近年来，国内医疗AI赛道可谓持续升温。

头部药企、诊断企业与科技企业纷纷加速AI布局。在这个过程中，基于AI平台开发的创新药管线，将原本极难成药的靶点快速推进到临床试验；腾讯觅影、推想医疗、科亚医疗、科大讯飞等代表性企业的AI产品相继获得二类、三类医疗器械注册证。当前，AI医疗已被纳入新基建支持范畴。自2023年上海市率先启动AI辅助诊断医保收费试点以来，包括北京市在内的全国十余个城市也启动了类似试点。

不过，当医疗AI的热度层层传递到真实的临床诊疗场景中，似乎冷却了不少。近日，在动脉网2026未来医疗100强论坛上，一场以“跨界共创——未来三年 AI 医疗最具爆发力的生态增长点” 为主题的圆桌对话引发行业关注，嘉宾们结合产业实践与学术研究，拆解AI医疗的落地路径与未来趋势，找到了一个共识性的未来新爆点。

跨界共创——未来三年 AI 医疗最具爆发力的生态增长点圆桌论坛  图片来源：动脉网

过去几年，用AI把医疗行业重新做一遍的设想，几乎成为现实。从靶点筛选到药物研发，严肃医疗到消费医疗，AI的身影无处不在。其中，聚焦新靶点开发与验证、临床诊断和健康等场景的AI探索，更是不断掀起热浪，也逐步跑出了各自独特的成长范式。

上游的AI制药，是时下最热门的话题，对传统实践的改变也最深刻。其中，基于AI技术的靶点开发与验证，更是形成了从风险投资、资产交易到获益退出的高效闭环。背后的原因在于，作为新药和诊断试剂开发的核心，传统的靶点开发方式高度依赖人工试错，效率低、失败率高。“新药开发的第一步，是要基于人的智能，总结靶点研发的成功与失败经验，并从中找到可能正确的路径。”南京医科大学检验医学学科带头人、中华医学会检验医学分会副主任委员、IFCC肿瘤分子诊断委员会（C-MDO）主席潘世扬主任在圆桌论坛上指出，到了药物设计阶段，AI可以模拟分子空间构象，降低试错成本，这也是AI被头部药企追捧的关键原因。

南京医科大学检验医学学科带头人、中华医学会检验医学分会副主任委员

IFCC肿瘤分子诊断委员会（C-MDO）主席潘世扬主任  图片来源：动脉网

据介绍，潘世扬主任团队此前曾发现一个在肿瘤组织高表达的蛋白靶点，已经被用于临床诊断，而由于靶点具有促进肿瘤细胞增殖与侵袭转移的作用，目前团队正在基于这个靶点开发相关药物。“在这个过程中运用AI技术，我认为是非常合适的。”潘世扬主任表示。“新药研发、临床诊疗、科研实验，每一个环节都充斥着海量数据与复杂决策，蛋白质分子结构需要逐一分析，多组学数据需要交叉比对，海量文献需要精准溯源，每一个判断都牵动全局。”盈康一生CTO倪永全先生补充到，这意味着，AI在大健康领域的落地，不仅要有强大的底层模型，还必须具备优异的工程化能力，让大模型能够稳定、可控、高效地执行真实世界的复杂任务。

 盈康一生CTO倪永全先生  图片来源：动脉网

中游的临床诊断AI，落地最快，但仍有巨大的提效空间。罗氏诊断中国数字化商业创新总监杨传家先生指出，70%的临床决策来自诊断结果，而AI刚好能补上诊断环节的资源短板与性能上限。其中，病理AI是临床端落地最快的场景之一。在国内，病理医生资源紧缺，基层医院缺口更明显。“AI融入病理全流程已经验证可行，它既能提高病理医生读片效率，也能帮助年轻医生快速成长，弥补人力不足。”杨传家先生介绍。

 罗氏诊断中国数字化商业创新总监杨传家先生  图片来源：动脉网

此外，任何生物标志物都做不到极致的敏感性与特异性，但基于算法的多因素分析，可以进一步优化生物标志物的性能。现阶段，罗氏诊断已经在肝癌早期辅助诊断中，将传统标志物AFP、PIVKA-II与年龄、性别等多维度数据相结合，“经优化后，我们让早期肝癌监测有了更好的性能，能发现更多疾病早期的患者。”杨传家先生表示。

下游的健康管理AI，探索最早、踩坑最多，合理的路径正在出现，但数据门槛极高。在医疗AI的早期浪潮中，大量技术平台探索基于从线下体检中心获取的数据，来开发健康管理相关应用，但能够极少能够在市场上留存。在倪永全先生看来，健康管理数据分为院内和院外两部分，院内数据基于严肃医疗场景产生，应用价值也比较明确，盈康一生更多是尝试挖掘医疗场景之外的健康数据，通过数据驱动的智能化应用，去打通从院内到院外的全链路。

