DeepSeek的横空出世，为医疗行业AI应用带来了一股新热潮。无论是医疗信息化（HIT）企业，还是医疗机构，纷纷发布与DeepSeek相关的技术应用进展。与此同时，围绕DeepSeek在医疗行业应用落地前景的话题热度，居高不下。“医疗信息化发展，既有需求驱动，也有技术驱动。DeepSeek在医疗行业的爆火，属于典型的技术驱动，推动了从技术创新到用户需求和应用场景的创新。”2025年3月2日，解放军总医院医学大数据研究中心原主任薛万国接受HIT专家采访，就如何看待DeepSeek席卷医疗行业这一现象进行交流时做出如是判断。HIT专家网整理访谈要点如下，谨供读者参考、探讨。薛万国表示，DeepSeek在医疗行业的表现，给他的第一感受是“铺天盖地”。之所以能在医疗行业迅速掀起应用热潮，原因可归结为以下三点：一是DeekSeek的推出极大地提升了大模型技术的可及性。过去的两年多时间里，ChatGPT等现象级大模型的出现，早已激发了医疗行业的好奇心和探索欲，但由于可及性的原因，仅限于少量尝试，难以广泛落地。DeepSeek作为免费的开源模型，支持本地化部署，且在性能方面完全不逊色于国外大模型。这实现了大模型的广泛可及，解决了医疗机构对数据隐私的担忧，降低了技术落地门槛，各类尝试纷纷涌现。二是得益于医疗AI前期的探索积累。医疗行业在AI应用方面已有多年探索，特别是近两年基于大模型技术的应用研发，在病历辅助生成、病历质控、智能分诊、CDSS等方面已积累了一批应用场景。DeepSeek与其他GPT类产品的API兼容，在接口标准一致的前提下，医院或厂商无需重构应用即可直接替换底层模型，实现快速适配。“这就像我们已经造好了一架飞机，只需要更换上新引擎，便能快速起飞。”薛万国表示，如果没有以往在各医疗场景中开发智能应用的积累，DeepSeek的应用很难在一夜之间“遍地开花”。三是当前场景多属粗粒度的应用，应用门槛低。AI与医疗业务的结合程度可深可浅，应用粒度可粗可细。现有的医疗AI应用总体还是比较粗粒度的，还未全面地、细粒度地渗透到医疗流程的每一个环节中，多为较浅层次的“外挂式”功能，如疾病诊断和治疗方案的自然语言问答、病历内容的辅助生成等，对系统集成深度要求较低。“从外挂式、浅层次的应用，到细粒度的深度融合”——这是薛万国对大模型在医疗行业应用的展望与期待。医疗AI的下一步应用创新主战场，应该是发挥大模型的独特技术优势，打磨更加细粒度的场景应用，推动AI渗透到诊疗全流程，如改进电子病历系统的交互设计、自动填充结构化的医疗记录、个性化医嘱辅助录入等。电子病历起步之初，计算机起到的是“纸和笔”的作用，被动记录和呈现信息，缺乏主动的、智能化服务。临床应用体验普遍感到不能“手随心”，大量繁琐冗余的录入操作，场景针对性不强的信息呈现，导致使用效率不高、体验不好，这是国内外医生吐槽最多的问题。薛万国指出，未来的系统设计，应该提高电子病历的界面友好性和功能易用性，通过降低医生的信息负载，及时提供医生最需要的信息，从而进一步提高电子病历系统的效率。DeepSeek等大模型的技术发展，为这些细节优化带来了新机会。首先是提高诊疗效率。“举个其它行业的小例子，在填写寄送快递信息时，系统能自动抓取粘贴文字的各部分内容完成填写。”医疗AI可以借鉴此类应用思路，进一步增强电子病历功能的主动性，如：自动抓取患者基本信息，完成结构化数据填写；基于患者病历内容，给出最相关的治疗方式或药品选项供医生选择；自动填充院内感染情况、输血量、特异性检查结果等病案首页数据等。第二，防止医疗错漏。