當各行各業(yè)因為經濟周期的壓力而出現回調時，醫(yī)療AI行業(yè)在尚未突破規(guī)?；那闆r下，仍維持著高增速發(fā)展。最新市場調研數據顯示，2024年中國解決方案市場共計164億元，預期于2030年擴大至353億元，CAGR13.63%。

龐大且增長的市場不僅吸引了更多創(chuàng)業(yè)者，亦將帶動大量醫(yī)生進入AI的科學研究與產品研發(fā)，當前的醫(yī)療AI已不是某個單一學科的造物，而是計算機、工業(yè)、醫(yī)學等學科的深度融合。

聚焦2025年，醫(yī)療AI最顯著的變化可歸納于兩個要點：大模型的突破式演變與醫(yī)療機構的規(guī)?；瘏⑴c。

2025年年初DeepSeek發(fā)布的DeepSeek-R1為大模型產業(yè)帶來。參數高效微調（PEFT）、混合專家架構（MoE）等創(chuàng)新設計支持下，DeepSeek成功降低了大模型的入場門檻，讓醫(yī)院管理者們開始主動部署基礎設施。

動脈智庫統(tǒng)計數據顯示：截至2025年5月，第三方榜單中國內排名前100的醫(yī)院已全部完善大模型部署，有38家醫(yī)院在通用模型的基礎上進一步展開研發(fā)，打造出55個符合自身需求的垂直醫(yī)療模型，其中22個為專科模型。

同時，醫(yī)生對于大模型的實操熱情也遠超傳統(tǒng)AI。當深圳市衛(wèi)健委開始限制醫(yī)院自行算力采購（算力集中采購，避免單個醫(yī)院過量采購造成算力浪費），醫(yī)院不愿意數據出院時，部分醫(yī)生仍通過申請科研的方式繞過政策算力采購，堅持借助大模型進行臨床科研探索。

2025年上半年醫(yī)院參與開發(fā)的?？拼竽Ｐ停ㄙY料來源：公開信息）

需要注意的是，非Transformer架構AI同樣在臨床中的應用愈發(fā)深入。過去它們集中落地于醫(yī)技科、信息科等科室，賦能問診、檢查、隨訪環(huán)節(jié)，近年來手術機器人的崛起后，大量應用開始出現在治療場景。

公開資料顯示，胸外科、神經外科、心內科、骨科等涉及手術的科室均已有大量輔助治療型AI可供選擇。本次調研中，超過90%使用過相關AI的醫(yī)生都給予了正向反饋，證實AI能夠提升手術精準度，顯著降低并發(fā)癥發(fā)生概率。

人工智能在醫(yī)療領域細分場景應用全景（資料來源：動脈智庫）

政策方面的推進力度也在逐步加大?！蛾P于優(yōu)化全生命周期監(jiān)管支持高端醫(yī)療器械創(chuàng)新發(fā)展的舉措（征求意見稿）》，公開征求多病種AI、大模型等新興技術準入方式的意見，先行一步為大模型的發(fā)展樹立道標。

《關于促進和規(guī)范“人工智能+醫(yī)療衛(wèi)生”應用發(fā)展的實施意見》則提出24個重點應用建設方向，要求到2027年建立一批衛(wèi)生健康行業(yè)高質量數據集和可信數據空間，形成一批臨床專病?？拼怪贝竽Ｐ秃椭悄荏w應用，基層診療智能輔助、臨床專科專病診療智能輔助決策和患者就診智能服務在醫(yī)療衛(wèi)生機構廣泛應用，基本建成一批醫(yī)療衛(wèi)生領域國家人工智能應用中試基地，打造更多高價值應用場景，帶動健康產業(yè)高質量發(fā)展。以上政策的出臺進一步明晰了醫(yī)療AI的發(fā)展路徑。

總的來說，現階段的醫(yī)療AI享受到了資本、政策、醫(yī)生協(xié)同的紅利，可在至少3年內為醫(yī)療AI高速發(fā)展提供充足動力。但要將這些資源轉化為源源不斷的價值，醫(yī)療AI還需進一步壓低研發(fā)成本，解決好醫(yī)療AI的“價值分歧”，在商業(yè)模式/支付方上進行創(chuàng)新。

01

價值分歧深陷：難以平衡的患者療效與科室效益

盡管AI在多方協(xié)力之下發(fā)展迅速，作為獨立產品形態(tài)出現的AI器械/軟件始終難以在商業(yè)化破局。歸根結底，醫(yī)療AI在不同部署環(huán)境產生的價值不一致，醫(yī)院很難精準核算效益，一定程度上阻礙了醫(yī)療AI的商業(yè)化。

