“十年磨一剑”到高效突破，医药价格也会越来越惠民。
AI 医疗相对传统医疗具备以下优势：
提高诊断准确性：AI 能够对海量医疗数据进行学习和分析，发现人类难以察觉的规律和模式，减少误诊和漏诊的发生。
提升医疗效率：自动化的流程和决策支持系统可以替代或辅助人工操作，如数据分析、病例管理、患者监护等，使医生能够将更多时间和精力集中在患者的治疗上，提高医疗服务的整体效率。
加速药物研发：AI 技术可以模拟化学反应和分子结构，预测药物的效果和副作用，大大节省了药物研发过程中的实验和临床试验时间，加快新药上市的速度。
实现个性化医疗：通过对个体的全面健康数据分析，为患者量身定制个性化的治疗方案，提高治疗的有效性和安全性。
在政策支持、技术优势与市场需求的共同推动下，AI 在医疗行业的应用深度与广度持续提升。根据甲子光年《2024 年中国 AI 医疗产业研究报告》，2023 年中国 AI 医疗行业规模为 973 亿元，并预期在 2028 年达到 1598 亿元，2022-2028 年间的年复合增长率为 10.5%。
从细分市场来看，AI 医学影像和 AI 制药增长较快。根据观研天下的统计，2024 年中国 AI 医学影像市场规模约 74.5 亿元，同比增长160.5%；预计 2025 年我国 AI 医学影像市场规模将超 150 亿元，2026 年将达 235.7亿元。
2023 年中国 AI 制药市场规模为 4.1 亿元，预计 2024-2028 年，市场规模将由 7.3 亿元增加至 58.6 亿元，年复合增速达 68.5%。
2、AI 医疗行业政策梳理
国家出台多项政策支持 AI 医疗发展。
2024 年国家卫生健康委等三部委联合发布《卫生健康行业人工智能应用场景参考指引》，为医疗机构中的人工智能应用提供了具体的场景指导，加速了 AI 技术的落地实施。这些政策共同发力，显著提升了我国 AI 医疗的发展水平和速度。
2024 年，《放射检查类医疗服务价格项目立项指南（试行）》由国家医保局发布，首次将人工智能辅助诊断纳入价格立项范畴。
2025 年 8 月，国务院发布《关于深入实施“人工智能+”行动的意见》，提出探索推广人人可享的高水平居民健康助手，有序推动人工智能在辅助诊疗、健康管理、医保服务等场景的应用，大幅提高基层医疗健康服务能力和效率。
2018 年 4 月 国务院办公厅 《关于促进“互联网+医疗健康”发展的意见》研发基于人工智能的临床诊疗决策支持系统，开展智能医学影像识别、病理分型和多学科会诊以及多种医疗健康场景下的智能语音技术应用，提高医疗服务效率。支持中医辨证论治智能辅助系统应用，提升基层中医诊疗服务能力。开展基于人工智能技术、医疗健康智能设备的移动医疗示范，实现个人健康实时监测与评估、疾病预警、慢病筛查、主动干预。
2019 年 3 月 国家卫生健康委办公厅《医院智慧服务分级评估标准体系》鼓励医院采用人工智能技术提升服务质量。
2019 年 7 月 国家药品监督管理局医疗器械技术审评中心《深度学习辅助决策医疗器械软件审批要点》重点关注软件的数据质量控制、算法泛化能力、临床使用风险，临床使用风险应当考虑数据质量控制、算法泛化能力的直接影响，以及算力所用计算资源（即运行环境）失效的间接影响。
2021 年 7 月 国家药监局 《人工智能医用软件产品分类界定指导原则》明确了人工智能医用软件的分类和监管要求，依据风险等级分为二类或三类医疗器械。
2022 年 3 月 国家药监局器审中心 《人工智能医疗器械注册审查指导原则》 规范了人工智能医疗器械全生命周期过程控制要求和注册申报资料要求。
