医渡科技

前幾日，中山大學腫瘤防治中心（下稱“中腫”）與醫渡科技聯合組織了一場面向投資機構的調研活動。現場沒有炫目的PPT，沒有“打敗人類醫生”的誇張演示。信息科團隊直接調取院內真實門診工作站，演示AI助手病歷自動生成、腫瘤分期智能評估、標準化治療方案推薦等核心功能。這種“素顏出鏡”的坦誠姿態，在國內醫療AI領域，尤其是面向投資人調研時並不多見。

恰逢此次機構調研窗口期，醫渡科技（02158）官宣中標中腫重磅項目，其中智慧臨牀及結算服務升級建設項目金額達908萬元。背後的合作底色極具風向標意義：自2015年起，醫渡科技與中腫已深度共建整整十年。

十年深耕落地，也把一個行業底層邏輯徹底擺在枱面：頂級醫院真正需要的AI醫療，不是參數最強、噱頭最足的大模型，而是能紮根臨牀流程、適配科研剛需、守住醫療安全、真正能用、敢用、長期可迭代的實用型AI。

調研活動現場

大模型“進院”的三大陷阱：為什麼很多AI產品死在科室門口？

2025年以來，隨着DeepSeek、通義千問等大模型能力的快速提升，全國數百家三甲醫院宣佈“接入大模型”。但熱鬧的官宣背後，真正落地到臨牀一線、被醫生常態化使用的產品寥寥無幾，實際滲透率遠低於行業宣傳。

“我們花了20多分鐘教一個前列腺科的醫生用我們的智能診療助手，他還是説‘這個沒有我寫得準’。”中腫調研現場也折射出一個普遍現實：即便AI工具功能再完善，想要真正走進醫生日常工作，依然阻力重重。臨牀醫生專業壁壘高、診療習慣固化，普遍對新生AI工具持審慎甚至保守態度，接受和上手意願天然偏弱。

而比用户接受度更棘手的是，當下整個醫療AI行業在進院落地過程中，普遍深陷三大結構性陷阱：

陷阱一：重模型輕數據，AI成了“無源之水”

腫瘤專科醫院的數據天生具備複雜特質：模態多、體量龐大、動態隨訪週期長、異構系統割裂、非結構化文本佔比高、同一種疾病醫生描述口徑極不統一（僅肺癌診斷表述就達上千種）。

“沒有高質量的數據底座，大模型就像跑車加了劣質汽油。”中腫的解決路徑是：先花數年時間做數據治理，建立單層數據標準、腫瘤專科通用數據集、專病字段集，將200多萬患者的全病程數據進行結構化和標準化，最終形成8000多個結構化字段。

醫渡科技在其中扮演的角色，不是“模型提供商”，而是從數據治理到AI中台建設的深度共建方。這恰恰是大多數通用大模型公司無法替代的能力——它們不懂醫院裏那些“半結構化、非結構化、醫生寫法五花八門”的真實數據，也沒有能力完成專科化的數據規整與價值沉澱。

陷阱二：千人一面，忽視醫生的個體化需求

中腫信息科透露，醫院自建的AI診療助手剛上線時，掀起了全院AI熱潮，四五百名醫生報名學習。但很快，信息科就收到50個不同的應用需求——每個專科、每位醫生對病歷生成的格式、詳略、側重點都有不同要求，一刀切的通用模式根本無法真正落地。

於是，中腫與醫渡科技共同推出了“千人千面”的智能體平台：醫生只需三步——起名字、寫提示詞、選數據範圍——就能快速創建自己的專屬AI助手。迄今為止，全院已上線約170個醫生自建智能體，覆蓋病歷書寫、醫囑管理、患者宣教等場景，甚至出現了以醫生名字命名的智能體，真正做到AI適配人、融入臨牀日常。

陷阱三：不可溯源，醫生不敢用

“AI有幻覺，我們怎麼敢信？”這是所有醫療AI面臨的終極拷問。

醫渡科技的破局思路，核心就是全鏈路可溯源。在中腫現場演示中，AI輸出的病歷內容均可一鍵溯源，直接定位到對應的出院小結、檢驗檢查報告等原始病歷資料，來源清晰、有據可查。

