2026年9月20日下午，由中国医院协会医学人工智能专业委员会主办、浙江大学医学院附属第二医院承办的2026医学人工智能学术大会“医学AI探索与创新”会场，一场圆桌讨论直面医院IT部门面临的共同困惑。
对话主持人、浙江大学医学院附属第二医院人工智能与信息化部副主任许杰教授在开场时提出了一个令人深思的观察：随着AI技术的快速演进，医院IT部门的存在感正面临前所未有的挑战。IT部门不仅要做决策支持者、设计者组织者，还要做责任的承担者和保障者。这意味着IT部门需要加快转型，在医院AI价值构建和兑现的过程中，让自己的价值得到量化和展现。
浙江大学医学院附属第二医院人工智能与信息化部副主任许杰教授
这场圆桌邀请到四位嘉宾：西安交通大学第二附属医院副院长徐颂华、浙江省人民医院信息化与人工智能部主任陈杰、西湖大学医学院附属杭州市第一人民医院大数据中心主任陈斌，以及浙江医院人工智能和信息化部主任费科锋。四位专家围绕医院AI建设的数据底座、平台化、人才与评估体系四个核心议题展开讨论。
数据底座的建设：从目标到现实的差距
数据底座是医院AI建设的根基。徐颂华认为，只要有人工操作在执行，数据标准就永远无法统一。只有让AI以代码的形式来执行，才能形成高度统一、可兼容、可沟通的数据体系。AI-Ready的数据底座应该由AI自主完成构建，人类负责定义原则、边界和目标，在交互过程中进行纠错。
西安交通大学第二附属医院副院长徐颂华
陈杰介绍了浙江省人民医院的实践：2024年，他们与华为合作，由华为提供27台国产计算和算力资源，将院内约20个数据源归集后进行治理，逐渐形成数据资产。他表示，这是一项长期工作。
陈斌坦言数据底座的投入非常巨大，CPU、GPU、存储、电力、冷却等硬件成本和运维成本都是实实在在的支出。为此，她主张以需求为导向，科研和高质量数据集的需求在哪里，就从哪里开始整理，避免一次性大规模投入。她还举了一个常见的例子：医生在临床上没有开某项检查，该条数据就是空的。但这不能说明数据质量低，而是需求本身不存在。加上不同医院的检验试剂不同、参考值范围不同，数据难以直接整合，这些都是数据治理中必须面对的具体难题。
费科锋引用了一项哈佛大学的研究：当急诊患者刚入院、AI掌握信息还很少时，其诊断准确率约为65%，人类医务人员约为45%；而当AI完整掌握患者所有信息时，准确率可以达到90%以上。他的结论是，AI的能力已经在很多场景中超越了人类，问题往往出在信息不完备，而不是模型不够强。
破解孤岛式建设，走向平台化
第二个议题的核心在于如何避免各科室独立搭建AI应用造成的资源浪费和协同困难。许杰提出了AI时代Agent操作系统的设想。他认为，就像传统操作系统在软件与硬件之间进行资源调度一样，智能体也需要这样一个操作系统，实现对底层算力和数据资源的统一管理。
陈杰对此表示认同，并介绍了AI中台的概念：底层通过统一的数据和算力，中间层有统一的模型和评测，应用层通过权限来复用。虽然尚未落地，但他认为这是一个值得努力的方向。
浙江省人民医院信息化与人工智能部主任陈杰
陈斌提出了更加务实的路线图：她在院内明确要求，原则上只建设两个大模型底座，一个文本模型，一个影像模型。所有应用必须接入统一的API接口，就像插座一样，其他应用直接插上来才能运行。如果不这样做，就会是每个科室一套小系统、每家厂商一个封闭底座，最终数据无法打通，模型无法复用，应用的规模化根本无从谈起。
费科锋引用科幻电影中的场景指出，未来人与计算机的交互方式极有可能从键盘鼠标转向纯自然语言对话。他以某地的模型必须支持四川方言为例，说明AI操作系统要适应现实中复杂的语音和语境能力。这样的交互方式一旦成为常态，医院里大量重复性的数据分析与调用工作将被智能体接管，信息部门的角色也将发生根本性变化。