2024 年 11 月 国家卫生健康委等部门《卫生健康行业人工智能应用场景参考指引》聚焦“人工智能+”与医疗服务管理、基层公卫服务、健康产业发展、医学教学科研相结合的四大领域，明确了 84 个细分领域的基本概念和应用场景。
2024 年 12 月 国务院办公厅 《国务院办公厅关于全面深化药品医疗器械监管改革促进医药产业高质量发展的意见》优化医疗器械标准体系，研究组建人工智能、医用机器人等前沿医疗器械标准化技术组织。
2025 年 1 月 国家药品监督管理局 《医疗器械监督管理条例（2024 修订）》国家完善医疗器械创新体系，支持医疗器械的基础研究和应用研究，促进医疗器械新技术的推广和应用，在科技立项、融资、信贷、招标采购、医疗保险等方面予以支持。支持企业设立或者联合组建研制机构，鼓励企业与高等学校、科研院所、医疗机构等合作开展医疗器械的研究与创新，加强医疗器械知识产权保护，提高医疗器械自主创新能力。
3、AI 医疗发展历程
整体上，AI 在医疗领域的应用可分为三个阶段：
2017 年及之前：此阶段为机器学习与深度学习突破阶段，卷积神经网络在计算机视觉领域取得重大突破，推动了医学影像分析的进步，AI 算法在各类疾病（乳腺癌、肺癌、心血管疾病等）的影像诊断中逐渐显现出高于常人的准确率，AI 与医疗开始进入初步结合阶段。
2018-2022 年：基础研究方面，2021 年，DeepMind 推出了 AlphaFold2，它利用深度学习算法，根据给定的氨基酸序列，使用神经网络架构模型 Evoformer，通过利用同源蛋白质的信息和多序列比对(multiple sequence alignment, MSA)，以原子级精度从氨基酸序列中训练预测蛋白质结构，因具有优秀的预测精度，在第 14 届结构预测的关键评估大赛中获得了冠军。AlphaFold2 引发了蛋白质结构及其相互作用建模领域的一场革命，为蛋白质建模和设计应用提供了广泛的可能，有望在新药研发和疾病治疗等多个领域发挥重要作用。
伴随 AI 应用的逐步深化，AI+医疗开始进入商业应用阶段，AI 与硬件设备的结合逐步深化，部分诊断设备开始在无医生监督背景下运行；另一方面，AI 应用领域逐步推广，诸如健康记录、个性化医疗、疾病预测与防控等多个领域也开始尝试与 AI 模型结合，2020 年起疫情的出现则极大加速了 AI 在医疗领域的落地，图像识别被广泛应用于新冠肺炎检测识别。
2023 年至今：生成式大模型取得巨大进展，大幅提升了医疗领域过往 AI 应用的精度。自 2023 年初 GPT-4 发布以来，医疗公司开始探索其在电子健康记录分析、病人数据管理和医疗文献综述等方面的应用。此后，在传统 AI 应用领域，大模型也开始展现出较传统 AI 模型更高的预判精度，各行业龙头对于 AI+医疗投入力度持续加大。
目前在国家互联网信息办公室发布的生成式人工智能服务备案信息和深度合成服务算法备案清单中，主要涉及非医疗器械的 AI 医疗软件的对外规模化产品应用，患者服务、辅助诊断与决策、质控成为最为典型的 AI 应用领域。截止 2024 年底，能够对外提供医疗领域 AI 应用的产品和服务且已备案的模型和算法数量已达 101 个，呈逐步上升态势。
从医院端来看，以头部三甲医院为代表，国内各医院正加快对 AI 大模型的部署及应用。根据动脉网的数据，截至 2025 年 4 月 30 日，在国内排名前 100 的医院中，已有 98 家对外宣布完成了大模型部署，且已有 33 家医院在通用大模型的基础上进一步研发出了 55 个垂类大模型。相比于通用大模型，专病专科大模型触及医院核心临床数据，更适用于复杂多样的临床医疗场景，并且需要医院的深度参与配合，各类专病专科大模型的诞生标志着国内医疗大模型的应用逐步深化。