此外，應用AI產生的診療效益未必能轉化為醫(yī)院價值。大多數情況下，只有在符合管理者利益的情況下才會配置AI，因而部分服務于醫(yī)生、患者的智能應用可能會在采購中被忽視。

■ 短期：醫(yī)院和醫(yī)生利益大部分不一致

考慮科室容量（態(tài)度中立，下同）：出現患者排隊時（主要出現在影像科），對于單一環(huán)節(jié)的優(yōu)化理論上能夠對整體帶來效率提升，幫助醫(yī)生收治更多患者；未出現排隊時，科室引入AI后，患者數量不會變化，醫(yī)生工作更輕松，但AI對于醫(yī)生效率的提升不會在短期內帶來效益。

考慮應用功能（反向）：醫(yī)院以評級為目的采購AI，可能忽視應用能力、互操作性等因素，而這些因素與醫(yī)生的使用體驗緊密相關。

考慮模型自主學習（反向）：醫(yī)院希望醫(yī)生能夠整理診療過程中產生的數據，實現院內的模型的自主學習；將自身能力給予AI不符合醫(yī)生短期利益，部分醫(yī)生反感借助自身數據訓練模型。

■ 長期：醫(yī)院和醫(yī)生利益大部分一致

科室方面（一致），更好的手術質量將為醫(yī)院帶來更多的名望，吸引更多患者前往治療，可能同時提升科室效益與醫(yī)生收入。

科研方面（一致）：AI節(jié)約下來的時間推進醫(yī)生進行更多科教工作，可提升醫(yī)生個人影響力及醫(yī)院整體科研實力。

自主學習（中立）：模型學習醫(yī)生習慣后可在醫(yī)生再次使用時進行個性化設置（尤其是在手術操作方面），同時提高手術效益及手術效率，進而轉化為科室效益。但對于資深醫(yī)生而言，將自己積累的經驗無償整合成AI能力，提升了科室能力，卻降低了自身競爭力，不符合資深醫(yī)生利益，因而部分醫(yī)生不愿將其相關數據用作AI模型訓練。

考慮成本（反向）：AI的規(guī)?；褂每赡芙档歪t(yī)院對醫(yī)生數量的需求，對醫(yī)生工資或崗位進行降裁。

■ 患者方面：患者與科室利益可能不一致

患者體驗（一致）：AI可對療效與手術進行優(yōu)化，為患者帶來更好的預后，在DRG支付下提升結余，進而提升醫(yī)生及科室收入。

患者支付（反向）：部分流程優(yōu)化降低了患者的治療時間及治療花費，但可能因為改變了編碼、減少了科室協(xié)助而降低了科室收入。

從上述分析可以看出，配置AI后的短期時間中醫(yī)院和醫(yī)生大部分情況下利益不一致，短期部署利于醫(yī)生不利于醫(yī)院，且投資回收期難以估量。在當前經濟環(huán)境下醫(yī)院普遍現金流緊張，管理者傾向于控制風險，投資回收期短的創(chuàng)新技術，因而能夠接受AI落地，但難以為其支付費用。

至于長期效益，實際調研結果：2020年—2021年開始在臨床科室部署專科AI的醫(yī)院，已有部分實現了科室效率、就診人數的雙向提升，醫(yī)生診療流程與AI應用深度融合。

不過，不同科室短期、長期內的效益計量各不相同，受宏觀政策、醫(yī)院硬件、管理者觀念、AI能力界限、AI支付方等因素影響較大，需要獨立考察。在本報告中，我們將深入胸外科、心內科、神經外科、放療科等科室，逐一分析具體臨床環(huán)境下的AI應用與商業(yè)化進展，找到化解醫(yī)療AI商業(yè)化難題的新思路。

02

科室分析：胸外科

作為三級醫(yī)院患者診療量偏大，臨床壓力及工作強度偏高的科室，胸外科天然存在醫(yī)療AI的需求，用以提升科室運行效率與診療，降低醫(yī)生日常過程中的冗余診療。

