【DeepSeek】顛覆醫療診斷，AI醫療時代奇點已至？

DeepSeek的熱風終究是吹到了醫療診斷這座曾經高不可攀的山峰，在這場全民DeepSeek的狂歡中，AI醫療診斷正通過社交平台以前所未有的方式讓越來越多的人躍躍欲試。

近日，廣東醫生博主"孤芳自賞"發帖表示病人用DeepSeek診斷後質疑其的治療方案，連夜查最新指南才發現半年前國際共識已更新，並形容為“天塌了”，該貼已經引發1.2億次圍觀。除了患者端掀起AI診斷和醫生診斷結果的碰撞“風尚”，醫院端也經歷新的診斷革命。

據不完全統計，全國已經有超100家醫院完成DeepSeek的本地部署，遍佈北京、上海、安徽、四川、廣東、河北、湖南、江蘇等二十多個省市和自治區，其中大部分是三甲醫院。在DeepSeek引爆的AI熱潮下，醫療行業儼然已成為AI應用落地的重要領域。

當AI演算法開始修正專業醫生的診斷結論，醫學界不得不直面一個終極詰問：AI醫療的「奇點」是否已經降臨？

算力覺醒，當現代醫學遇見第三代AI

從工具到決策者的範式革命

在AI醫療進化史上，2024年或將成為分水嶺。

在傳統AI醫療敘事中，演算法往往扮演“輔助角色”，但現在，通過多模態大模型的跨緯度推理，AI可以生成帶有機率權重的診斷樹。真正的顛覆已經不再是識別病灶，而是在於重構診斷邏輯鏈。

這背後，是三個維度的技術顛覆。

一是認知維度的突破，以DeepSeek為代表的醫療AI正從單一影像特徵分析進化為多維度臨床證據鏈建構。

以往，AI在醫療領域重要作用之一是影像分析，這也是院端最大的堰塞湖。以上海瑞金醫院為例，每天產生的病理切片約6000張，每名醫生平均每天閱片量約為200至300張。通常情況下，醫生需要在顯微鏡下逐個診斷，耗時約40分鐘。

在借助AI大模型互動式病理診斷後，AI大模型能提前識別病灶區域，單切片的診斷時間變為秒級。從過去在顯微鏡下找病灶到互動式稽核AI診斷結果，這背後，是大量的資料投喂。

以亞專科病理醫生的規範化培訓為例，在長達十年的學習中，醫生至少需要研讀50本專業書籍，學習診斷50萬張病理切片，而大模型在研發過程中，能夠短時間研讀閱讀成倍的診斷書籍和數字切片，在由病理醫生整理的常用問題當中，大模型回答的精準率達到了90%。

而DeepSeek這類具備深度檢索和邏輯推理能力AI的出現，則讓建構多維度臨床證據鏈成為現實。

在臨床中，AI能夠發揮強大的資訊處理能力，快速、全面地檢索和梳理相關研究，建構特定疾病或診療問題的“證據拓撲圖”。這種拓撲圖能夠清晰地呈現不同研究之間的關聯和演進脈絡，並智能識別和突出顯示重要的前沿進展和共識盲區。

與此同時，臨床診療過程中，會產生大量來源多樣的患者資料，如影像報告、病理資訊、檢驗結果、用藥記錄等。AI技術能夠高效整合併解析這些來自不同系統、不同模態的資料，進行深度關聯分析。

直白點說，AI能夠同步分析影像特徵的動態變化、生物標誌物的波動趨勢以及藥物代謝參數等多維度資料，智能識別疾病診療的關鍵節點和多維度資料的潛在關聯。

借助AI，醫生可以更高效地從海量資料中提取關鍵資訊，從以往傳統經驗模式進化為多維融匯的診療認知。

二是臨床決策升維，AI正在改變臨床判斷和決策方式。

AI的介入，能夠在極短時間內助力醫生更全面掌握最新的醫學證據，讓診療決策實現躍升。

以往在臨床中，面對複雜病情和多種治療方案時，往往需要醫生進行多方面的權衡和考量。但AI可以基於患者的個體化特徵，建構虛擬的治療鏈路，模擬不同治療方案的潛在走向，並以可視化的方式呈現關鍵指標的預測結果。

通過AI的評估預測，醫生可以更全面、系統、直觀地評估不同診療方案的優劣，從而實現更智能、更精準、更有效的決策進化。

三是現有醫療生態的重構，AI成為真正的參與者。

在醫療行業，醫療AI不是什麼新鮮詞兒。

從2016年到現在，近10年時間裡這一賽道多次獲得過市場關注與資本追捧。這期間，AI醫療影像、AI製藥、AI導診、AI手術機器人、醫療大模型等細分賽道你方唱罷我登場，但在商業化面前，受限支付方、收費管道等問題，醫療AI一直處於叫好不叫座的尷尬境地。

