9月20日，中国医院协会医学人工智能专业委员会2026医学人工智能学术大会在杭州举行。
如果只看技术发展速度，医疗AI似乎已走得很远。智能体、多模态模型正在进入医院，从辅助问诊、病历生成、影像诊断，到合理用药、医疗质控、科研辅助，应用场景不断延伸。
而在大会现场，来自医院管理、临床和信息化一线的专家谈论最多的是，医院积累了那么多数据，为什么AI还是不好用？模型越来越强，为什么真正进入临床流程且能稳定运行的应用仍然有限？医院做AI系统到底要多少算力、多少模型？如果AI给了错误的诊疗建议造成事故，责任谁来担？……
这些问题背后，是医疗AI正在发生的一次转向——当AI从技术验证走向真实应用，真正的问题也从“AI能不能做”转向“医院怎么把它用起来”。
当天发布的《医院应用医学人工智能专家共识》，某种程度上也回应了这种变化。中国医院协会医学人工智能专业委员会主任委员，浙江大学医学院附属第二医院肝胆胰外科医院院长王伟林介绍，共识将从广义的医疗人工智能进一步聚焦到医院应用，重点回应AI实际落地中的管理、风险和规范问题。
从模型走向应用，改变的不只是关注对象。随着AI真正进入医院，数据、流程、系统、人才、治理以及价值评估，都开始成为决定AI能否落地的重要变量。
这也是笔者在这场大会上观察到的一个明显变化——医疗AI正在变成一道“医院能力题”。
上午场：从“AI很强”回到“AI有没有创造价值”
浙江省卫健委副主任林杰从悲观、乐观和市场三个角度审视人工智能——一方面，现阶段AI仍有技术局限；另一方面，AI已经进入医疗、交通、金融等真实业务，开源也在加速应用创新。
但从市场角度看，技术进步并不等于价值兑现。芯片、存储、算力等基础设施已经形成较为明确的市场需求，不少模型和应用企业却仍面临盈利压力。因此，判断AI价值要回答两个问题——解决什么现实问题？能否形成可持续的商业闭环？
中国医院协会副秘书长王才有也指出，当前医学人工智能面临的重要问题之一，是价值尚未充分兑现。实验环境中的高准确率，不代表AI进入真实医疗场景后依然能够取得同样效果。
问题可能出在哪里？王才有将视线重新拉回医疗AI最基础的生产资料——数据。患者能否准确描述症状，疾病编码能否充分表达复杂病情，药品说明书的版本、禁忌证和有效状态是否完整，这些看似传统的信息化问题，都会影响AI最终获得的信息。他用了一个形象的比喻——如果矿石里本身就没有想要的元素，再炼也炼不出来。因此，AI效果不理想，医院要追问的不只是“模型是否不够强”“算力是否不够多”，还包括我们究竟给了AI什么样的数据。
哈尔滨医科大学附属第一医院副院长谭宏涛将讨论从数据进一步带到了临床。他观察到，企业已经开发出大量医疗大模型和智能体，但真正能进入医院、连接业务系统并稳定运行的方案仍然有限。医疗AI的关注重点，也正在从模型数量和技术迭代逐渐转向临床价值实现。
比如在肝胆胰外科，一个很典型的现象是“术前热、术中冷”。AI在术前规划、影像分析等环节已有较多应用，但真正进入术中场景，不少技术仍处于科研和早期验证阶段；术后风险预测同样需要更充分的临床验证。
还有，随着AI逐渐进入诊疗核心环节，如果AI给出诊疗建议，最后发生医疗问题，责任应该由模型开发者、使用AI的医生，还是医疗机构承担？技术向前一步，数据、责任和治理的问题也随之向前一步。
医疗AI如何贴近真实临床，也是上午讨论的一条线索。蚂蚁健康技术研究院副院长、医疗健康实验室主任吕乐提出，技术需要与临床需求“对齐”，让科研和技术成果回应真实的临床问题。
浙江大学医学院附属第二医院人工智能与信息化部主任相鹏则指出，真实诊疗并非简单的文字问答，医生需要综合患者主诉、影像、检验结果和既往病史等信息，并不断修正判断。这也意味着，医疗AI还需要从文字问答进一步走向多模态信息融合和人机协同。
下午场：面对问题，医院CIO们的行动
如果说上午更多在讨论“问题是什么”，下午的分享则进入“医院在解决什么”阶段。
复旦大学附属中山医院信息与智能发展部大数据人工智能中心主任张纪阳将重点放在医院AI能力的体系化建设上。在他看来，医院AI建设不是简单增加一个个应用，更重要的是把数据、医学知识和专家经验逐步沉淀为医院自身的核心资产，通过数据加工、伴随式采集、专家反馈、Skills和智能体等方式，逐步形成“业务—数据—知识”闭环。
