王力华：如何突破医疗AI应用落地的“三高困境”？ | 2025年南湖HIT论坛

来源：HIT专家网 作者：李崇铭

“从媒体报道看，已有近千家医院部署了大模型，人工智能在医疗领域的应用已成大趋势，但实际应用效果怎么样？客观分析，医院落地AI应用存在门槛高、成本高、预期高的‘三高困境’。”

2025年11月1日，在HIT专家网主办的以“价值导向，前瞻‘十五五’”为主题的2025年南湖HIT论坛上，北京友谊医院医学数智创新中心办公室主任王力华针对当前人工智能落地医院的难点、堵点，介绍了以轻补强、算力分层、错峰调度的AI应用降本增效策略，分享了北京友谊医院将轻量级AI模型在质控场景中落地应用的经验。

四方面因素导致“三高困境”

王力华认为，目前人工智能在医院场景中的应用存在几方面制约因素：

一是算法。尽管开源算法的迭代普遍降低了医院的部署和开发成本，但是模型性能强不等同于能够很好地适配医院的应用场景。

二是算力。医院通常投入较多的资金用来购置算力资源，可以说做AI的第一道门槛就是算力。然而，消耗大量成本购入的高性能算力，并不代表高效能。如何用好算力资源同样值得思考。

三是医疗数据安全。将医疗数据转化为生产要素，首先要突破信息系统间的孤岛效应。医院在选择云端算力训练模型时，数据脱敏和防泄漏是普遍面临的难点问题。

四是AI临床应用普遍“叫好不叫座”，可能因为存在场景选择问题：没有找到合适的场景，AI临床应用难以发力；或没有发挥好AI的长处，对AI临床应用的落地效果有过高的期望。医疗大模型应用场景的选择，不能仅凭想象或跟风，应该综合具体业务需求和技术实现进行评估和规划，将AI临床应用落在实处。

在以上四方面因素的共同影响下，人工智能落地面临门槛高、成本高、预期高的“三高困境”。

AI应用降本增效核心策略

针对“三高困境”中的门槛高、成本高问题，王力华介绍了北京友谊医院探索AI应用实践的核心策略：以轻补强、算力分层、错峰调度。

在模型选择方面，以轻补强。

“以32B Qwen3和671B DeepSeek为例，我们可以对比轻量级大模型和满血版大模型的特点和应用场景。”王力华介绍，轻量级大模型的核心特点是低配置、高针对性、低研发成本，能够快速落地且部署灵活，可针对不同业务场景进行微调，形成准确率较高的生成、质控类应用。满血版大模型的核心特点是高算力、通用性强、精度高，但开发周期较长，可执行复杂推理任务、及时性要求不高的任务、多模态数据分析等。

总体来看，轻量级大模型展现出“低算力实现高性能与高可用”的核心优势，医院可利用其以小博大、以慢制快、以轻取智，实现AI成本与价值的高效统一。

在算力资源调配方面，算力分层、错峰调度。

“在探索医疗场景AI应用时，常被提及的问题是‘算力支撑有多少’‘能否保障实时性’，这些几乎成为了人工智能应用落地的卡点。但从医院需求部门的反馈来看，很多场景中的AI任务其实可以不考虑实时性的要求。”王力华认为，抛开“实时性”这一问题，医院可实现更合理的算力资源调配，充分发挥算力资源价值。

针对院内AI任务需求，北京友谊医院采用错峰生成+异步处理机制，可实现非实时任务的后台执行，提高算力利用率：日间医院算力资源优先确保关键业务流程不中断，夜间批量进行非实时推理任务。另一方面，分层调度算力资源，常规任务采用32B模型运行，重负载任务再调用满血版算力，通过合理的算力规划提升算力使用效率。

北京友谊医院轻量化AI应用实践

针对“三高困境”中的预期高问题，王力华强调了医疗AI应用选择场景的重要性。“人工智能在医院的应用实践，选择场景非常重要。如果不契合场景，模型落地所需的时间会大大增加，效果也难以保证，甚至无法实际应用。”

截至目前，北京友谊医院已探索多场景大模型应用，包括：智能问答场景，如友谊DeepSeek、放射报告解读；生成类场景，如门诊病历辅助生成、放射报告生成；质控类场景，如门诊/住院病历质控、医保相关质控；微调垂直大模型，如体检大模型、肝脏病理大模型等。

王力华着重介绍了北京友谊医院使用轻量级大模型的病历内涵质控实践。选择探索内涵质控场景的原因在于：内涵质控有比较清晰、规范的标准；多个科室有强烈的需求，且部分需求的实时性要求不高；使用轻量级模型上线时间较短，易见成效等。

轻量化AI内涵质控的建设路径可分为职能科室提出需求、数据提取与预处理、质控规则制定、本地运行Qwen3、效果初览、多轮反馈与规则调优、最终上线。

其中，在质控规则制定环节，数智中心需结合质控监测指标、质控规则以及各科室习惯与特殊规则等，制作提示词并不断迭代。以“术前讨论计划手术一致率”为例，提示词包含核心指令与“术式匹配细化规则”等。

“轻量级大模型所需的规则不同于之前传统病历质控的结构化规则，而是可以用文字清晰描述的规则，这是发挥其能力的关键核心。”王力华表示。

使用Qwen3运行后，数智中心联合多部门持续细化基于风险的质控规则，由专人跟进专业组项目质量。职能科室判断大模型质控结果是否合理，并提出针对性的修改意见；数智中心优化调整质控规则，使其更贴合业务场景。

规则敲定后，将存入本地知识库中，以便自动化调用。质控结果可在CDSS等信息系统中呈现，还可通过智能体按所需频次定期将质控结果返回需求科室。

“截至目前，轻量级AI模型质控已完成逾32000份病历质控，准确率提升至95%。”王力华介绍，轻量级AI模型质控已完成包括病历内涵质控、危急值质控、二线三线查房质控、伤因分析质控等在院患者质控任务，实现了有限算力下的高效质控。

“规则驱动是轻量级AI模型质控的亮点之一，也是判断其可用性的依据。”王力华介绍，没有明确规则驱动的轻量级AI模型推理效果很不理想，满血版模型的表现亦是如此。清晰的质控规则实质上降低了模型的推理负担，降低了应用难度。“如果在探索医院AI应用时没有找到合适的场景，可以采取相似的策略，先用轻量级模型进行尝试，评估效果，摸索过程，之后再开展更多的、更深入的应用。”

【演讲视频】

【课件下载】

【责任编辑：明超】