“院外健康管理数据的权属明确属于用户本身，但对于做好健康管理，可以提供很多价值。用户本身也愿意通过技术手段，将体现自身症状、体征变化、心理特征的健康数据，与院内医疗数据相结合，来更好地实现健康管理。”据倪永全先生介绍，这些数据可以从患者自主输入、可穿戴设备生理特征监测、去隐私化技术监测等多渠道去获取。

热浪之下，医疗AI大规模应用的现实中，依然困难重重。

比如，在监管层面，国家明确医疗AI本身尚不能作为医疗收费附加项。再如，商业化方面，多数医疗AI产品仍不成熟，稳定商业模式仍在探索。“行业不能一直靠投资人输血，必须形成可持续商业模式，才能跑通‘产品迭代－临床价值提升－商业回报’的正向循环。”杨传家先生表示。此外，时下最热门的AI大模型，在临床场景下的应用同样存疑。严肃医疗不能直接套用通用大模型，必须有专业医学知识支撑，输出结果必须可解释。倪永全先生指出，通用大模型的可解释性、复杂度，跟诊疗和生命科学的复杂度不在一个量级，需要技术补丁保证结果可靠，工程挑战不小。

不过，究其根本，医疗AI大规模落地仍然受阻的底层逻辑，仍在于各种维度的数据障碍。比如，医疗AI产品定价难，主要是因为循证医学证据不足，而商业闭环能否成立的关键，也在于产品能否靠数据积累，实现性能提升与成本下降。

成长至今，医疗AI的数据问题，早已跳出了 “数据不够多”的叙事框架，而是两类系统性缺陷。一方面，数据本身的质量缺陷，这是模型训练的底层问题。医疗数据质量参差不齐，不同层级医院差异巨大，部分数据存在错误或缺失，直接影响训练效果。另一方面，数据的标准化与可及性缺陷，这是产业化的系统性难题。医疗行业数据标准体系尚未成熟，不同医院、不同设备的数据格式、标注方式差异大。杨传家表示，从厂家开发角度看，院内数据壁垒是现实挑战。医院内部系统繁多，数据呈现高度碎片化和“孤岛”状态。如果无法构建足够大的训练样本集，模型性能上不去，商业闭环更无从谈起。

不过，针对数据问题，行业从未停下探索的脚步。阿里健康大模型市场与生态负责人殷杰先生在论坛上分享了医学垂类大模型的可靠性循证框架，正在成为行业共识。首先要建立底层证据分级体系，使得所有文献和指南在进入系统时，都会基于PICO框架和GRADE标准进行结构化理解。其次是基于PICO的检索与数据增强，保证输出的每句话都有据可查；再对模型强化与微调，让模型学会“什么是准确、忠实询证、安全有用的答案”，并确保满足循证医学的严格标准。最后再建立医学AI专家评价体系，由专病专家对模型推理能力、安全底线做动态评测。继而让AI产品“氢离子”的每一个回答都可追溯、可验证、可信赖。

 阿里健康大模型市场与生态负责人殷杰先生  图片来源：动脉网

此外，据了解，盈康一生正基于大模型搭建数据治理体系，对数据做脱敏、去隐私化、审计、分类分级，建成统一数据湖，从底层保证数据合规可用。倪永全提出 “不追求数据搬运，搬运模型” 的思路，用隐私计算、联邦学习等技术，以数据服务组件的方式实现跨机构数据安全协同训练与微调，不用把原始数据搬出医院，从技术上解决数据合规与壁垒矛盾。

对于未来三年的医疗AI趋势，圆桌嘉宾纷纷认为，诊断赛道会是 AI 医疗最核心的爆发点。潘世扬主任指出判断，AI在临床诊断领域会有非常广阔的应用场景。杨传家先生也表示明确，AI 医疗的爆发点一定以诊断为基础，结合多模态、多学科综合分析，辅助医生做出更精准的临床决策。

在本届大会上，罗氏诊断的揽云实验室AI智慧管家“罗e联”，和罗氏诊断技术创新中心，分别入围“最具创新力产品技术50强”榜单和“产业生态创新与赋能平台50强”榜单。动脉网了解到，罗e联已经落地国内超600家实验室，而罗氏诊断技术创新中心则持续赋能医疗器械、智慧诊断、健康管理等三大赛道的产品创新，正成为罗氏诊断本土化创新的策源地。

当然，相比纯粹的行业趋势认知，一个更重要的共识是，AI 的核心价值是补充人的不足，而不是替代人。医疗行业之所以关注 AI，正是因为它能弥补人的短板。只有明确 AI “补充人而非替代人” 的定位，监管层才能建立合理的定价与责任机制，产业端才能形成可持续商业模式，AI 医疗才能真正从概念走向规模化落地。