闾海荣：理性看待DeepSeek对医疗大模型的促进作用

来源：HIT专家网 作者：清华大学自动化系生命基础模型实验室 闾海荣

近年来，随着人工智能（AI）技术的进步，尤其是大模型的出现，其在医疗健康领域的应用逐步深化，从影像分析、辅助决策到全病程管理和临床科研智能化，AI技术正逐步渗透至医疗行业的各个环节。然而，真正实现医疗AI的落地仍然面临诸多挑战，需要技术、产业、政策等多方面的合力推进。

本文将结合我们在清华大学自动化系生命基础模型实验室的研究以及在产业界的实践，探讨医疗AI的典型应用场景与挑战、核心技术突破、落地挑战及未来发展方向。

人工智能在医疗健康领域的应用场景及挑战

1. 影像智能分析：AI赋能精准诊断

医学影像AI是医疗AI领域最早落地的方向，涵盖放射影像（CT、MRI）、病理影像、超声影像等多个子领域。医疗影像数据相对标准化，是AI最容易达到卓越效果的方向。例如，我们开发的脑胶质瘤病理AI（Nature Machine Intelligence, 2024），在大规模多中心数据上验证了其在分子分型、诊断、病程预测等方面的价值，并通过人机对抗实验，验证了AI在高级病理分析中的可行性。

面临的挑战在于：

仍然存在泛化能力不足的问题，在不同医院、不同设备、不同人群的数据上，模型可能会表现出较大的性能波动。

AI需要进一步与临床流程和医疗设备深度融合，让医生可以更高效地调用AI结果，并减少误判风险。

2. 临床辅助决策：AI让医学知识“可计算”

临床决策传统上依赖医生的知识积累和临床经验，而AI可以利用医学知识图谱、临床指南、病例数据等构建辅助决策系统，帮助医生提供更精准的诊疗方案。例如，我们构建了覆盖导诊、诊断、治疗、用药建议、随访等多个环节的权威医学知识图谱，结合大模型，在多个医疗机构中应用效果良好。

面临的挑战在于：

现阶AI辅助决策仍然偏“工具型”，医生的使用粘性不够，需要AI更加主动地融入诊疗工作流。

需要进一步结合因果推理，使AI具备医学推理能力，而不仅仅是模式匹配。

3. 全病程管理：AI让健康管理更精准

AI在慢病管理、术后康复、疾病随访等方面发挥着越来越重要的作用。例如，智能随访AI结合大语言模型（LLM）与患者健康数据，为慢病和术后患者提供个性化健康建议，能够有效提升患者依从性和长期健康管理效果。

面临的挑战在于：

现有AI交互方式仍然较为单一，患者的使用粘性有待提高。

如何构建更智能的健康管理助手，让AI在患者健康管理过程中发挥更持久的价值，是下一步的突破方向。

4. 临床科研智能化：AI赋能医疗科研

AI在临床科研方面有着巨大的潜力，可用于患者入组筛选、临床试验数据分析、真实世界研究（RWS）等多个领域。例如，内嵌大模型的科研一体化平台，已在多家医院用于智能患者筛选、数据清洗、医学论文自动生成等环节，提高科研效率。

面临的挑战在于：

目前 AI 在科研领域仍然缺乏广泛的标准化支持，跨机构数据共享的难度较大。

需要更强的隐私计算和联邦学习技术，以在保障数据安全的前提下，实现跨机构协作。

医疗AI的特殊性

医疗AI并不是普通的AI应用，它有独特的技术挑战和行业需求：

1.医疗数据的复杂性

医学数据高度异质化，包括影像、基因、电子病历、病理、生命体征等多模态数据，如何高效融合这些数据是AI需要解决的核心问题。

现有的大模型在跨模态数据融合方面仍然面临挑战，医疗AI需要突破数据结构化难题，并建立统一的数据表示体系。

2.医疗决策的高风险性

AI在医疗领域不能容忍严重错误，一次错误的诊断或决策可能直接影响患者生命，这与通用AI（如聊天机器人、推荐系统）有本质不同。

因此，医疗AI需要比其他领域更强的可解释性、可靠性、可追溯性，这需要新的符号推理+统计学习融合方法来提升可信度。

3.AI需要适应医生的思维方式

医生的诊断思维是基于循证医学、因果推理，而现有大模型主要是基于模式匹配，两者之间存在一定的鸿沟。

未来，医疗AI需要向基于因果推理的AI模型发展，使其不仅仅是“预测工具”，而是真正具备医学推理能力的智能体。

医疗AI落地的挑战与技术突破

医疗AI不能只在测试数据集上表现优异，还需要在真实医院流程中真正产生价值。主要挑战包括：

1.从“模型好”到“流程适配好”

