当前，AI技术的应用为医疗领域的发展带来了强劲东风，公立医院须紧跟科技进步的脚步，对智慧医疗如何布局、未来医院如何建设等问题进行前瞻性思考。近日，在2025全国深化医改经验推广会上，与会嘉宾以“数智赋能—发展智慧医疗建设未来医院”为主题分享实践经验，为探索营造医疗新生态建言献策。本次会议由浙江省人民医院党委副书记、副院长孟旭莉，浙江省人民医院医学人工智能首席专家金东共同主持。
杭州医学院副院长、浙江省人民医院院长 葛明华：
AI技术为医院发展注入新动力
近年来，浙江省人民医院全力推进智慧医院建设，具体方法可总结为“四专一部”。“四专”指成立数字化工作专班、设立数字医疗首席专家、配备数字专员、打造未来医疗示范专区（滨江院区），“一部”指设立信息化与人工智能部。
2018年，医院对信息化系统进行升级，新系统以互联网JAVA语言（编程语言）作为开发工具，实现了HIS（医院信息系统）和EMR（电子病历系统）一体化；同步建设多院区数据中心，确保数据准确、一致、实时、全面。此外，新系统还支持移动应用，具备医疗数据查询等功能，医务人员可在移动端完成医疗文书工作，明显提高工作效率。
未来，医院计划从四个方面让AI技术为医院发展注入新动力。在数字底座方面，主要在数据处理、AI技术、信息安全、云计算四个方向发力；在数据库与队列建设方面，聚焦专病数据库的建设和队列研究；在复合人才培养引育方面，通过制订招聘计划、拓展招聘渠道、建立评估机制、吸引海外人才等措施加深“人才池”；在政策标准方面，推动政府参与制定医学AI行业的标准与规范。
西安交通大学第二附属医院（西北医院）副院长、医学人工智能研究院常务副院长 徐颂华：
医疗数据治理的机遇与挑战
数据作为训练AI大模型的基础，其治理工作面临不少挑战和机遇。
在挑战方面，一是涉及隐私和安全问题挑战。保护患者隐私、确保数据安全性涵盖技术、法规和伦理等多个层面，是必须要守住的安全底线。二是数据标准化和互操作性挑战。医疗数据的多样性和来源不一致性，导致了数据标准化和系统互通过程中的困难，亟须统一的标准和协议，确保数据在不同系统中无缝流通。三是数据质量和一致性挑战，数据质量直接影响医疗决策和患者治疗的有效性。四是合规性挑战。AI技术的日新月异要求相关部门和机构不断适应和遵循新的法规，确保数据和技术合法合规使用。
在机遇方面，一是智慧医疗数据为数据驱动的医疗服务提供了强有力的支持；二是AI在医疗领域的广泛应用为医疗数据治理带来了新的可能性；三是医学AI和数据的结合，让全生命周期的健康服务成为未来的发展方向。
浙江大学求是特聘教授、浙江大学国际联合学院副院长 吴健：
围绕三大任务创新医学影像技术
医学影像AI主要有疾病分类、目标检测、病灶分割三大任务，围绕这些任务，我们进行了一些新技术的探索和实践。
在疾病分类方面，一是探索高效特征交互的表格分类技术，它具有抽象层基本组件进行表格数据建模和特征交互、胶囊神经网络进行局部稀疏特征交互、关系图学习进行全局稀疏表格特征交互等特点。二是开发多视角生成的心电分类技术，它可将心电角度作为条件生成全景心电图进行心电分类、以心脏病为条件生成心电多视角图像进行心电分类等。三是研发序数回归建模的疾病分级技术，它可通过标签转换进行迭代细化分级以确定类别边界等。
在目标检测任务方面，我们一是开发基于任务分解的病理图像细胞检测技术，创新构建基于动态对比融合的TCT（液基薄层细胞检测）宫颈病变细胞检测模型、基于自监督标注生成的印戒细胞检测模型。二是研发应用基于注意力学习的宫颈病变检测技术，创新构建基于动态对比融合的宫颈病变细胞检测模型及基于多模态注意力引导的宫颈病变检测模型。
在分割场景方面，我们一是开发部分标注下的影像分割技术，创新构建基于少样本学习的医学分割模型、基于单切片的自监督医学分割模型、多元标签的梯度缓和自监督医学分割模型。二是研发3D医学影像智能分割增强技术，创新构建基于3D级联框架和级联解码器的分割模型，它具有利用双平面X-rays图像生成实现CT图像分割、利用bbox（检测标注）标注增强医学影像智能分割等特点。三是创新开发多模态影像智能分割融合技术，构建基于注意力相互增强的融合模型、基于特征级融合的相互辅助模型。