在VTE血栓風險評估實測中，AI與人工評分存在差異的59例樣本，經資深專家交叉複核，其中50例判定AI評估更為準確，綜合正確率達到90%。

醫渡科技的技術路線並非依賴單一的大模型，而是採用大小模型協同+醫療知識圖譜約束+全流程溯源的混合智能架構。不靠模型參數噱頭，而是用嚴謹的技術風控嚴控幻覺風險、錨定醫療安全，真正讓醫生放心採信、敢於納入日常診療工作流。

行業變局：醫療AI正在發生結構性重構

目前國內醫療AI賽道已形成三大主流玩家陣營，各自在頂級三甲醫院體系中形成了清晰的定位差異與能力邊界：

傳統醫療信息化廠商：優勢在於院內渠道成熟、業務流程理解深；但在大模型能力、深度數據治理和智能體架構上相對薄弱，更多服務於流程數字化升級，在高階AI臨牀科研賦能等增量市場上面臨挑戰。

通用大模型團隊：模型底座能力強、算力充沛；但醫療場景的複雜性、專科數據標準的缺失、以及長達數年的臨牀磨合門檻，使其當前更多落地於科普、導診、基礎文書生成等非核心診療環節。真正進入臨牀決策閉環的案例仍有限。

垂直醫療AI廠商（以醫渡科技為代表）：深耕醫療十年以上，長期綁定頭部醫院，沉澱專科數據標準，深度理解臨牀隱性邏輯、科研訴求、合規及數據不出域要求，具備中台化持續迭代能力。能夠承接從數據基建、AI中台搭建、全場景智能體部署到持續擴容復購的完整生命週期，已成為研究型醫院在高階AI建設中的首選合作伙伴。

三類玩家並非“誰消滅誰”，而是分工協作，但高價值核心場景的壁壘正快速抬高。

與此同時，醫院的採購邏輯也在發生根本性轉變。過去醫院採購AI以項目制、單點式為主：一個影像AI、一個病歷生成AI、一個CDSS，零散採購、互不打通。如今，頭部三甲已切換為基礎設施化投入，將AI與數據中台視為新一代智能化基建，一套底座全院共用，多個場景按需賦能。

同時年度預算常態化，算力投入逐年加碼，應用由點及面全院鋪開。中腫在調研中提到，其AI相關投入佔比持續提升，這極具代表性。醫院不再單純追求短期回本，而是更看重數據資產沉澱、科研產能提升、臨牀人力替代效率以及臨牀試驗的產業吸附效應。未來更多醫院將遵循“先建底座、再上智能體、全場景滲透”的路徑，行業進入平台化共建、長期迭代持續服務的新階段。

資本與產業啓示：醫療AI進入“強者恆強”的馬太效應時代

標杆醫院的範式將快速向全國複製

中腫作為腫瘤領域標杆，其AI建設模式具備極強的行業參考價值，中腫數據及AI平台已集成院內 56 個業務系統，沉澱超 200 萬患者全病程數據，支撐 5000 餘項臨牀研究、助力 500 多篇高分論文發表，單病種智能上報效率提升10倍，累計為醫護節省8萬小時。這些可量化、可落地、可覆盤的實際價值，將有力吸引全國大型三甲醫院及知名專科醫院紛紛借鑑與復刻。而率先在頭部醫院跑通落地範式的企業，也將順勢迎來規模化推廣的行業紅利。

機構投資邏輯從“炒模型”轉向“看落地壁壘”

頭部調研機構的核心關注點已明顯轉變：不再只看模型講概念，而是重點考察——是否有頂級醫院長期共建、是否有可量化的落地效果、是否有持續復購訂單、是否有藥企變現的第二曲線、是否形成了專科數據標準的壁壘。純概念、無場景深耕的標的，將逐步被資本邊緣化。

行業門檻大幅抬高，後來者追趕難度加大

醫療AI真正的門檻並非算法本身，而是多年的臨牀磨合、數據標準沉澱、醫生診療邏輯的積累、合規落地的經驗。這些都無法靠短期燒錢或通用大模型能力補齊。行業正式進入馬太效應階段：頭部標杆鎖定先發優勢，後來者更多隻能在非核心場景中競爭。