每经记者：张宏 编辑：魏官红（徽声在线资讯）

2025年，湖北宜昌一名58岁患者在AI辅助诊断系统的支持下，成功检测出胃部早期隐匿性病变——黏膜内高分化腺癌。这一案例并非孤例，随着人工智能技术在医疗领域的深度渗透，类似的临床突破正不断涌现。据国家卫健委统计，截至2025年第三季度，全国已有超过1200家基层医疗机构部署AI辅助诊断系统，日均完成超30万例影像初筛。

在政策层面，2025年成为AI医疗发展的关键转折点。继"智能经济"首次写入政府工作报告后，"十五五"规划将"人工智能+民生福祉"列为数字中国建设的核心工程。同年8月，国务院发布《关于深入实施"人工智能+"行动的意见》，明确要求构建覆盖全生命周期的智能医疗健康服务体系，重点推进辅助诊疗、健康管理等六大场景的落地应用。该政策特别强调，到2027年要实现基层医疗机构AI辅助诊断渗透率超过60%，慢性病管理智能化覆盖率达85%。

2026年3月25日至29日，中关村论坛年会期间，《每日经济新闻》记者就AI医疗的商业化路径、技术瓶颈等议题，专访国务院参事、北京协和医学院卫生健康管理与政策学院长聘教授刘远立。这场对话揭示了AI医疗产业发展的三大核心命题。

刘远立教授在论坛圆桌对话现场 图片来源：每经记者 张宏 摄

支付机制改革：破解AI医疗商业化困局

NBD：当前AI医疗产品的市场渗透率处于什么水平？

刘远立：市场呈现明显的结构性分化特征。从应用场景看，面向消费者的健康管理类APP装机量已突破5亿次，但医疗机构端的渗透率不足15%。这种割裂状态源于支付体系的错配——个人消费者愿意为便捷性付费，但医疗机构采购决策高度依赖医保支付政策。

数据显示，我国公立医院收入结构中，医保支付占比达63%。这意味着AI医疗产品若想进入临床路径，必须通过医保准入这道"生死关"。以某三甲医院为例，2025年其采购的AI肺结节筛查系统，因未纳入医保报销目录，使用率较纳入目录的同类产品低42个百分点。

即便成功进入医保目录，定价机制仍是关键变量。某省级医保局试点显示，当AI辅助诊断服务定价为人工诊断的70%时，医疗机构采纳率提升28%；但当定价降至50%时，采纳率反而下降15%。这反映出医疗机构对技术价值的理性评估——必须确保在提升诊疗效率的同时，不损害现有收入结构。

公立医院面临的运营压力加剧了这种谨慎态度。2025年卫健委调研显示，全国三级公立医院平均资产负债率达58%，较2020年上升9个百分点。在这种背景下，AI产品必须证明其能创造"三重价值"：临床价值（提升诊断准确率）、经济价值（降低单病种成本）、社会价值（改善患者预后）。某县域医共体的实践表明，引入AI慢病管理系统后，糖尿病并发症发生率下降23%，但前期投入回收周期长达3年，这考验着医疗机构的财务承受能力。

当前行业存在一个认知误区：过度强调技术参数而忽视商业模式可持续性。某AI企业投入2亿元研发的肿瘤早筛系统，因未能建立合理的成本补偿机制，最终导致商业化失败。这警示我们，AI医疗必须构建"技术-支付-服务"的闭环生态。

因此，建立多元支付体系成为当务之急。建议探索"医保+商保+个人"的混合支付模式，对具有明确临床价值的AI服务实行差异化报销。例如，将AI辅助诊断纳入门诊特殊病种管理，对基层医疗机构实行全额报销，三级医院按比例报销，形成分级激励机制。

技术边界突破：AI全科医生的进化图谱

NBD：AI在哪些医疗环节能发挥最大价值？

刘远立：医学AI的发展遵循"知识驱动-数据驱动-认知驱动"的演进路径。在知识密集型领域，AI已展现出超越个体医生的能力。以全科诊疗为例，基于MedQA等医学知识图谱的AI系统，在常见病诊断准确率上已达到92%，较人类全科医生平均水平高出8个百分点。

这种优势源于三大技术突破：第一，自然语言处理技术实现非结构化病历的自动解析；第二，多模态融合算法可同步处理影像、检验、用药等异构数据；第三，强化学习机制使系统能根据临床反馈持续优化决策模型。某社区卫生服务中心的实践显示，引入AI辅助诊断系统后，门诊误诊率从3.2%降至0.8%，处方合格率提升21个百分点。

但在复杂疾病诊疗领域，AI仍存在明显短板。以肿瘤多学科会诊为例，人类专家团队可综合基因检测、病理分析、影像特征等20余项指标制定方案，而当前AI系统最多只能处理7-8个维度的数据。这种差距源于三个限制：高质量标注数据获取困难、跨模态对齐算法不成熟、临床决策的因果推理能力不足。

不过，AI的进化速度正在改写游戏规则。2025年发布的Med-PaLM 2系统，在USMLE医学考试中取得86.5%的正确率，较前代提升19个百分点。更值得关注的是，某研究团队通过构建"虚拟临床试验"平台，使AI系统在模拟环境中完成相当于人类医生20年的诊疗训练，这种数据驱动的进化模式可能彻底突破传统医疗的知识边界。

这种潜力释放需要构建新型协作生态。建议成立国家级医疗数据治理联盟，制定统一的数据采集、脱敏、共享标准。参考英国Biobank模式，中国可建设覆盖5000万人口的生物样本库，为AI训练提供高质量数据燃料。同时，应建立全球医学AI评测体系，由WHO牵头制定临床价值评估框架，确保技术发展符合伦理规范。

数据治理革命：构建医疗AI的"燃料工厂"

NBD：如何破解AI医疗的数据困境？

刘远立：这需要建立"采集-治理-应用-反馈"的闭环机制。国家数据局2025年发布的《医疗健康数据流通管理办法》已明确三大原则：数据所有权归患者、使用权通过授权获取、收益权按贡献分配。某三甲医院试点显示，实施数据确权后，医生主动上传优质病例的积极性提升3倍。

在技术层面，联邦学习等隐私计算技术可实现"数据可用不可见"。以糖尿病管理为例，全国200家医院通过联邦学习网络共享脱敏数据，在保护患者隐私的同时，训练出覆盖300万病例的预测模型，使并发症预警准确率提升至89%。这种模式既解决了数据孤岛问题，又符合《个人信息保护法》要求。

数据价值分配机制是关键创新点。建议建立"数据积分"制度，医生每上传一个标准化病例可获得相应积分，积分可兑换继续教育学分或科研资源。某省级平台试点显示，这种激励机制使高质量数据供给量增长5倍，模型迭代速度提升3个月。

展望未来，医疗AI将呈现三大趋势：第一，从单点技术突破转向系统能力构建，形成覆盖预防、诊断、治疗的全链条解决方案；第二，从医疗机构应用延伸至家庭场景，2027年家用医疗AI设备市场规模有望突破800亿元；第三，从国内竞争走向全球协作，中国主导的医学AI国际标准正在制定中，这将重塑全球医疗科技格局。