同時，胸外科診療過程中產生的數據易于標準化，尤其是在肺外科中，CT、DR等肺部影像數據非常適合于深度學習訓練，因而成為醫(yī)療AI最早賦能的場景之一。

胸外科門診情況及人工智能分布（資料來源：調研訪談）

調研顯示，國內三級醫(yī)院胸外科使用頻率較高的AI集中于輔助診斷、輔助穿刺、手術規(guī)劃、術中導航方面，尤其以肺外科最為成熟。

診斷階段，基于低于100層CT影像樣本的人機對照實驗，醫(yī)生獨立判別肺結節(jié)需要耗時5～10分鐘，在人機協(xié)作模式下耗時為1.6～2.2分鐘，理論上可縮短2.8～8.4分鐘，效率提升范圍為56%～84%。當CT層數增加，效率提升比率還有進一步增長的空間。

以東北某三甲醫(yī)院為例，該院肺外科醫(yī)生每日需從頭至尾翻閱60組患者影像，閱片速度慢且容易漏診。AI賦能后，平均每日會篩出數個需要特別關注的影像（該醫(yī)院通常為5—6個），部分醫(yī)生詳看標注影像，略看非標注影像，提升整體診斷效率約73%。該系統(tǒng)上線約4年時間，加上術中AI的賦能，該科室門診量已提升約40%。

手術階段，AI價值創(chuàng)造主要體現在復雜手術規(guī)劃與穿刺角度指導。復雜手術規(guī)劃方面，年輕醫(yī)生在處理風險較大的病灶（如貼近血管的病灶）時容易發(fā)生失誤，AI可以對穿刺路徑進行優(yōu)化，降低醫(yī)生的穿刺風險。穿刺角度方面，醫(yī)生要在立體人體中，精準復刻二維影像上的 “虛擬角度”，還要應對呼吸、體位等動態(tài)干擾，很難快速找到有效的穿刺角度，AI可以幫助醫(yī)生實時判斷穿刺角度是否符合手術要求。

AI穿刺的價值資料來源：公開信息、調研訪談

在AI+穿刺中，某三甲醫(yī)院數據顯示：使用AI賦能的機器人組在調整不超過2次的定位成功率（76.5% vs. 25.0%）、穿刺平均調整次數（1.62±1.71次 vs. 4.39±3.69次）、患者接受的CT掃描次數（5.47±2.59次 vs. 8.39±4.69次）方面均顯著優(yōu)于傳統(tǒng)人工穿刺方式組。

三維重建方面，哈爾濱醫(yī)科大學附屬第一醫(yī)院引入AI實現精準肺段切除后，患者的3年生存率提升了約20%，并發(fā)癥顯著減少（頑固性咳嗽下降約40%、疼痛下降約20%、并發(fā)癥下降約30%）。住院時間方面，該院引入AI前平均住院日為12天，現如今為5天，提升效率約58.3%。

理論上講，胸外科AI的商業(yè)價值取決于其為科室?guī)淼慕洕鷥r值。目前胸外科AI表現分為三種模式：增效、提質、優(yōu)化流程。其中，增效主要為科室?guī)韮r值，提質主要為患者帶來價值，優(yōu)化流程部分情況下為醫(yī)生帶來價值，部分情況下為患者帶來價值。

在科室實際診療成本低于該DRG組付費標準的前提下，提效模式對科室收益有一定影響，但影響幅度有限。這是因為科室經營效率提升在核心邏輯上符合木桶原理，即效率提升的上限由最薄弱的環(huán)節(jié)決定。即便問診、手術環(huán)節(jié)能夠提升超過50%，但術前檢查過長、醫(yī)生排班不合理等情況都會影響最終效率的實現。

提質模式對于患者價值提升比較明顯，對于科室價值的提升視情況而定。當科室床位處于飽和狀態(tài)時且診療成本低于該DRG組付費標準時，將平均住院日縮短能夠增加科室獲得的醫(yī)保支付結余。但若床位有空余，AI的賦能僅能通過降低單病例成本（減少并發(fā)癥，降低再入院率）獲得更多結余，存在價值但較為有限。

優(yōu)化流程模式相較于前兩種模式常會因為具備極大的患者價值而實現更高綜合價值（患者價值+科室價值），但可能不利于DRG下的科室績效考核。

以后縱隔的神經纖維瘤為例，傳統(tǒng)路徑下胸外科醫(yī)生會做胸部增強CT，明確腫瘤位置、大小、與血管（如主動脈、奇靜脈）、氣管及椎間孔的關系。但若腫瘤入侵了椎間孔，則需加做胸部 MRI，聯合神經外科評估風險，患者總花費約5萬元。