鉴于医学严谨性和医学伦理的特殊要求，医疗AI的潜力并不在于替代医生，而是扮演好“医生助手”的角色。“近期看到一些试用报道称AI在部分场景下已经可以得出与医生相似的结论。但在我看来，在诊疗场景中更具价值的是，AI能给出与医生结论不同的漏诊提示或罕见病信息。”薛万国认为，误诊漏诊提示和罕见病“兜底”建议，是医疗大模型应用更具潜力的发展方向。第三，在医疗科研方面，AI可能会改变过去回顾性科研专病库的构建方式，通过临床科研一体化的方式，用户只需要定义好表单，即可驱动大模型提取患者电子病历中的结构化数据，在记录病历的同时实时录入到专病库中。此外，在医院运营管理方面，大模型可用于医院运营效果和存在问题分析上。借助人机交互，医院管理人员能够把自然语言查询要求通过大模型转换为SQL语句，查询数据库并生成报表。“从性能上看，DeepSeek比既往模型有了进一步的提升，但大模型的幻觉问题依旧是客观存在的短板。医疗关乎生命伦理，强调严肃精准，对大模型幻觉的态度可谓‘零容忍’。”尽管大模型的幻觉问题限制了其在诊断治疗中的直接应用，但其作为辅助工具的价值已经显现。薛万国认为，在医疗行业探索大模型应用的“技术兴奋期”，仍需反复强调：对AI生成内容的取舍权、医疗行为的决策权，仍必须由医生掌握；为避免大模型幻觉，可以将大模型和既有的知识库结合起来，将AI限制在已有知识的范围内进行检索，这是目前医学大模型的一种典型应用模式。医疗AI由浅层次、外挂式的应用，转向与应用系统的深度融合，这不是一个简单的“换引擎”问题，而是医疗AI技术迭代与医疗业务系统重构的共同结果。薛万国认为，大模型在医疗行业的未来发展态势主要包括三方面内容：由通用大模型向专业化模型演进。DeepSeek等通用大模型虽具备广泛知识，但在医疗专科领域存在局限性，需通过微调基座模型或结合专科知识库，形成更专业的子模型（如心内科专病模型），在降低训练成本的同时提升医学精准性。对于专科或专病领域而言，无需过度追求大参数模型，适当规模的垂直模型更加高效。专科化模型需要高质量的专科数据，数据治理至关重要。技术生态协同。医院信息系统未来可能需要接入更多各有所长的大语言模型。一方面，医院需要统一的AI产品API接口，整合不同大模型能力，避免医院多模型部署的碎片化。“AI中台”的概念由此萌生，通过实现接口标准化，让应用系统通过统一接口调用大模型能力。另一方面，国产GPU/CPU厂商需与AI厂商完成硬件适配，通过一体化封装硬件与模型，简化信创环境下的部署复杂度。通过各种业务智能体（Agent）调用大模型能力。智能体是前端应用与大模型的“中介”和代理，可根据不同业务场景需求，调用不同的模型，成为大模型能力释放的“适配器”，提升大模型相关AI系统的灵活性与实用性。智能体与AI中台共同协作，可提升大模型在医院的应用效率和便捷性。“医疗AI的发展由技术驱动，它会给医疗业务系统带来应用功能、设计理念等方面的深刻变革，也会重塑我们看待业务应用的视角。”薛万国认为，医院信息部门既要正视医疗AI发展面临的挑战，如数据治理、数据质量、技术适配、接口标准、医学伦理安全等，又要看到其发展契机，从认知、技术和规划的角度提升对人工智能的理解，进阶式释放医疗AI潜能。为此，他给出三点建议：第一，主动拥抱大模型，学习其原理和应用范围，结合医院的应用场景明确AI在医院信息化中的战略定位。第二，做好技术规划，在医院信息系统架构中引入标准化AI中台，避免被碎片化的AI应用牵着鼻子走，造成重复投入与生态割裂。第三，有条件的医院可利用医院自身数据，联合大模型厂商进行微调或建立专科知识库，使其更加符合医院的个性化需求。
发表评论 取消回复