在政策風的吹動下，醫療AI賽道也迎來了新的轉機。

去年年底，國家衛健委印發《衛生健康行業人工智慧應用場景參考指引》，積極推進衛生健康行業“人工智慧+”應用創新發展，其中明確了人工智慧在醫療健康行業十三大應用領域的84項典型的應用場景。

在“醫療服務”方面，提出可在醫學影像智能輔助診斷、醫學影像資料智能輔助質控、臨床專病智能輔助決策、基層全科醫生智能輔助決策、醫學影像智能輔助治療、手術智能輔助規劃、放射治療靶區智能輔助勾畫等領域應用AI。

如今，隨著DeepSeek的長驅直入，醫院方面表現出了前所未有的興趣，這讓AI走到了以往從未抵達的深度。

以湖南省人民醫院為例，2月16日，該完成醫療AI系統DeepSeek本地化部署，截至2月21日，該院DeepSeek平台已累計處理請求量427萬次，日均活躍使用者（醫護人員）達到1237人。在檢查、檢驗報告解讀方面醫師呼叫AI輔助解讀量佔比高達63%，極大縮短了報告解讀時間。

長沙市第一醫院資訊資料部主任唐傑透露，國產AI大模型DeepSeek輔助診斷肺結節閱片時間縮短40%，微小病灶識別率提升25%，精準率在95%以上。該系統功能可以將胃鏡檢查盲區率降低約16%，根據臨床醫生反饋，系統預判與病理結果符合率為96%。

從工具到決策者，以DeepSeek為代表的AI，正讓醫療診斷進入全新的篇章。而AI對於醫療，還有更多的故事可以講。

AI醫療能力邊界圖鑑

2.0時代比想像中應用更廣

和大部分普通人仍處於AI診斷帶來的震撼不同，AI技術實際上在醫療領域已經走得足夠遠。

在更寬泛的醫療行業，AI已經不再只是簡單地替代或最佳化人類的工作，而是開始真正參與到重塑醫療流程中來了，我們也稱之為AI+醫療的2.0時代。

隨著DeepSeek的熱浪席捲，AI+醫療也在醫療服務的各個環節掀起各類形式的革命。如果把AI在醫療領域的應用看成是一個坐標，那醫療全鏈路就是橫軸，對應的核心場景就是縱軸，現在，這個坐標中資訊已經足夠豐富。

當前，全國眾多三甲醫院進行Deepseek本地化部署，主要應用場景為醫療影像、臨床輔助決策和醫療資訊化，使用者可以在較短時間內就能感受到。

而更大的改變，則在於推翻傳統醫療邏輯。

一直以來，醫療界一直有一個“不可能三角”理論，即就醫看病時不可能同時滿足就診速度快、醫療費用低、治療水平高三個要求。任何一個國家的醫療系統，都很難做到提高醫療服務質量的同時，增加醫療服務可及性、降低醫療服務成本。

現在，這個“不可能三角”正被AI+醫療打破。理論上，在AI助力下，醫療服務可以實現大規模、隨時隨地服務患者，與之對應的醫療成本，也有望進一步降低。

在創新藥研發方面，AI也正讓醫藥價格惠民成為可能。眾所周知，醫藥界對於創新藥研發有一個“雙十定律”，即一款創新藥從啟動研發到上市，研發時間超過10年，平均成本超10億美元。AI的應用，正在打破這個定律。

在藥物研發領域，AI技術目前主要用於靶點發現、化合物快速匹配等，能夠大幅縮短研發周期、降低成本，提高研發成功率。

據輝達公開資料，使用AI技術可使藥物早期發現所需時間縮短至1/3倍，成本節省至1/200倍。相較於傳統藥物靶點發現方式，應用AI技術可以通過分析大量的生物資料，包括基因資料、蛋白質結構資料等，挖掘潛在的藥物作用靶點。AI 演算法能夠快速識別出與疾病相關的生物分子，並預測它們作為藥物靶點的可能性，更快發現更有潛力的新藥靶點，並分析差異化競爭優勢實現更好的分子結構設計。

如在小分子藥物領域，英矽智能的ISM001-055小分子抑製劑，就是一款由生成式AI驅動藥物發現與設計過程，靶向TNIK用於特發性肺纖維化（IPF）治療，在IIa期臨床試驗中取得了積極的初步研究結果，這樣的案例以後會越來越多。