AI三維重建技術成熟后，部分AI能夠借助CT影像重建重要神經，直接判斷切除風險。由于沒有神經外科參與，患者總花費下降，診斷流程隨之縮短。但在DRG下，傳統(tǒng)診療路徑涉及兩個術式，能夠分成兩個部分報銷，而新流程僅涉及一臺手術，報銷費用減少。

此形勢下，新流程有利于患者利益但不利于科室利益，相關AI在短期內難以實現它的價值，一定程度削減了它的商業(yè)價值。但在長期之中，相關AI仍然保留價值質變的可能，這一可能將與DRG的支付規(guī)則變化緊密聯系。

03

數據資產化：暗藏醫(yī)療AI可持續(xù)增長的破局路徑

從醫(yī)療AI在臨床?？婆c臨床支撐兩個部分的應用來看，醫(yī)療AI能夠發(fā)揮一定價值，但這些價值絕大部分不足以說服支付方進行支付。那么，在未來一段時間中，醫(yī)療AI仍需探索更多路徑，更深入地應用于臨床，探索那些能夠更直觀改善患者檢查、手術受益的應用場景。

不過，更深入的探索意味著更高昂的成本，如果要維持醫(yī)療AI的可持續(xù)發(fā)展，行業(yè)必須探索出更優(yōu)的研發(fā)路徑，有效控制支出，以更低的成本產出更高效的AI。此外，壓低成本還能進一步影響售價，進而在更多醫(yī)療場景中打開銷售空間。

在2023年前，“數據治理”作為研發(fā)AI的硬性成本，我們很難在這一環(huán)節(jié)中談“降本”。但在國家數據局成立后，數據的“生產要素”這一身份開始發(fā)揮作用，變局從這里開始。

當前階段，“數據”要素對AI發(fā)展的影響較算力、算法更直接、更深遠。它不僅取決于企業(yè)對于該要素的投入；企業(yè)、醫(yī)療機構、研究機構的數據治理速度，還取決于醫(yī)療健康數據相關倫理的探索，即研發(fā)者對于醫(yī)療健康數據的使用方式。

如果能夠提升數據治理效率，壓縮優(yōu)質數據集制作成本，實現優(yōu)質數據的多重復用，醫(yī)療AI產業(yè)的應用范疇及算法本身的魯棒性都能實現大幅提高。

數據集建設難點資料來源：調研訪談、東軟醫(yī)療

2020年4月，國務院發(fā)布《關于構建更加完善的要素市場化配置體制機制的意見》，正式將數據確立為第五大生產要素，明確提出“健全數據要素流通規(guī)則”。2023年國家數據局的成立后“數據資產化”提速，醫(yī)療健康數據從此真正意義上開啟探索。

圍繞健康數據資產化展開的數據復用路徑很多，這里重點圍繞場內交易與可信數據空間展開。

醫(yī)療數據的場內交易是國家公允的數據流通方式。高效數據流通的前提在于具備豐富的供應商和充足的需求?，F階段需求充沛，但供應商有所不足。

將原始數據轉變?yōu)榭晒┙灰椎尼t(yī)療健康數據標的，供給方通常需要完成收集數據、治理數據、律所評估、確立資產、平臺交易五個環(huán)節(jié)，治理數據、律所評估、確立資產三個部分共同組成了數據資產的生產成本。

1. 數據清洗環(huán)節(jié)。機構在建立數據資產前需確立數據集的內容，找到原始數據及對原始數據進行清洗。以影像數據資產為例，三甲醫(yī)院醫(yī)生標準一張胸部CT的成本大概為50元-60元/張。包含1000例患者的數據集，對應數據治理的成本為5萬—6萬元。

2. 完成數據治理后，下一步供給方需要請律師事務所進行合規(guī)評估，保證數據資產的來源符合法律要求。各個律所的收費標準近似，費用與數據內容無關，僅按體量、次數計量。一般而言，單次數字資產評估的費用在5萬—6萬元浮動。

3. 資產確權，數據供給方需要找到交易所進行資產確權，出具一份用于公示和交易的數據資產證書。這一步驟相較前面要便宜些，不同交易所收費不同，但都限定在數千元內。

三個環(huán)節(jié)成本綜合約在10萬元左右，對于部分機構（尤其是醫(yī)療機構）而言，在單個醫(yī)療健康數據資產交易次數的情況下，數據資產生產的成本可能超過數據交易收益，還需承擔數據相關風險，因而短期內銷量受限，致使醫(yī)療數據資產供給稀缺。

部分信息科醫(yī)生表示：現階段的數據交易為醫(yī)院帶來的收益不足以讓醫(yī)院冒這么大的風險。因此，目前大多數醫(yī)院仍處于觀望狀態(tài)，有待醫(yī)療數據交易市場進一步發(fā)展。

