DeepSeek颠覆医疗诊断，AI医疗时代奇点已至？-优快云博客

本文链接：https://blog.youkuaiyun.com/YMPzUELX3AIAp7Q/article/details/146003030

大数据产业创新服务媒体

——聚焦数据 · 改变商业

DeepSeek的热风终究是吹到了医疗诊断这座曾经高不可攀的山峰，在这场全民DeepSeek的狂欢中，AI医疗诊断正通过社交平台以前所未有的方式让越来越多的人跃跃欲试。

近日，广东医生博主"孤芳自赏"发帖表示病人用DeepSeek诊断后质疑其的治疗方案，连夜查最新指南才发现半年前国际共识已更新，并形容为“天塌了”，该贴已经引发1.2亿次围观。除了患者端掀起AI诊断和医生诊断结果的碰撞“风尚”，医院端也经历新的诊断革命。

据不完全统计，全国已经有超100家医院完成DeepSeek的本地部署，遍布北京、上海、安徽、四川、广东、河北、湖南、江苏等二十多个省市和自治区，其中大部分是三甲医院。在DeepSeek引爆的AI热潮下，医疗行业俨然已成为AI应用落地的重要领域。

当AI算法开始修正专业医生的诊断结论，医学界不得不直面一个终极诘问：AI医疗的「奇点」是否已经降临？

算力觉醒，当现代医学遇见第三代AI

从工具到决策者的范式革命

在AI医疗进化史上，2024年或将成为分水岭。

在传统AI医疗叙事中，算法往往扮演“辅助角色”，但现在，通过多模态大模型的跨纬度推理，AI可以生成带有概率权重的诊断树。真正的颠覆已经不再是识别病灶，而是在于重构诊断逻辑链。

这背后，是三个维度的技术颠覆。

一是认知维度的突破，以DeepSeek为代表的医疗AI正从单一影像特征分析进化为多维度临床证据链构建。

以往，AI在医疗领域重要作用之一是影像分析，这也是院端最大的堰塞湖。以上海瑞金医院为例，每天产生的病理切片约6000张，每名医生平均每天阅片量约为200至300张。通常情况下，医生需要在显微镜下逐个诊断，耗时约40分钟。

在借助AI大模型交互式病理诊断后，AI大模型能提前识别病灶区域，单切片的诊断时间变为秒级。从过去在显微镜下找病灶到互动式审核AI诊断结果，这背后，是大量的数据投喂。

以亚专科病理医生的规范化培训为例，在长达十年的学习中，医生至少需要研读50本专业书籍，学习诊断50万张病理切片，而大模型在研发过程中，能够短时间研读阅读成倍的诊断书籍和数字切片，在由病理医生整理的常用问题当中，大模型回答的准确率达到了90%。

而DeepSeek这类具备深度检索和逻辑推理能力AI的出现，则让构建多维度临床证据链成为现实。

在临床中，AI能够发挥强大的信息处理能力，快速、全面地检索和梳理相关研究，构建特定疾病或诊疗问题的“证据拓扑图”。这种拓扑图能够清晰地呈现不同研究之间的关联和演进脉络，并智能识别和突出显示重要的前沿进展和共识盲区。

与此同时，临床诊疗过程中，会产生大量来源多样的患者数据，如影像报告、病理信息、检验结果、用药记录等。AI技术能够高效整合并解析这些来自不同系统、不同模态的数据，进行深度关联分析。

直白点说，AI能够同步分析影像特征的动态变化、生物标志物的波动趋势以及药物代谢参数等多维度数据，智能识别疾病诊疗的关键节点和多维度数据的潜在关联。

借助AI，医生可以更高效地从海量数据中提取关键信息，从以往传统经验模式进化为多维融汇的诊疗认知。

二是临床决策升维，AI正在改变临床判断和决策方式。

AI的介入，能够在极短时间内助力医生更全面掌握最新的医学证据，让诊疗决策实现跃升。

以往在临床中，面对复杂病情和多种治疗方案时，往往需要医生进行多方面的权衡和考量。但AI可以基于患者的个体化特征，构建虚拟的治疗链路，模拟不同治疗方案的潜在走向，并以可视化的方式呈现关键指标的预测结果。

通过AI的评估预测，医生可以更全面、系统、直观地评估不同诊疗方案的优劣，从而实现更智能、更精准、更有效的决策进化。

三是现有医疗生态的重构，AI成为真正的参与者。

在医疗行业，医疗AI不是什么新鲜词儿。

从2016年到现在，近10年时间里这一赛道多次获得过市场关注与资本追捧。这期间，AI医疗影像、AI制药、AI导诊、AI手术机器人、医疗大模型等细分赛道你方唱罢我登场，但在商业化面前，受限支付方、收费渠道等问题，医疗AI一直处于叫好不叫座的尴尬境地。