复合型人才培养：从教育观念到医院机制的转变
复合型人才的短缺是各家医院共同面临的现实问题。徐颂华认为，大学培养出来的学生今后未必有足够的就业空间，市场对复合型人才的要求正在提高，而需求总量却在下降。未来真正稀缺的是具备判断力的少数人才，而不是掌握大量记忆性知识的人。所有记忆性的工作，未来都可以交给碳硅混合体去完成，教育的重点应该转向筛选具有良好直觉判断力和心理素质的少数人。
浙江省人民医院在人才培养上采取了两大举措：一是与澳门城市大学合作，从去年开始连续选派临床和管理人员攻读人工智能博士，今年已是第二批，目标是培养既懂临床又懂AI的骨干；二是在院内安排临床医生到信息科挂职锻炼，例如从康复科借调医生到信息科担任主任助理。据陈杰介绍，此举让临床与信息两边建立起直接沟通的通道，问题传递和合作创新的效率大大提升。
西湖大学医学院附属杭州市第一人民医院大数据中心主任陈斌
陈斌总结出一条务实路径：在具体项目中以临床牵头、信息部门为支撑的协同方式培养双方的合作默契。她以乳腺肿瘤筛查AI项目为例，数据标注和模型验证都需要专科医生深度参与，信息部门无法替代临床判断。在交流和磨合中，双方的认知边界逐渐打破，合作方式自然生成。
费科锋认为，目前信息部门与临床医生之间的断层可以通过机制设计来弥补。他设想将数据、算力和服务器的能力封装成更直接可用的开发工具，让临床医生在此基础上亲自开发应用。到那时，临床医生一年之内可以创造出的应用数量，可能远远超过信息部门独自开发的能力。
评估与治理：AI价值之问
评估与治理是本次讨论公认最难的话题。许杰认为，当前的评估体系带有太多偏见，可能是有意识的利益驱动，也可能是无意识的设计缺陷。开发一项AI应用并不难，最难的是对潜在结果进行预测性评估，并且以无偏估计的方法构建评估体系。评估体系的公允性直接关系到对AI应用的判断和信任。
陈杰介绍说，浙江省人民医院目前是对AI项目进行事先论证，邀请医务、护理等职能部门参与，从临床实际意义、安全性和实用性角度进行全面评测，确保每一项人工智能项目都具备落地价值。他同时强调，效果评估最终要落到量化指标上，希望以可衡量、可比对的方式展现AI的实际价值。
陈斌结合自身工作讲述具体困难。数据治理中语义定义、术语标准和清洗规则的确定，往往是耗时最长的瓶颈。不同医院用于检验报告的名称不同，检验包含的细项不同，标准参考范围不同，数据难以直接归一。他认为，现阶段只能一步一个脚印，能做多少做多少。
浙江医院人工智能和信息化部主任费科锋
费科锋以急诊场景为例揭示数据与AI的关系：由于数据不完整，AI的能力还没得到充分发挥。如果患者一进医院就能完成完整的扫描和检查，将数据全部交给AI，其诊断准确率远高于人类医生。但目前医保的规则和管理方式，并不能完全适应这种新技术模式下的工作流程，它反过来制约了AI在临床中价值的发挥。
医院IT部门的价值重构
许杰在总结时指出，此次四道命题恰如高考作文题，没有标准答案，但揭示了一个清晰的趋势：医院IT部门正从传统的系统保障者向创新赋能者转型。这个转型过程没有捷径，数据底座的整合需要持续投入和跨部门协调，平台化建设需要打破科室壁垒和厂商壁垒，复合型人才培养需要从教育到医院管理的系统性变革，评估治理体系的建立更需要全行业的共同探索。
面对AI，IT部门需要更加强烈地拥抱，同时更需要清醒地认识到，真正的挑战不在于技术本身，而在于组织和制度的变革。IT部门的价值，终将在这一转型过程中得到重新定义和量化。
本文来源于DOIT传媒，文章内容仅供参考，不构成投资建议。
评论列表