《动脉智库：2025医疗大模型研究报告：近300个医疗大模型在院内外场景的赋能实践（61页）.pdf》由会员分享，可在线阅读，更多相关《动脉智库：2025医疗大模型研究报告：近300个医疗大模型在院内外场景的赋能实践（61页）.pdf（61页珍藏版）》请在三个皮匠报告上搜索。

1、1前言前言人工智能技术在医疗领域应用多年，大模型技术的出现为其应用价值和范围又带来了新的可能。2024 年底爆火的国产开源语言大模型 DeepSeek 极大助力市场教育，将大模型在医疗场景的应用迫切度也提到历史新高点。医疗领域已经出现数百个垂直大模型应用于各个环节，企业从自身数据及市场优势出发自研专业大模型。产品虽众多，但是产品到商品还受政策、市场等影响。目前，医疗大模型在医疗领域的渗透率、应用情况、应用成果到底如何？本次报告，通过调研、访谈十余家创新企业、三家投资机构及数名临床专家，从市场和企业两方面探索我国医疗大模型渗透率的现状，试图梳理各类不同医疗大模型的竞争要素和优势发展策略，与共同努

2、力的企业们一同探讨。主要观点：医疗大模型发展处于早期，行业经过了“产品打造”阶段，亟待通过“性能验证”释放商业价值。目前，对大多数医疗大模型依然缺乏明确的安全性、有效性的验证和监管体系，是大模型商业化推广重要限速因素。医疗大模型市场规模预计在 2028 年突破百亿，目前总体渗透率不足 10%20%，是一个极大的蓝海市场待企业去开拓。2025 年截至 5 月 1 日医疗大模型发布 133 个，远超 2024 年全年的 94 个、2023年全年的 61 个。288 个医疗大模型中，九成覆盖了政策指引的应用场景。医疗大模型应用场景中，提及频次最高的为医疗服务环节，占比高达 53%，其中临床专病辅助决

3、策、预问诊、病历辅助生成、医学影像辅助诊断位居前四。文本类大模型集中在医疗 IT 服务环节；影像类大模型应用成熟度最高，超声和病理有惊喜进展；生物大模型极大助力药物研发；中医类大模型在多方力量推动下快速发展。医疗大模型的渗透率受多方影响，需要通过痛点验证、市场规模测算、技术和数据能力评估、有公信力的性能验证以及政策的支持和监管来解决“想用”“想做”“能做”“好用”“允许用”的问题。医疗大模型落地应用方式灵活，可作为产品使用、可作为 AI 应用的智能管理平台、可作为 AI 产品研发和优化的基座。总体来说，由于生成式技术与语言大模型的突破，医疗大模型对文本类的任务助力更大，此外对综合性、高数据密度

4、以及多流程的任务赋能更加明显。在医疗大模型的框架下，以大模型牵动的大小模型协作模式将是近几年的主流市场应用方式。人工智能技术发展现状喜人，目前医疗大模型的性能“木桶短板”是高质量的数据及稀缺的专家资源。医疗大模型的发展初期，大模型的打造和应用成本都较高，随着技术、政策、市场等多因素助力，未来医疗大模型将向普惠化迭代升级。目录目录第一章第一章 多因素驱动医疗大模型加速蓝海开拓多因素驱动医疗大模型加速蓝海开拓.11.1 性能不断突破，亟待价值验证推动模型商业化落地.11.2 医疗大模型蓝海市场空间充足，亟待企业开拓.41.3 多因素聚合驱动，推动“产品”向“商品”落地.5第第二二章章 医疗大模型爆

5、发，赋能医疗服务的各个环节医疗大模型爆发，赋能医疗服务的各个环节.112.1 行业迎来近三百个大模型，九成覆盖政策指引应用场景.112.2 四类医疗大模型，展现七大共同技术发展路径.122.3 六大医疗应用场景，解构大模型应用路径.17第第三三章章 医疗大模型在多应用场景率先跑通商业化医疗大模型在多应用场景率先跑通商业化.243.1 渗透率受多方影响，需共同驱动商业化落地.243.2“严肃”和“辅助”医疗应用场景各有标杆.253.3 院外医疗大模型助力“提供工具”向“提供价值”转变.34第第四四章章 未来趋势未来趋势.424.1 大模型是企业刚需，大小模型协作是市场需求.424.2 技术突破降