部分上架線上交易所的健康數據交易標的

（資料來源：公開信息，統(tǒng)計截至2025年7月10日，非完全統(tǒng)計）

可信數據空間是一種基于共識規(guī)則的數據流通利用基礎設施，旨在聯接多方主體，實現數據資源的共享共用。相較于區(qū)塊鏈、隱私計算等技術，它的突破在于構建了一個內涵數據共享信任機制的特殊空間，為不同主體、行業(yè)和區(qū)域營造安全可信的數據流通環(huán)境，推動數據有序流動。

具體而言，可信數據空間可保障數據資源接入、使用、溯源全過程的“可信” 能力，通過對接入主體、數據、產品及服務、技術組件等進行嚴格的接入認證，確?？臻g內主體身份可信、數據可用、產品與服務安全可靠。同時，借助數字合約與使用控制策略，對數據流通使用全過程行為實施實時管控，切實保障各方的數據權益。

在醫(yī)療健康領域，這一技術的價值在于幫助醫(yī)療機構、藥企、保險、科研機構等各方能夠在遵循共同規(guī)則的基礎上，安全地共享患者診療數據、臨床研究數據等各類醫(yī)療數據，打破數據孤島，促進醫(yī)療數據的深度整合與利用。

醫(yī)保行業(yè)的可信數據空間

（數據來源：公開信息，江蘇省數據集團）

醫(yī)療健康數據交易市場未成規(guī)模前，可信數據空間可以承擔小規(guī)模的數據交易，推進空間建設主體的數據復用。

總的來說，可信數據空間領域已有積極的探索和實踐，但整體發(fā)展尚處于起步階段，特別是“大模型+數據空間”的結合，因技術復雜度高和成本約束，相關應用案例較為稀缺。要真正推動可信數據空間的健康發(fā)展，還需要形成統(tǒng)一技術路線和標準體系，并解決大模型與數據空間技術結合的問題，推動安全、高效、公平的數據流通環(huán)境建設。

以上為報告主要內容節(jié)選，掃描二維碼，即可免費下載報告全文。

報告目錄

第一章：醫(yī)療人工智能，困在價值分歧里

1.1“資本+政策+醫(yī)生”三向驅動，3年內醫(yī)療AI仍將維持高速發(fā)展

1.2 價值分歧深陷：難以平衡的患者療效與科室效益

第二章：臨床?？迫斯ぶ悄埽夯颊攉@益顯著，需在院外場景探索支付方

2.1 胸外科：發(fā)跡于診斷，深根于治療

2.2 心內科：后發(fā)先至，器械銷售開啟AI商業(yè)化新路徑

2.3 骨科：高度契合機器人應用，率先實現AI規(guī)?；涞?/p>

2.4 神外科：聚焦治療，人工智能重塑精細手術

2.5 內分泌科：盤活慢病管理，全周期賦能衍生海量健康數據價值

2.6 臨床AI科室的商業(yè)化需要轉變思維

第三章：臨床支撐人工智能：醫(yī)技落地模式成熟，信息需與系統(tǒng)深度融合

3.1 醫(yī)技科-影像科：人工智能賦能最全面的科室

3.2 醫(yī)技科-放療科：尋求療效最大化與損傷最小化的智慧飛躍

3.3 醫(yī)技科-病理科：大模型或能重新定義病理能力

3.4 醫(yī)技科-檢驗科：多模態(tài)大模型實現效率質變

3.5 管理支撐－信息科：融入系統(tǒng)，不以效益為核心目的

3.6 基層醫(yī)療：商業(yè)化模型轉向，政策驅動向用戶驅動遷移

第四章 數據資產化：暗藏醫(yī)療AI可持續(xù)增長的破局路徑

4.1 醫(yī)療數據治理的智能化迭代

4.2 醫(yī)療數據的復用

4.3 倫理問題下的挑戰(zhàn)與機遇

第五章 企業(yè)案例

*封面圖片來源：123rf

如果您認同文章中的觀點、信息，或想進一步討論，請與我們聯系；也可加入動脈網行業(yè)社群，結交更多志同道合的好友。

聲明：動脈網所刊載內容之知識產權為動脈網及相關權利人專屬所有或持有。未經許可，禁止進行轉載、摘編、復制及建立鏡像等任何使用。文中如果涉及企業(yè)信息和數據，均由受訪者向分析師提供并確認。