在政策风的吹动下，医疗AI赛道也迎来了新的转机。

去年年底，国家卫健委印发《卫生健康行业人工智能应用场景参考指引》，积极推进卫生健康行业“人工智能+”应用创新发展，其中明确了人工智能在医疗健康行业十三大应用领域的84项典型的应用场景。

在“医疗服务”方面，提出可在医学影像智能辅助诊断、医学影像数据智能辅助质控、临床专病智能辅助决策、基层全科医生智能辅助决策、医学影像智能辅助治疗、手术智能辅助规划、放射治疗靶区智能辅助勾画等领域应用AI。

如今，随着DeepSeek的长驱直入，医院方面表现出了前所未有的兴趣，这让AI走到了以往从未抵达的深度。

以湖南省人民医院为例，2月16日，该完成医疗AI系统DeepSeek本地化部署，截至2月21日，该院DeepSeek平台已累计处理请求量427万次，日均活跃用户（医护人员）达到1237人。在检查、检验报告解读方面医师调用AI辅助解读量占比高达63%，极大缩短了报告解读时间。

长沙市第一医院信息数据部主任唐杰透露，国产AI大模型DeepSeek辅助诊断肺结节阅片时间缩短40%，微小病灶识别率提升25%，准确率在95%以上。该系统功能可以将胃镜检查盲区率降低约16%，根据临床医生反馈，系统预判与病理结果符合率为96%。

从工具到决策者，以DeepSeek为代表的AI，正让医疗诊断进入全新的篇章。而AI对于医疗，还有更多的故事可以讲。

AI医疗能力边界图鉴

2.0时代比想象中应用更广

和大部分普通人仍处于AI诊断带来的震撼不同，AI技术实际上在医疗领域已经走得足够远。

在更宽泛的医疗行业，AI已经不再只是简单地替代或优化人类的工作，而是开始真正参与到重塑医疗流程中来了，我们也称之为AI+医疗的2.0时代。

随着DeepSeek的热浪席卷，AI+医疗也在医疗服务的各个环节掀起各类形式的革命。如果把AI在医疗领域的应用看成是一个坐标，那医疗全链路就是横轴，对应的核心场景就是纵轴，现在，这个坐标中信息已经足够丰富。

场景	主要细分类别	AI技术应用成果
医疗影像	疾病筛查	提高筛查效率，降低误诊/漏诊率
医疗影像	辅助诊断	提高诊断准确性，实现疾病精准分级、分期
临床辅助决策	辅助治疗	治疗方案辅助决策、术前规划、手术导航和预后评估等
精准医疗	基因检测	提升检测效率及准确率，辅助疾病治疗
健康管理	可穿戴设备	实现健康状况实时检测和评估
健康管理	虚拟护士	加强病人日常管理，减少患病风险
医疗信息化	虚拟助理	提升院方导诊、分诊等环节工作效率、提升用户体验
	电子病历	包装数据的标准化、结构化，助力临床决策
	公共卫生信息化	在疫病预防、传染病溯源分析等方面发挥作用
医疗机器人	手术机器人	提升手术精确度，提高手术成功率
	康复护理机器人	缓解康复医疗资源短缺，提高患者康复质量
	医疗服务机器人	智能导诊、消毒杀菌等，降本增效
药物研发	研发环节	靶点发现、化合物快速匹配，可大幅度缩短研发周期、降本，提升研发成功率
药物研发	临床试验	进行临床试验设计、提升临床试验效率，实现临床数据的智慧化管理

当前，全国众多三甲医院进行Deepseek本地化部署，主要应用场景为医疗影像、临床辅助决策和医疗信息化，用户可以在较短时间内就能感受到。

而更大的改变，则在于推翻传统医疗逻辑。

一直以来，医疗界一直有一个“不可能三角”理论，即就医看病时不可能同时满足就诊速度快、医疗费用低、治疗水平高三个要求。任何一个国家的医疗系统，都很难做到提高医疗服务质量的同时，增加医疗服务可及性、降低医疗服务成本。

现在，这个“不可能三角”正被AI+医疗打破。理论上，在AI助力下，医疗服务可以实现大规模、随时随地服务患者，与之对应的医疗成本，也有望进一步降低。

在创新药研发方面，AI也正让医药价格惠民成为可能。众所周知，医药界对于创新药研发有一个“双十定律”，即一款创新药从启动研发到上市，研发时间超过10年，平均成本超10亿美元。AI的应用，正在打破这个定律。