四川大学华西医院信息与数据管理部部长石锐关注的是，当AI应用越来越多，医院会不会再次复制传统信息化时代的“烟囱式建设”？即每增加一个应用，就增加一套相对独立的数据、算力和模型体系。而他的思路是通过顶层设计统筹这些基础能力，让不同AI应用尽可能共享数据、算力和模型底座，并为未来多智能体协同提供统一架构，同时考虑算力与Token消耗、投入产出比和安全治理。
当然，不是所有医院都有条件建设庞大的AI基础设施。北京友谊医院医学数智创新中心办公室主任王力华从国家级平台、人才培养和自主研发三个维度介绍了另一种实践路径——借助中试基地获得算力、数据流通、高质量数据集、模型测评和成果推广等公共能力，同时利用AI Coding和开源生态降低医院自主开发和试错门槛。
这些不同路径背后其实指向同一个现实——医院需要AI，但医院的钱、算力、人才不是无限的，AI怎么建，开始成为一道选择题。
西安交通大学第一附属医院网络信息部部长牛晨分享的脑肿瘤精准诊疗实践，则把“落地”这件事进一步具体化。 AI可以识别脑功能区，预测肿瘤基因型，也可以分析肿瘤复发趋势。但牛晨强调，再好的算法，如果无法嵌入临床系统，就不能真正服务患者。
因此，团队将AI生成的脑功能激活图融合进神经外科手术导航系统，让医生在术中能够直接识别肿瘤、重要功能区和可切除区域。
对于基因分型，下一步希望形成“AI术前预测—术后病理验证—结果回传—模型迭代”的闭环；对于肿瘤复发，希望进一步连接患者多次随访、放化疗和影像数据，在风险超过一定水平后主动提醒医生和患者。
这也重新提出了医院和企业之间的关系——医院和临床团队掌握真实需求、病例资源和验证场景，企业则需要承担工程化、系统集成和产品转化的责任。科研成果最终能否进入诊疗流程、收费体系并获得患者认可，决定着它能不能跨过从论文到产品、再到临床的距离。
宁波大学附属第一医院人工智能与信息化部主任吴斌提出，“AI不是产品，而是工具。”过去医院信息化建设常见的方式，是哪里出现问题，就在哪里增加一个系统、一道规则或者一个卡点。合理用药、院感、病种管理等系统分别承担自己的监管目标，最终形成大量彼此独立的系统。
结果是，医生不断面对弹窗、提醒和流程阻断。宁波大学附属第一医院正在尝试另一种方式。AI已经进入门诊病历、出院小结、公卫上报、交班等高频工作，减少医生重复性劳动；更值得关注的是医疗质控的变化——医院尝试将传统的“卡、停、限”转向后台旁路监测，通过AI持续分析医疗行为，在不频繁打断临床工作的情况下发现异常并主动提醒。
与此同时，医院还在底层建设统一的算力、模型、安全管理、业务网关和应用平台。这意味着，AI进入医院后，不只是给原来的信息系统再增加一个“AI模块”。它开始反过来推动医院重新思考原来的业务流程、系统架构和质量管理方式。
当天下午的圆桌讨论进一步将问题落到医院AI建设的现实选择上。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将问题集中在数据底座、平台化、复合型人才和价值评估四个方面。
对于这些问题，不同医院给出了各自的解法。西安交通大学第二附属医院（西北医院）副院长徐颂华认为，未来可以让AI更多参与数据底座构建和标准执行，人则负责确定原则、边界和纠错。浙江省人民医院信息化与人工智能部主任陈杰更关注平台化，通过统一数据、算力、模型和评测能力支撑上层应用复用，同时通过临床与信息部门人员交流培养复合型人才；
西湖大学附属杭州市第一人民医院大数据中心主任陈斌强调需求导向和投入产出，与其一次性建设庞大的数据底座，不如从真实业务需求出发，并通过统一模型底座和API减少重复建设；浙江医院人工智能和信息化部主任费科锋则认为，随着模型能力提升，数据完整性以及医保、诊疗流程等制度能否适应AI，都在成为影响其临床价值释放的重要因素。
路径虽然不同，但讨论的重心已经很清楚：医院正在从“要不要用AI”，走向“AI怎么建、怎么管、怎么评”。
最后
当技术还停留在概念阶段，人们更容易讨论模型有多大、能力有多强。当它真正进入医院，问题开始具体到一张检查单、一台手术、一条质控规则、一笔算力投入，一次AI判断背后的责任，甚至一名年轻医生如何使用AI。
从这一天的讨论来看，很多问题还没有统一答案。但这或许正是医疗AI从技术验证走向真实应用的一个侧面。
他们一边建设，一边质疑，一边尝试，一边修正。AI给医疗的答案还没有写完，医院CIO们也在努力寻求答案的路上。
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