AI 医疗浪潮正以前所未有的态势奔涌向前，行业融资活动持续活跃，AI 医疗服务日益普及。《中国 AI 医疗产业研究报告》数据显示，2023 年中国 AI 医疗行业规模已达到 973 亿元，预计到 2028 年将进一步增长至 1598 亿元，2022-2028 年间的年复合增长率为 10.5%。在 2025 中国联通合作伙伴大会・数智医疗论坛上，“医疗成为人工智能博弈的核心行业” 成为与会者的共识。然而，医疗领域高质量数据集不足、大模型 “幻觉” 等问题，也为行业发展带来了诸多挑战。

行业规模稳步扩张，应用场景持续拓展

从电子病历到人工智能辅助诊断、远程医疗，科技已深刻改变了医疗服务模式。医疗领域作为拥抱科技的前沿阵地，此前的信息化建设为数字医疗奠定了坚实基础，而 ChatGPT、DeepSeek 等生成式人工智能的发展，再次为医疗领域注入强大动力。

当前，AI 已广泛渗透到医疗全流程，涵盖健康管理、诊前诊中诊后服务、影像分析、药物研发和手术机器人等多个环节。AI 技术的融入，助力医疗机构提升运营效率、优化服务流程，并有效改善患者的就医体验。

东吴证券指出，在 AI 医疗的细分赛道中，AI 影像、病理、医疗系统、健康管理、终端应用、制药等领域各具特点。这些领域在规模增长、政策支持以及竞争格局等方面均呈现出积极态势，未来发展趋势向好。

技术应用风险凸显，制约行业深入发展

尽管 AI 医疗行业前景广阔，但在技术应用过程中，风险与挑战也逐渐显现。国家卫健委规划发展与信息化司信息统计一级调研员沈剑锋在论坛上直陈当前面临的四大风险。

第一，专业训练语料不足增大大模型应用错误风险。医疗卫生领域短期内大模型应用呈现爆发式增长，但短时间内难以提供足够的高质量训练语料，无法有效消除 “幻觉” 以及推理过程不透明等问题，这导致在诊断建议、用药指导等场景中风险增加。

这一问题是行业普遍面临的痛点。高质量训练数据是 AI 大模型性能的直接决定因素，不仅用于模型训练，还用于模型的验证和优化，是人工智能的基石，只有高质量数据才能保障模型的准确性。

此前有报道指出，中国约有 5000 家医院设有病理科，但不足 5% 的医院将数字化应用于日常诊断过程，导致数据规模较小，影响了智慧化发展。在算法层面，传统模式的数据标注依赖病理学专业知识，不仅成本高昂、耗时费力，还存在个人主观性。而大模型自带的 “幻觉” 缺陷，在医疗这一高风险场景中无疑将面临更多挑战。

第二，多模态处理能力不足导致大模型应用场景受限。沈剑锋提到：“大语言模型擅长语言交互，但对图像、视频等多模态数据的处理能力不足，对于图文混合或文字加视频的应用能力欠缺，难以有效支撑临床复杂场景应用。”

第三，国产大模型的崛起显著增加了大模型应用，而基于少数大模型底座集中开发应用，面临恶意攻击、单点突破等安全风险。

第四，大模型的硬件本地部署方式导致算力分散浪费。沈剑锋表示，调研发现大多数医疗机构采用本地部署方式，虽然客观上加快了大模型的快速应用与扩大，但导致算力硬件分散、资源无法发挥集中效力，存在重复投入、算力浪费等问题。

多方协同发力，共筑行业发展基石

“医疗卫生语料和公共服务平台成为关键。” 沈剑锋的这一观点成为与会者的共识。

“要以高质量数据的确定性，应对模型的不确定性。” 北京卫健委副主任严进指出，需通过临床数据的收集、脱敏和标注，构建高质量数据，利用数据驱动人工智能研发，不断优化人工智能产品性能，提高模型的准确率。

“特别是在医疗场景下，高精度模型依赖于高质量的数据。” 严进以北京的探索案例进行说明：依托北京安贞医院建设心脏病高质量数据集。该数据集整合了 160 万例成人心脏数据和 30 万胎儿心脏数据，上千例妊娠合并心脏病以及上千例出生病例。数据覆盖 160 种成人心脏病和 108 种胎儿心脏病，还包含超声心动图影像、超声结构化参数以及临床病例等，确保了数据的准确性与全面性。

中国联通副总经理郝立谦提及，中国联通联合首都医科大附属北京胸科医院建立了包含 17 种征象、2 万例肺结核 CT 的高质量数据集。

针对医疗机构普遍采用 “大模型基座 + 小样本微调 + 专业知识融合” 的方式落地部署大模型，以及本地化部署导致算力分散等问题，郝立谦指出，将充分发挥算网优势，全面降低医疗机构使用门槛；并且，联手合作伙伴共建医疗 MCP 服务体系，推动医疗人工智能应用规模化落地并运营服务。

在 AI 医疗行业的发展进程中，产业资本的运作与并购整合起着重要的推动作用。若想深入了解相关领域的资本运作策略，“智能制造产业资本运作与并购高级研修班”可提供系统性的知识与视角，助力行业参与者更好地把握机遇，推动 AI 医疗行业持续健康发展。

免责声明：本文内容基于公开资料整理，不构成任何投资建议。版权属于原作者，如有侵权请及时联系我们删除。