在药物研发领域，AI技术目前主要用于靶点发现、化合物快速匹配等，能够大幅缩短研发周期、降低成本，提高研发成功率。

据英伟达公开资料，使用AI技术可使药物早期发现所需时间缩短至1/3倍，成本节省至1/200倍。相较于传统药物靶点发现方式，应用AI技术可以通过分析大量的生物数据，包括基因数据、蛋白质结构数据等，挖掘潜在的药物作用靶点。AI 算法能够快速识别出与疾病相关的生物分子，并预测它们作为药物靶点的可能性，更快发现更有潜力的新药靶点，并分析差异化竞争优势实现更好的分子结构设计。

如在小分子药物领域，英矽智能的ISM001-055小分子抑制剂，就是一款由生成式AI驱动药物发现与设计过程，靶向TNIK用于特发性肺纤维化（IPF）治疗，在IIa期临床试验中取得了积极的初步研究结果，这样的案例以后会越来越多。

当然，由于各家药企的药物设计均是保密，公开信息及有效数据较少，AI制药会在较长时间内受限于训练用数据的匮乏，但长远来看，趋势已成。

不可否认的是，AI+医疗的2.0时代足够吸引人，但就目前而言，还有太多值得顾虑和警惕的点。

AI医疗普适化的九重门

技术奇迹到普惠医疗隔着巨大鸿沟

AI医疗绘制的蓝图足够吸引人，但技术突进下，现实也有骨感一面。如何普适化，是摆在前面最现实的问题。

AI的底层逻辑是数据和算法，在医疗行业，数据链条恰恰难以闭环。

目前在诊断领域，AI医学影像分析的成熟度是最高的。据头豹研究院测算，2020年至2030年，CT扫描中AI渗透率预计从1.2%增加至44.8%，MRI中AI的渗透率预计从0.0%增加值40.2%，超声中AI的渗透率预计从0.6%增加值40.8%。这是影像相关数据较为充实及国家级、政府项目牵头的结果。

在其他场景，数据往往会成为掣肘。回到最初的问题，为什么Deepseek本地化部署几乎全是三甲医院？原因有二。

第一，成本高昂，需要持续投入。

DeepSeek作为当前国内最强开源模型，不用医院方面承担昂贵的训练成本，但对于医院来说仍是一笔不菲的投入。目前DeepSeek提供了从1.5B到671B的不同参数的开源模型，以便于符合多种场景需求。一般来说，参数量越大，模型的性能越好，尤其是在解决复杂医学任务时，对于模型性能的要求较高。要应对医学数据分析等高精度需求，则需要用到大规模云端计算集群，价格非常昂贵。同时也需要3-5人的运维团队，模型微调和设备的更新换代都需要持续投入。

第二，数据原始积累量大，应用可行性高。

按照国家规定，所有患者诊疗数据必须在内网闭环处理，禁止原始数据跨物理区域传输。

医疗数据高度敏感，需严格遵守GDPR、等保三级等法规。三甲医院对于数据治理能力较高，更容易让AI产生作用。

事实上，尽管进行了本地化部署，医院也堪堪算跨入医疗AI的门槛，更大的挑战还在后面。

首先，院端数据孤岛与系统割裂难以避免。

通常而言，医院医疗数据分散在HIS、LIS、PACS和EMR等多个独立系统中。这些系统间数据格式不一、互联互通性差，容易形成“数据孤岛”，如何打通链路让AI具备全局数据分析能力，是第一步。

其次，医疗数据缺乏统一标准，标记难度大。

医疗数据中约70%为非结构化数据（如病历文本、影像资料），缺乏统一标准，质量参差不齐。AI依赖高质量标注数据进行训练，若输入数据不规范（如手写病历字迹模糊），模型预测偏差将直接影响临床决策。

最后，数据合规和算法稳定性难以保障。

对于医院来说，如何在数据共享与隐私保护间找到平衡，并合法合规，涉及到数据脱敏、加密、权限管理等一系列技术成熟。与此同时，如何避免AI因为训练数据不足而误诊，也是一个现实问题。

除了技术问题，AI医疗涉及到的伦理及法律问题，也需要慎重处理。

如近日，湖南省医疗保障局印发《关于进一步加强基本医疗保障定点零售药店管理的通知》，明确规定医生开具处方应与患者或患者家属进行有效、充分的沟通问诊，严禁使用人工智能等自动生成处方。