6、低研发门槛，数据铸造大模型核心竞争力.434.3 昂贵只是大模型的早期特征，普惠化是迭代的方向.44第第五五章章 企业案例企业案例.465.1 讯飞医疗-星火医疗大模型从基层出发赋能医疗全产业链.465.2 数坤科技-多模态大模型构建数智医院医疗大脑.475.3 脉得智能-大模型赋能超声 AI 性能对标病理，打造无创时代.495.4 透彻未来-打造敏感度 100%的临床应用级病理大模型.505.5 南大菲特-引领医疗级科技型人工智能慢病管理服务.515.6 医策科技-“灵眸”为病理医生提供临床级能力工具.52图表目录图表 1人工智能技术推动医疗大模型产品变化的历程.1图表 2医疗大模型分类及其

7、特性.2图表 3医疗大模型从概念到落地的发展阶段.3图表 4医疗大模型市场规模测算.4图表 5八大算力枢纽建设成果及目标.5图表 6近年来国家层面发布的部分医疗大模型相关的促进政策.6图表 7卫生健康行业人工智能应用场景参考指引具体场景展示.7图表 820232025 年医疗大模型数量（截至 2025 年 5 月 1 日）.11图表 9各类医疗大模型应用场景提交频次.12图表 10医疗大模型的主要应用场景.13图表 11医疗垂直模型开发模式分布（截至 2025 年 4 月 30 日）.14图表 12医疗大模型涉及的 56 个细分应用场景提及频次.18图表 13医疗大模型渗透率影响因素.25图表

8、 14判别式与生成式大模型部分性能对比.26图表 15严肃医疗大模型性能共需.30图表 16辅助医疗大模型应用场景分类.31图表 17辅助医疗大模型三大赋能路径.32图表 18人工智能在药物研发各环节应用场景举例.36图表 19轻量级及治疗级健康管理服务对比.38图表 20医疗大模型与小模型的部分维度对比.42图表 21讯飞星火医疗大模型.46图表 22数坤科技多模态大模型-数坤坤.48图表 23脉得智能“甲状腺结节超声影像辅助诊断软件”性能简介.49图表 24透彻未来病理大模型产品 Thorough Insights.50图表 25南大菲特“三师共管大模型”.52图表 26医策科技“灵眸”多

9、模态病理大模型.5321第一章第一章 多因素驱动医疗大模型加速蓝海开拓多因素驱动医疗大模型加速蓝海开拓1.11.1 性能不断突破，亟待价值验证推动模型商业化落地性能不断突破，亟待价值验证推动模型商业化落地技术推动下，医疗大模型愈发成熟。随着技术的不断突破，医疗大模型已经从规则驱动走向了数据驱动，从单模态向多模态融合进阶。如今，医疗大模型性能完成了从“识别”到“生成”再到“逻辑推理”的拓宽，不断接近人类思考水平。图表 1 人工智能技术推动医疗大模型产品变化的历程资料来源：公开信息，动脉智库分析早期大模型以规则驱动。最早的医疗大模型雏形可追溯到 20 世纪七八十年代，医疗领域尝试将计算机技术用于医

10、疗服务。该阶段开发的软件程序基于人工提炼的流程或医学规则，建立一步步判断的架构，从而模拟医院运行的流程，如患者分配、资源管理等，以及基于逻辑推理模拟医生的行为。如 20 世纪 70 年代，斯坦福大学开发的专家系统MYCIN，帮助医生对住院的血液感染患者进行诊断和用抗生素类药物进行治疗，据中国科普博览的研究报告，该系统所给出的治疗方案可接受度达到 69%左右。医疗数据积累+机器学习，大模型进入数据驱动时代。进入 21 世纪，医学数据激增和人工智能技术突破螺旋式地推动医疗大模型性能提升。医疗信息化的落地、电子病历的普及让行业迅速积累了大量医疗数据，为医疗大模型的研发和训练提供了数据基础。与此同时，

11、机器学习的应用让医疗大模型迈入以数据驱动的时代，基于统计学和浅层模型，人们只需完成特征标注即可让模型自行建立判断标准。至此，医疗大模型在部分细分领域走在了落地应用前列，如影像识别、电子病历和智慧医院建设等。随后，深度学习技术和大数据的兴起，让医疗大模型进入了数据驱动的快速发展通道，无需人工进行特征提取即可进行模型训练，并实现端到端的学习。多模态融合，提升精准度并拓宽应用边界。2018 年后，大模型开始实现多模态的融合。一方面，多模态数据的应用，提高了大模型精准度的天花板，使之性能进一步提升；另一方面，多模态融合也在不断拓宽大模型的应用边界，从单点到全面赋能、从为医疗行业提质增效到赋予行业“新的

