2025年，AI医疗迎来了真正的“破冰时刻”。与以往炒作不同，这一次，AI开始在实际临床场景中创造可量化、可复现、可规模化的价值。从影像科到病理科，从急诊室到新药实验室，AI不再是炫技的演示系统，而成为医生日常工作的一部分。本文将从诊断、治疗、药物研发、医院管理四个维度，梳理AI医疗的现状、突破与挑战。
参考：https://qfcrz.cn
医学影像：从“第二读者”到“第一筛选者”
医学影像是AI医疗最成熟的领域。经过近十年的迭代，AI在肺结节、乳腺癌、眼底病变、骨折等常见病种的影像识别上，已经达到甚至超过人类专家的水平。
2024年，国家药品监督管理局批准了第100款AI辅助诊断三类医疗器械。其中最具代表性的是数坤科技的“冠脉CTA AI辅助诊断系统”，能够在30秒内完成冠脉血管的自动分割、斑块分析、狭窄程度评估，并生成结构化报告。传统流程中，放射科医生需要15至20分钟处理一个冠脉CTA病例，且不同医生间的一致性仅为70%至80%。AI辅助后，医生只需审核AI的结果，时间缩短至3分钟，一致性提升至95%以上。
更重要的是，AI的角色正在从“第二读者”变为“第一筛选者”。在肺癌筛查场景中，AI可以自动标记所有可疑结节，将阴性（无结节）的病例自动过滤，只把阳性病例推送给医生审核。由于肺癌筛查中超过80%的病例是阴性，这一机制大幅节省了医生的精力，让他们专注于真正需要关注的病例。浙江省人民医院2025年发布的临床研究报告显示，引入AI第一筛选后，放射科医生的有效工作时间从每天6小时降至2.5小时（主要用于审核阳性病例），而漏诊率从4.3%降至1.1%。
病理影像的AI化是另一个突破点。病理诊断是癌症诊断的“金标准”，但极度依赖经验丰富的病理医生，且中国病理医生缺口高达10万人。腾讯觅影、迪安诊断等公司开发的AI病理系统，能够对胃癌、乳腺癌、宫颈癌的病理切片进行自动识别和分级。2025年，武汉大学中南医院在宫颈癌筛查中大规模应用AI病理系统，单日处理量从300例提升至2000例，成本降低60%，且AI的检出灵敏度（97%）高于人工（89%）。
参考：https://detxg.cn
急诊与重症：预测性AI从死神手中抢时间
急诊和重症监护室是AI医疗最具社会价值的应用场景。在这里，时间以分钟计算，AI的预测能力可以直接转化为生存率。
Google Health开发的“急性肾损伤预测模型”已经在美国多家医院部署。该模型通过分析电子病历中的生命体征、实验室指标、用药记录，能够提前48小时预测患者发生急性肾损伤的风险，准确率超过85%。传统方法中，医生通常在肌酐升高后才发现肾损伤，而此时往往已经错过了最佳干预窗口。提前48小时的预警，让医生可以采取预防性措施——调整液体管理、避免肾毒性药物、加强监测——从而将急性肾损伤的严重程度降低40%。
脓毒症是另一个典型场景。脓毒症死亡率高达30%至50%，每延迟一小时治疗，死亡率上升8%。约翰·霍普金斯大学开发的TREWS（Targeted Real-time Early Warning System）系统，实时监测患者数据，在脓毒症症状出现前4至12小时发出预警。2025年发表在《Nature Medicine》上的多中心临床研究显示，使用TREWS后，脓毒症患者的住院死亡率从21%降至12%，平均住院天数减少3.2天。
中国的推想科技、依图医疗也在急诊AI领域取得了进展。上海瑞金医院部署的“胸痛中心AI系统”，能够自动分析心电图、心肌酶谱和临床症状，对急性心肌梗死患者进行风险分层，准确率高达92%，远高于传统TIMI评分（约75%）。系统会直接在心电图上标注“高危STEMI”或“低危非心梗”，并给出建议处置方案（“立即导管室准备”或“门诊随访”），大幅缩短了门-球时间（从入院到球囊扩张的时间）。
参考：https://xbivx.cn
新药研发：从十年周期到AI加速
