祖洁：生产级医疗AI需锚定“可信落地”

来源：HIT专家网      作者：龚晨

“很多医疗大模型演示效果惊艳，但走到真实临床业务里就难以持续运转。在我看来，医疗AI真正的落脚点不在于参数有多强大，而是能否做到可信、可闭环，真正沉淀为医院的业务生产力。” 

近期，徐州医科大学附属医院（以下简称徐医附院）信息处处长祖洁在接受HIT专家网专访时表示，徐医附院将“可信落地”作为AI建设的核心关键词，围绕底座建设、场景落地、组织机制革新等开展系统性实践，推动医疗AI向真实业务生产力转变。

医疗AI要追求可信落地

祖洁认为，“可信落地”包含“可信”与“落地”两层含义，其中“可信” 可拆解为临床可信、数据可信、运行可信三层内涵。

第一是“临床可信”。AI现阶段只能承担辅助角色，AI输出的关键结论必须具备可追溯的证据与出处，如临床诊疗指南、行业规范或文献资料，必须经过医生审核确认，并由医生承担最终业务责任。

第二是“数据可信”。用于模型训练与业务调用的数据，需要经过标准化治理，恪守“最小必要”的数据供给原则，落实授权管控、审计追踪以及数据全生命周期安全管理，这也是医院信息部门的重点工作之一。据介绍，徐医附院是国内首个获得中国信息通信研究院数据安全能力成熟度模型（DSMM）二级认证的医疗机构。

第三是“运行可信”。也即不能只让AI应用停留在演示阶段，而必须真正进入医生的日常真实工作流程，并依托真实业务结果的反馈，持续校正模型。

“落地”则指向顶层整体规划与体系化建设，保障医疗AI应用具有真正跑通业务的能力。据祖洁介绍，徐医附院已完成基础设施层、数据层、模型层、应用层四层完整架构规划。

在基础设施层，徐医附院依托江苏省高水平医院建设资金，自建27P算力，同时建设全院算力统一管理平台，以解决算力管理调度难题。目前院内算力的使用情况，大约为业务场景占50%、科研需求占40%、信息部门AI辅助编程占10%。

在数据层，依托院内大数据平台，完成专项数据治理，推动高质量数据集建设，夯实AI应用的数据底座。

在模型层，完成国产大模型本地化部署，合计部署22个模型，其中包括院内自研的两个专科大模型（布-加综合征专病大模型、神经元核内包含体病大模型）。医院搭建了“模型广场”，部分高访问量模型采用多节点负载均衡部署，保障业务访问稳定。

在应用层，搭建“AI智能应用开放平台”，打通模型、知识库、工具之间的技术壁垒，打造智能体的超融合能力，为各I应用对接医院业务系统提供统一技术通道，把AI能力嵌入真实业务链条。当前，徐医附院的AI应用已覆盖临床诊疗、患者服务、基层赋能、医院管理等多领域，并落地运行。

医疗AI转为生产力的关键临界点

在祖洁看来，医疗机构无需过度关注大模型的参数规模，“并非参数越大，落地效果就越好”。医院实践已经证明，AI能否转化成生产力，关键要看能不能完成“场景-数据-流程-责任”的全链条闭环。而这项工作需要临床、IT、管理部门多方共同参与、协同推进。

现实中，不少医院存在“AI建设顺序倒置”的问题：先零散上线各类AI功能，后续再补业务流程与管理制度。这种建设模式极易出现各类问题。其中较为明显的一个弊端是，AI应用外挂于业务系统，频繁弹出窗口，极易造成医生弹窗疲劳，拉低临床使用率，最终导致“建而不用”。

“医疗AI的建设不能颠倒顺序，首先要明确业务规则与管理逻辑，再匹配AI技术。”祖洁以徐医附院“AI赋能肝癌规范化诊疗项目”为例介绍，肝癌患者分散在多个科室，单靠独立的临床决策支持系统，很难解决漏筛、MDT流程不统一和治疗意见缺少追踪等问题。为此，医院先明确筛查、分期、MDT、核心医嘱管控和随访等关键规则，再把AI嵌入相应流程。

项目从入院环节启动。系统对接HIS，综合检验、影像、病历和病理等数据，在规定时限内完成AI初筛；确诊或高度疑似患者进入规范化管理路径。系统还可辅助完成CNLC、Child-Pugh等分期评估，展示判断依据，并按指南提供治疗方案参考，最终由医生审核确认。

需要MDT会诊时，系统自动汇总院内外资料并提取病情要点，通过时间轴、专家提醒和语音转文字规范会诊过程。AI根据专家意见生成报告草稿，经秘书审核后发布；会诊意见同步转为有责任人和时限的任务，系统持续追踪，并在两周后复核执行情况。

核心治疗医嘱按拦截、提醒、放行三个等级管控，并与MDT结论和分期结果联动。系统同时监测筛查、MDT、医嘱规范和随访等指标，对异常情况及时预警。“这个项目不是让AI替代医生，而是让它参与患者发现、资料整理、分期辅助和会诊记录，再通过人工审核、医嘱管控、执行追踪和质量复核形成闭环。技术只有嵌入真实流程、责任落实到每个节点，才能成为临床可信赖的辅助工具。”祖洁说。

AI治理，为了更安全、更有效率的创新

“工具越多，管理越乱”，这是当下医院AI建设存在的现实问题。祖洁认为，乱象根源不在AI本身，而是医院缺乏统一的AI治理机制与清晰的数据、权限边界。如果放任各科室独立建设AI应用，会衍生多重风险：数据与知识库口径不一致；模型版本、提示词、权限无法统一管控；算力忙闲不均、资源浪费；安全审计和责任追溯存在盲区，给患者隐私保护和临床业务安全埋下隐患。

祖洁介绍，徐医附院的解题思路是建设全院算力统一管理平台。该平台的定位，不是对GPU等硬件卡的简单管理，而是通过将各种异构算力进行资源池化，面向模型训练、推理业务提供弹性调度，同时将延迟量、并发量、模型日志、安全事件全部纳入统一监管和计量。

该平台上线后，已给医院带来多重改变。在效率层面，算力资源从过去按卡分配转为按需供给，依托负载均衡实现弹性扩容、缩容，适配业务峰谷波动。数据显示，徐医附院的算力利用率从40%提升至75%，并发能力提升3-5倍，Token调用成本下降40%。在管理层面，院内所有模型、智能体实现统一发布、测评、管理。在安全层面，保障数据不出院，落实最小权限原则，划定知识库边界，搭建内容安全围栏，留存完整操作日志。

“全院算力统一管理平台服务的不仅仅是算力本身，它让全院可以在统一规则之下开展AI创新，在守住安全与质量底线的前提下，确保了临床和管理部门的创新效率。”祖洁谈到，依托平台搭载的拖拉拽式智能体开发能力，临床人员可以自主搭建科室自用小工具，但开发完成后，必须经由信息部门审核、测试，并限定工具使用范围，才允许接入院内生产环境上线。

面向未来，徐医附院将继续夯实技术底座，完善AI全流程治理体系，把“场景-数据-流程-责任”闭环理念贯穿每一个AI项目，推动AI扎根临床业务链条，实现可信落地，让AI技术成为实实在在的业务生产力。

【拓展阅读】

从大模型、智能体到生产级医疗AI，如何不迷路？

黄虹：扎根真实临床场景，让医疗AI务实生长

【责任编辑：陈曦 版式：明超】