AI需要深入医生的诊疗路径，而不是作为单独的工具存在。

例如，影像AI需要直接嵌入PACS系统，辅助决策系统需要与HIS、EMR无缝对接，而不是作为额外的“外挂”。

2.如何优化“医生-AI-患者”的交互

未来，AI不能只是一个“黑箱工具”，而是一个可以和医生、患者真正互动的智能体。

例如，在辅助决策场景中，医生可以与AI进行“对话”，AI 解释推荐的依据，医生也可以反馈修改建议，使得AI逐步优化自身模型。

3.数据闭环与持续学习

目前，大部分AI模型是静态训练的，但医疗领域的知识是动态发展的。

未来需要建立实时反馈学习机制，让AI在真实应用中不断优化，并通过联邦学习等方式保证数据隐私保护。

医疗AI的突破关键：AI Agent体系

医疗AI未来的核心趋势是从静态大模型向智能体（AI Agent）进化。目前大模型的应用仍然是以“任务驱动”的方式，即AI只能完成单一任务，如影像识别、病历总结，但无法自主执行复杂的医学任务。

未来的AI需要向智能体（AI Agent）发展，能够具备自主学习、推理、规划能力，最终成为真正的智能医疗助手。

AI Agent 在医疗中的核心应用包括：

1.智能诊疗助手（AI Copilot）

结合医学大模型，AI不仅能提供诊断建议，还能结合知识图谱、因果推理，给出治疗方案，并辅助医生分析病情变化。

2.自适应医学研究助手

未来AI不仅用于临床，还可以辅助医生进行科研，自动解析文献、生成实验设计、分析临床数据，成为AI 研究员。

3.智能患者管理Agent

结合患者病史、生活习惯、临床数据，AI能够主动提供个性化的健康管理建议，实现全病程闭环管理。

医疗AI落地的政策建议

1.标准化与数据共享机制

目前医疗数据标准化不足，不同医院数据格式不同，导致AI落地困难。

建议推进全国性医疗数据标准化建设，并制定医疗AI的应用指南和适配标准，加速AI在医院的落地应用。

2.AI监管体系优化

现有AI医疗产品的审批流程仍然偏慢，建议建立医疗AI认证分级体系，按照风险等级制定不同的审批机制，加速AI产品进入临床。

3.政策驱动AI医疗试点

建议国家层面支持AI医疗的真实世界研究（RWS），推动试点医院示范AI落地，为更大规模应用提供数据支撑。

理性看待DeepSeek对医疗大模型的促进作用

最近，DeepSeek在大模型领域的突破引起了广泛关注。它确实在中文 NLP、代码生成、跨模态能力等方面展现了较强的性能，具有极大的潜力推动医疗AI发展。DeepSeek的开源，促进了大模型的“平权”，很多单位包括医院都针对DeepSeek的满血版模型进行了私有化部署。

但对于医疗领域的垂直大模型，我们仍需理性看待，主要基于以下几点：

1.医疗AI需要更强的专业性

通用大模型（如DeepSeek）在开放领域的能力较强，但医疗场景高度专业化，需要深度训练的医疗大模型。

例如，医学影像诊断、病理分析、基因组数据建模等，涉及大量行业特定数据，并不是通用NLP模型能直接适配的。

2.医疗AI需要可解释性与安全性

现有大模型仍然主要基于统计模式匹配，但医疗领域需要AI具备因果推理和可解释性增强，以提升医生信任度。

例如，DeepSeek的代码生成能力虽强，但在医疗数据分析中如何保证模型的可靠性和安全性，仍然是一个待解的问题。

3.真实世界应用落地挑战

大模型需要从“实验室”走向“临床实践”，这涉及医院数据标准化、模型监管、医生信任度等多个现实挑战。

DeepSeek可以在智能问答、医学知识总结等任务上提供支持，但要实现完整的智能诊疗系统，仍然需要行业长期积累的数据、技术迭代和政策支持。

当然，医疗机构可以积极拥抱DeepSeek，并借助DeepSeek促进医疗AI发展。具体的，可以：

（1）结合医学知识图谱，优化多模态医学理解能力。

（2）提升因果推理能力，增强模型可解释性，让AI能够推理病因，而不仅是“匹配模式”。

（3）打造基于DeepSeek大模型的医学智能体（AI Agent）体系，推动AI在真实医院场景中的应用。

总结

人工智能正在从“单点突破”向“系统级赋能”演进，也正在推动医疗AI从“工具化AI”迈向“体系化AI”，从“任务型AI”迈向“智能体（Agent）”，未来AI需要与医生、患者无缝融合，成为真正的医疗助手。DeepSeek大模型在某些医疗应用中能起到加速作用，但我们也要理性看待，结合医学场景的特殊需求，推动AI在可靠性、可解释性、真实世界应用方面的突破。

【作者简介】

闾海荣，博士，清华大学自动化系生命基础模型实验室主任助理，长期从事人工智能/机器学习（知识图谱、预训练模型、联邦学习等）与医疗健康领域的交叉研究与应用，包括医学大模型、人机交互、AI医生、慢病管理等，在Nature Machine Intelligence、IEEE TNNLS、Medical Image Analysis、NeurIPS等期刊会议发表多篇论文，并作为项目负责人承担了多个国家自然科学基金和重点研发计划项目。有长期的产业界经历，在AI医疗的落地应用方面有丰富的理论和实践经验。

【责任编辑：陈曦】