复旦大学智能医学研究院常务副院长 刘雷：
让AI给出的答案更可靠
当前，医疗AI仍存在模型推理能力不强、模型知识利用度不够、依赖单一模型风险高等问题。造成这一现象的原因是目前医疗AI在知识利用上还停留在浅度输出和简单逻辑整合这一层面，尚未能用生物医学逻辑对知识进行整合与推理。相关研究显示，目前多数医疗AI训练依赖互联网公开数据，真正运用医院真实医疗数据的研究数量稀少。因此，医院医疗数据对开发临床可用的AI大模型至关重要。
医学AI虽然前景广阔，但要实现广泛应用，还需解决诸多难题。当前，我国在算力和基础大模型等方面的条件已相对成熟，通过基于医院数据进行预训练和微调或可提升医学AI的辅助能力。
此外，利用整理完备的知识图谱增强AI大模型的推理能力，可降低其在医疗领域实际应用中造成谬误的概率。基于此，我们推出三重推理增强的生物医学大语言模型，结合知识图谱外挂、大模型自身推理和长链推理功能，可让多个AI大模型进行“多学科诊疗”，使答案更可靠。
未来，随着AI技术不断突破，AI大模型有望为精准医疗带来更多可能，为患者提供更优质的医疗服务。
医渡科技首席AI科学家 闫峻：
医学AI发展要聚焦领域核心问题
当前，我国医疗领域面临的问题包括安全、有效、可及的优质医疗资源供给尚有不足等。解决这一系列问题，一是要提高医疗机构的运行效率，二是要不断探索安全、普惠的治疗方案。
对此，AI技术可起到推动、助力作用。
例如，促进专业知识和AI智能体结合，让医疗机构的每个科室、医疗组都拥有自己的智能助手，帮助及时解答患者问题，提高医护人员的工作效率；促进患者诊疗数据和AI智能体的结合，通过病历生成、辅助决策等为医护人员提供便利，深度赋能临床诊疗；运用AI技术赋能科研和精细化运营管理，设置科研文献助手功能，在海量医学文献中为医生精准推荐优质论文，遴选领域内高分期刊和最新刊物，并对文章要点进行翻译和总结；大数据和大模型双中台合力，加速医院数智化建设。
未来，建设智慧医院是大势所趋，而评价智慧医院的建设程度不能只以医疗机构拥有的资金、先进设备和人才数量等为标准，还要关注医疗机构是否对AI在医疗领域的相关应用有深刻理解，以及是否具备使用和驾驭AI技术等能力。
浙江省卫生健康委规划发展与信息化处处长 刘小舟：
探索建设未来医院的浙江路径
随着AI技术在医疗领域的广泛应用，未来，在改善患者就医感受、提升医疗机构运营效率、控制医疗质量、处置突发公共卫生事件等方面，AI技术赋能或可带来新的解题思路。
浙江省因势而谋，在2022年率先提出未来医院建设的创新理念，启动浙江省未来医院建设探索工作；应势而动，2023年围绕未来医院的内涵特征、创新领域、路径方法等开展深入研究，提出未来医院总体架构，发布《浙江未来医院建设白皮书1.0》；顺势而为，2024年聚焦建筑、设备、数字化深度融合，遴选14类未来医院单元化、模块化实景，提炼可复制可推广的实践做法，推出《浙江未来医院建设白皮书2.0》。
浙江省正在构建“1-3-5-7”未来医院发展框架，具体涵盖：“1”，以人民健康为一个中心；“3”，以居民、医护人员、管理者为三类对象；“5”，以万物互联、全景智能、数字孪生、医术精湛、绿色人文为五个基本特征；“7”，以新基建、新医疗、新服务、新管理、新科研、新环境和新生态为七个创新领域。
广东省人民医院信息管理处处长、广东省医学科学院医学大数据中心主任 梁会营：
健康医疗数据要素化成为新方向
数据是AI技术发展过程中的要素，而健康医疗数据要素化将成为医疗领域的发展新方向。广东省人民医院积极展开多项探索。一是打造数据“供得出、流得动、用得好”的人员队伍，二是持续搭建数据自由流通平台，三是布局一体化数据开发利用基础设施，四是打造健康医疗数据可信认证链“粤康链”，五是增强健康医疗数据管理能力，六是促进数据要素智能化发展，七是构建健康医疗数据资产化标准体系。
通过上述探索，医院成功打通了健康医疗数据要素流通的“最后一公里”，成为数据的提供方、加工方、运营方及需求方。2024年5月，医院形成首批2项健康医疗数据产品，率先完成健康医疗数据产品的资产凭证和知识产权“双登记”。2024年5月，2项健康医疗数据产品正式在广州数据交易所数据交易平台挂牌上架。