AI对新药研发的赋能，可能是医疗领域最具颠覆性的变革。传统新药研发需要10至15年，耗资超过20亿美元，且90%的候选药物在临床试验阶段失败。AI正在从靶点发现、分子设计、临床试验优化等全链条缩短这一周期。
2024年是AI制药的“里程碑之年”。英国公司Exscientia与住友制药合作开发的AI设计药物DSP-1181（用于治疗强迫症）进入II期临床试验，从靶点确定到先导化合物优化仅用了12个月，而传统方法需要4至5年。中国的英矽智能走得更远——其AI平台发现的治疗特发性肺纤维化的候选药物ISM001-055，在2025年初完成了IIa期临床试验，显示出良好的安全性和有效性信号，成为全球首个进入II期临床的完全由AI发现的药物。
AI在分子设计中的应用已相当成熟。生成式AI模型（如DiffDock、AlphaFold3）能够预测小分子与靶点蛋白的结合模式和亲和力，在虚拟空间中筛选数十亿个化合物，将湿实验验证的数量从数万个压缩到数百个。晶泰科技利用其ID4平台为多家药企完成了新冠、肿瘤、自身免疫病等多个领域的候选分子发现，平均缩短研发周期1.5年。
AlphaFold3的发布是另一个里程碑。DeepMind在2024年推出的AlphaFold3不仅预测蛋白质结构，还能预测蛋白质与DNA、RNA、小分子、离子的相互作用。这为药物设计提供了前所未有的精度。截至2026年初，全球已有超过200万个研究团队使用了AlphaFold，催生了数千篇基于AlphaFold发现的药物靶点和候选分子的研究论文。
临床试验优化是AI赋能的下一个前沿。传统临床试验招募患者耗时数月，且常因入组缓慢而延期。AI可以自动筛选电子病历，识别符合入排标准的潜在受试者，将招募周期缩短50%以上。此外，AI还可以设计自适应临床试验方案，根据中期结果动态调整试验设计，提高成功率和效率。
挑战：数据孤岛、监管审慎、临床接受度
尽管前景光明，AI医疗面临三大核心挑战。
数据孤岛是最棘手的障碍。医疗数据分布在各个医院、各个科室，格式不统一、标准不一致、无法互通。一个在上海某医院训练的AI模型，到了北京另一家医院可能性能骤降，因为设备品牌、扫描参数、患者人群的差异导致数据分布偏移。联邦学习是解决这一问题的关键技术——模型在各医院本地训练，只共享模型更新而非原始数据，既保护隐私又实现协同学习。但联邦学习在实际部署中仍面临技术和管理挑战。
监管的审慎态度可以理解但确实延缓了落地。三类医疗器械审批流程严格，要求大规模前瞻性临床试验，周期通常在2至3年。而AI模型更新迭代极快，可能每几个月就有性能提升，但按照现行法规，任何算法变更都需要重新审批。2025年，国家药监局推出了“人工智能医疗器械动态监管”试点，允许在限定范围内进行算法持续优化而不需要每次重新审批，这是一个积极的信号。
临床接受度是最后一公里。许多医生对AI持怀疑甚至抵触态度——担心AI会替代自己的工作，或者不信任AI的“黑箱”决策。一项针对中国三甲医院医生的调查显示，62%的医生愿意在AI辅助下做决策，但要求AI能够解释其判断依据。可解释AI因此成为研究热点，通过注意力图、概念激活向量、反事实解释等技术，让AI“说出理由”。
未来展望：从辅助到嵌入，从诊断到预防
展望2030年，AI医疗将实现两个转变。第一是从“辅助工具”到“临床流程的嵌入式组件”。未来AI不是医生主动调用的一个软件，而是无缝嵌入到HIS、PACS、LIS等临床信息系统，自动在后台运行，在关键时刻主动弹出提醒和建议。第二是从“诊断治疗”扩展到“预防健康管理”。通过可穿戴设备、居家检测、语音分析等技术，AI可以在疾病发生之前识别风险，实现“从治病到治未病”的转变。
参考：https://ltglu.cn
AI不会替代医生，但使用AI的医生将替代不使用AI的医生。在可预见的未来，最佳医疗模式是人类医生的经验判断、同理心沟通，与AI的数据处理、模式识别、预测能力有机结合。这不是人机对决，而是人机共生。