當然，由於各家藥企的藥物設計均是保密，公開資訊及有效資料較少，AI製藥會在較長時間內受限於訓練用資料的匱乏，但長遠來看，趨勢已成。

不可否認的是，AI+醫療的2.0時代足夠吸引人，但就目前而言，還有太多值得顧慮和警惕的點。

AI醫療普適化的九重門

技術奇蹟到普惠醫療隔著巨大鴻溝

AI醫療繪製的藍圖足夠吸引人，但技術突進下，現實也有骨感一面。如何普適化，是擺在前面最現實的問題。

AI的底層邏輯是資料和演算法，在醫療行業，資料鏈條恰恰難以閉環。

目前在診斷領域，AI醫學影像分析的成熟度是最高的。據頭豹研究院測算，2020年至2030年，CT掃描中AI滲透率預計從1.2%增加至44.8%，MRI中AI的滲透率預計從0.0%增加值40.2%，超聲中AI的滲透率預計從0.6%增加值40.8%。這是影像相關資料較為充實及國家級、政府項目牽頭的結果。

在其他場景，資料往往會成為掣肘。回到最初的問題，為什麼Deepseek本地化部署幾乎全是三甲醫院？原因有二。

第一，成本高昂，需要持續投入。

DeepSeek作為當前國內最強開源模型，不用醫院方面承擔昂貴的訓練成本，但對於醫院來說仍是一筆不菲的投入。目前DeepSeek提供了從1.5B到671B的不同參數的開源模型，以便於符合多種場景需求。一般來說，參數量越大，模型的性能越好，尤其是在解決複雜醫學任務時，對於模型性能的要求較高。要應對醫學資料分析等高精度需求，則需要用到大規模雲端計算叢集，價格非常昂貴。同時也需要3-5人的維運團隊，模型微調和裝置的更新換代都需要持續投入。

第二，資料原始積累量大，應用可行性高。

按照國家規定，所有患者診療資料必須在內部網路閉環處理，禁止原始資料跨物理區域傳輸。

醫療資料高度敏感，需嚴格遵守GDPR、等保三級等法規。三甲醫院對於資料治理能力較高，更容易讓AI產生作用。

事實上，儘管進行了本地化部署，醫院也堪堪算跨入醫療AI的門檻，更大的挑戰還在後面。

首先，院端資料孤島與系統割裂難以避免。

通常而言，醫院醫療資料分散在HIS、LIS、PACS和EMR等多個獨立系統中。這些系統間資料格式不一、互聯互通性差，容易形成“資料孤島”，如何打通鏈路讓AI具備全域資料分析能力，是第一步。

其次，醫療資料缺乏統一標準，標記難度大。

醫療資料中約70%為非結構化資料（如病歷文字、影像資料），缺乏統一標準，質量參差不齊。AI依賴高品質標註資料進行訓練，若輸入資料不規範（如手寫病歷字跡模糊），模型預測偏差將直接影響臨床決策。

最後，資料合規和演算法穩定性難以保障。

對於醫院來說，如何在資料共享與隱私保護間找到平衡，併合法合規，涉及到資料脫敏、加密、權限管理等一系列技術成熟。與此同時，如何避免AI因為訓練資料不足而誤診，也是一個現實問題。

除了技術問題，AI醫療涉及到的倫理及法律問題，也需要慎重處理。

如近日，湖南省醫療保障局印發《關於進一步加強基本醫療保障定點零售藥店管理的通知》，明確規定醫生開具處方應與患者或患者家屬進行有效、充分的溝通問診，嚴禁使用人工智慧等自動生成處方。

更早之前，國家衛健委、國家中醫藥管理局2022年發佈的《網際網路診療監管細則（試行）》，就有多處對人工智慧使用的限制規定，其中包括“醫師接診前需進行實名認證，確保由本人提供診療服務。”此外也規定“處方應由接診醫師本人開具，嚴禁使用人工智慧等自動生成處方”。

而支付端作為AI醫療賴以生存的底座，同樣是AI醫療普適化的重要關卡。

去年9月，湖南省醫保局曾出台AI診斷、手術機器人收費標準，明確規定人工智慧、增強現實等手術規劃產品不能收費；手術導航產品，加收40%，封頂2000元，並規定加收費用不納入醫保。

國家醫保局在去年11月也表示，將在放射檢查、超聲檢查、康復類項目中設立“人工智慧輔助”擴展項；同樣的價格水平下，醫務人員診療和人工智慧參與診療，現階段不重複收費。

由此而言，讓DeepSeek分析病情，僅僅是掀開了AI醫療的帷幕一角，在AI醫療這條路上，我們需要謹慎並擁抱，不能做“用核磁共振儀的中世紀巫師”。

可以肯定的是，隨著DeepSeek等AI技術的湧現，醫療領域正經歷人類史上的重大變革。

具備更高階資訊處理能力及決策建議的AI，協同更專業和人性化的醫生，共同守衛人類健康的“人機協同”醫療幻想，已經邁出了關鍵一步。 (資料猿)