2024年8月，在广东省政务服务和数据管理局、广东省财政厅、广东省卫生健康委指导下，广东省人民医院组建健康医疗数据资产质控评价和登记估值中心。该中心将承担健康医疗数据质控评价、健康医疗数据资产合规评审和登记评估、健康医疗数据资产估值、健康医疗数据价格专业人员培训考核、健康医疗数据流通相关生态产业构建五大职能，为实现健康医疗数据要素化进行更多探索。
浙江大学生物医学工程与仪器科学学院副院长 林辉：
积极应对大模型幻觉问题
AI大模型幻觉是指其生成内容与客观知识、内部逻辑相悖的现象。学术界将这种幻觉分为内在和外在两种，事实性错误、文不对题、一本正经地胡说八道等可能都是大模型幻觉的表现。
在医学领域，AI大模型幻觉问题尤为突出。其原因一是医学知识更新速度快，网络数据质量参差不齐，AI大模型在学习时易新旧不分。二是医学知识专业性强、病症复杂，AI大模型基于统计学概率的响应方式难以精准判别疾病类型，易引发诊断和治疗方案产生错误。医学是一个低容错性的领域，任何差错都可能危及患者生命，大模型幻觉对医学领域危害极大，需要格外关注。
数据和模型技术是导致AI大模型幻觉的两大主要因素。在数据方面，现有关于罕见病的学习语料和医疗数据非常少，受制于知识的局限性，用专业知识对AI大模型进行微调存在局限性。在模型技术方面，现有AI大模型的相应模式大部分基于统计学概率，无法满足医学的严格要求。
要应对AI大模型幻觉，需要从四个方面入手。一是用于训练AI大模型的医疗知识要权威并确保真实；二是在技术上要尽可能训练AI大模型理解疾病的因果关系；三是完善检测评估办法，加强对AI大模型幻觉的快速识别能力；四是搭建服务于AI大模型的知识平台，整合资源，降低幻觉出现概率、提升推理精度。
AI大模型在医学领域潜力巨大，但各方应保持审慎态度，充分利用医学知识，推动AI大模型在医疗场景安全、有效地应用，让循证医学为大模型把关。
中国联通智慧医疗军团、联通数智医疗科技有限公司首席架构师 郑宇浩：
智能驱动服务和运营提质增效
近年来，AI技术凭借强大的计算与分析能力为医疗领域带来了新的发展机遇。但在医院运营管理方面，AI技术的应用面临数据复杂性高、多源异构融合困难、需求动态变化等难题。
对此，浙江省人民医院与中国联通围绕医疗AI创新应用开展合作，聚焦手术环节，构建起覆盖全生命周期的数据管理体系；借助相关技术搭建智能模型聚合平台，基于医疗场景打造“手术非常准”“手术智能体小依”等工具，全面赋能术前谈话、术后康复、病历书写、手术全流程跟踪等医疗服务核心环节。
合作实践表明，AI技术通过智能分析手术运行效率、精准检索关键信息，并结合PDCA循环（管理工具）质控模型，可实现手术报告自动化生成与流程精细化管理。这一模式不仅能为临床医生提供实时决策支持，还能通过智能提醒服务改善患者就医体验，推动医疗服务质量和运营效率同步提升，惠及患者。
未来，随着AI技术的不断迭代，双方将继续深化合作，充分发挥各自优势，为推动卫生健康行业数字化转型、提升全民健康服务水平贡献更多力量。
华为公共事业军团数智化转型咨询规划总监 王煜：
让AI成为医疗领域的“听诊器”
当前，AI技术与医疗领域的融合发展主要面临数据工程耗时长、AI大模型训练和应用落地难、AI集群可用度低等问题。对此，我们有以下三点思考。
一是随着AI大模型由单模态向多模态演进，海量数据引入，需要加速提高相关归集、处理、管理的数据工程能力。二是行业AI大模型和应用的开发落地，需要环境易安装、模型易开发、应用易搭建的AI业务平台。三是AI集群承载任务数量快速增长，需要不断提升全系统调度效率，实现系统效能最大化。
以华为与上海交通大学医学院附属瑞金医院联合发布的病理大模型为例。由于要处理的数据量极大，华为创新数据处理技术，利用分布式存储、智能调度等技术提升算力利用效率，通过极简应用开发、低代码开发、零代码维护等方式赋能病理大模型的应用与落地。未来，华为作为ICT（信息通信领域技术）基础设施提供商，将持续为医疗领域的智慧化升级贡献力量，让AI成为医疗领域不可或缺的“听诊器”，开启未来医疗的无限可能。
本报记者吴风港整理