黄虹：扎根真实临床场景，让医疗AI务实生长

来源：HIT专家网      作者：龚晨

“近两年，华山医院已经将医疗AI的建设重心从算法模型研发转向临床场景落地验证。我愿用‘务实生长’这个词来形容这一转变。”近期，复旦大学附属华山医院（以下简称华山医院）大数据中心主任黄虹接受HIT专家网采访时谈到。

在她看来，“务实”意味着坚持以临床真实需求为导向，优先解决临床痛点，不追求炫技式的演示效果；“生长”则代表AI能力建设无法一蹴而就，而是一个跟随临床反馈持续迭代、逐步适配业务、持续打磨优化的长期过程。

医疗AI为何在临床场景“水土不服”？

当前，一些医疗大模型、智能体在测试环境中表现惊艳，进入真实临床场景就会“水土不服”。黄虹分析，造成这一现象的原因是多方面的。比如，医疗垂类大模型、智能体Demo大多基于规整、高质量的测试数据集训练而来，但医院真实的临床数据大多为碎片化的异构数据，且夹杂大量现实噪声；与此同时，临床业务流程有着严格的制度、权限以及质控约束，这些都是测试环境无法完全模拟的现实条件。

相较传统AI，医疗智能体的落地难度会更大，这与智能体的核心特点密切相关：一是超高的实时性要求。医疗智能体不是独立的软件系统，而是深度嵌入全流程临床业务的工具，需要根据业务场景实时更新、快速响应，实时性是其核心指标。二是多源融合特性。早期医疗AI应用的场景单一，比如AI阅片仅需输入影像数据、输出诊断结果即可。而当下海量模型落地后，多源数据、多类算法、多场景业务的融合统筹，成为智能体落地的关键。

在黄虹看来，医疗大模型、智能体要转变为真正的业务生产力，必须迈过三个关卡：

首先，模型要能够适配院内真实、非标准化的原始医疗数据，而不是只适配经过清洗加工的测试样本数据。

其次，不能作为独立外挂系统存在，需要和HIS、EMR、PACS等现有业务系统深度融合，不能额外加重临床人员的工作负担。

第三，必须建立通畅的临床反馈闭环，医护人员在使用中发现的问题，可以快速回流，驱动模型持续迭代优化。

“顺利跨过这几个关卡，意味着大模型、智能体不再是用于展览展示的技术展品，而是转变为临床可以信赖的辅助工具，帮助医务人员把更多精力聚焦于诊疗工作本身，同时也能为医院的科研、质控、管理工作带来新的数据能力。”黄虹说。

临床深度参与，打通落地“最后一公里”

医疗AI能力从哪里来？除了直接采购外部成品，结合华山医院实践，黄虹梳理出三条落地路径：一是院企联合共建模式，由医院输出临床场景、业务规则与专家经验，厂商输出算法与工程能力，双方共同打磨适配本院流程的AI应用；二是基于院内AI基座，开展轻量化二次开发，由院内IT人员联合临床科室完成小场景定制化应用；三是科研项目内部孵化，围绕科研需求，以科研项目开展小范围AI试点，成熟之后再向正式业务场景转化。

“无论选择哪一种路径，都必须坚持‘临床科室深度参与’的原则，而不能是信息部门或厂商单方面的推动。”黄虹以一个实际案例进行了介绍。病历书写在医生日常工作中占比高、重复性强，临床减负需求十分迫切。华山医院在选择部分科室开展AI辅助病历书写试点时，发现了一个“堵点”：模型研发落地后，还需要持续的临床训练、人工标注优化，标注质量直接决定生成效果，而这项工作需要占用医生时间。“医生很难抽出大量时间完成模型微调与适配工作。这‘最后一公里’的落地工作，就是多数AI项目停滞的核心原因。”黄虹说。

最终，该项目在华山医院普外科胃肠中心成功落地，其中一个因素不容忽视：普外科一名副教授在大数据中心挂职期间，主动牵头推进项目落地，推动完成了适配、调试、优化等各项工作。功能上线后，外科医生的工作模式得到了显著优化：以往外科医生手术繁忙，大多在周末集中回顾一周手术情况、补写病历，效率低且容易出现遗漏；AI辅助病历书写支持医生在术后碎片时间快速完成手术记录与病历书写，工作负担大幅减轻。该项目也通过了上海人工智能实验室的专业评测，落地效果得到行业认可。

统一治理，避免“工具越多，管理越乱”

未来，医院引入的AI模型、智能工具将会越来越多，统筹管理的课题已刻不容缓。

黄虹认为，大量AI工具分散上线，带来管理失序的风险。其乱象根源有三：一是医院缺乏统一的AI准入评估机制，各科室自行引进工具，接口五花八门，运维压力陡增；二是AI应用各自为政，工具烟囱化、数据孤岛、算力浪费等问题进一步加剧；三是安全与责任边界模糊，AI调用患者数据、输出业务结果，权限如何管控、责任如何归属等缺乏明确制度界定，埋下安全与合规隐患。

对此，黄虹建议从技术架构与管理制度两个维度同步发力。

在底层IT架构建设方面，医院需要做好整体规划：算力层面，采用混合算力架构，区分训练算力与推理算力，院内自建与合规外部算力相结合，避免一次性大规模投入带来资源闲置；存储层面，针对文本、影像、波形等多模态医疗数据，实行分级存储、冷热数据分层管理，合理控制存储成本。

黄虹强调：“最重要的是把数据安全、隐私保护内嵌到底层架构之中，落实数据分级分类、访问权限管控，实现AI调用数据全程留痕，模型输出结果可溯源。”

在管理制度方面，则应坚持“先管后用”原则，建立AI全生命周期管理制度，覆盖准入评估、上线测试、业务试运行、持续监测、迭代优化到下线退役的完整流程。所有接入生产环境的AI工具，都要经过统一评估、安全检测与业务验证。同时明确AI应用的责任主体，做到调用有据、责任可追。

角色跃迁，信息部门转型为全院“能力供给者”

在AI深度融入医院业务体系的过程中，医院信息中心、大数据中心的定位也正在发生深刻的角色跃迁。

黄虹认为，过去信息部门主要承担系统建设、运维保障、项目实施的职能，核心目标是保障各类业务系统稳定运行。进入AI时代，信息部门正在从系统运维者转变为能力供给者与业务赋能者，工作重心不再局限于采购、建设、维修系统，而是打造一套可复用的AI基础设施，把数据治理能力、算力能力、模型服务能力封装为平台化的公共能力，向全院各个业务科室开放供给。

据黄虹介绍，在推动AI应用的过程中，华山医院大数据中心主要承担起四类工作：

一是夯实底层数据底座，完成医疗数据标准化治理，落实数据分级授权，保障临床、医技科室可以在合规前提下便捷取用数据。

二是搭建院内AI公共平台，屏蔽算力、模型调用的复杂技术门槛，让临床专家即便不精通算法，也可以依托平台开展业务探索，极大地激发了全院的创新活力。

三是充当临床科室和技术厂商之间的桥梁，把临床业务语言转化为可落地的技术需求，避免技术产品和真实业务相互脱节。

四是做好AI科普培训，帮助临床与行政人员建立理性认知，厘清AI的能力边界，客观看待AI的辅助定位。

务实生长，医疗AI在华山医院的发展路径清晰可见。在黄虹看来，踏踏实实融入医院场景与流程里，AI才能成为临床可信赖的生产力。

【拓展阅读】

从大模型、智能体到生产级医疗AI，如何不迷路？

【责任编辑：陈曦 版式：明超】