12、能力”。至此，医疗大模型打破数据孤岛，让模型泛化能力2更强，拥有了更广泛的医疗应用场景，如全科诊疗辅助、临床决策支持、药物研发、远程医疗、精准诊疗等。DeepSeek 助力大预言模型走向新高度。2024 年底，国产开源大模型 DeepSeek 问世，基于DeepSeek-V3 Technical Report，DeepSeek-V3 模型拥有高达 6710 亿的参数量，但得益于其自主研发的混合专家模型 DeepSeekMoE，该模型巧妙地在每一层设置了 256 个专业领域的路由专家及 1 个共享专家，每次运算时仅需激活约 370 亿个参数，大幅度降低了训练所需的计算成本。DeepSeek-V3

13、 训练成本仅 557.6 万美元，不足GPT-4 的十分之一（据斯坦福 HAI 研究所发布报告 Artificial Intelligence Index Report2024数据，GPT-4 的训练成本约 7800 万美元），但经过一系列基准测试，DeepSeek-V3-Base 的 chat 版本表现优于其他开源模型，并在一系列标准和开放式基准测试中达到了与 GPT-4o 和 Claude-3.5-Sonnet 等闭源模型相当的性能。DeepSeek 代表的技术突破带来的极致性价比大幅度地降低了医疗大模型研发和应用的门槛与成本。此外，其开源特性与本地化部署能力是 DeepSeek 能够里程

14、碑式推动医疗大模型发展的另一个核心原因。医疗机构可自主下载源代码并完成私有化部署，确保医疗数据全程闭环处理，满足数据脱敏与访问权限的严格要求。目前全国已有多家医院完成 DeepSeek 本地化部署。其高性能、低成本和开源的特性匹配医疗行业对安全和高效的双重需求，并极大地推动了大模型落地的市场教育成熟。越“应用级”价值体现越直接，专业/垂直大模型缺乏有力测评体系。近年来，企业基于自身积累数据的特性，搭载大模型技术，纷纷推出各自服务环节的医疗大模型。图表 2 医疗大模型分类及其特性资料来源：公开信息，动脉智库分析3从大模型的应用程度出发，可大致将模型分为三类，第一类大模型拥有语言理解和逻辑推理等能

15、力，但并未经过医疗的“专业训练”，常被称为通用大模型。第二类大模型在此基础上接受了广泛的医疗专业数据集的训练，称为专业大模型或垂直大模型，通常覆盖应用场景广。医疗行业处于安全性和可靠性的要求，相较任何一个领域都更需要垂直大模型，其可直接使用，也可赋能进一步开发应用类大模型、小模型，即应用类大模型。第三类应用类大模型则是指针对特定的应用场景和任务，进行了进一步标准数据及专家逻辑的训练，使其在特定任务中有更精准的表现。目前，行业对医疗大模型缺乏统一的性能测评标准，最直观和常用的方式还是需要在具体的应用场景中去验证。由此，应用类大模型由于针对单一任务与应用场景，性能验证范围更窄，仅需就单任务与人类使

16、用者行为结果相对比，性能验证相对更快，进程更靠后。而就大模型的本质特性而言，更多的医疗大模型属于专业/垂直医疗大模型，即可以为多场景赋能，这就意味着其性能验证需在多任务及场景中完成，自然就对应了更长的性能验证周期。医疗大模型行业已经走过了从“技术”到“产品”的阶段，一时间百模兴起。但要从“产品”到“商品”实现大规模商业化落地，还需要在具体应用场景中证实产品的可靠性和可用性。目前，大部分医疗大模型正积极在各应用场景验证与证实模型的有效性与价值。“百模”蓄势待发，亟待性能验证释放商业化价值。医疗大模型从概念兴起到成熟落地大致需要走过需求分析与验证、模型研发、模型性能测试或应用市场对模型性能的验证、

17、商业模式探索到最后在行业实现大规模的商业化落地。图表 3 医疗大模型从概念到落地的发展阶段资料来源：公开信息，动脉智库分析虽然技术突破带来的愈发成熟的大模型产品令人兴奋，但是医疗大模型要实现大规模商业化落地还有一段路要走。目前，在各细分领域已有部分医疗大模型打通了商业模式实现了商业闭环（我们将在第三章详细分析部分应用场景的典型案例），但就行业整体而4言，发展尚处早期，更多的医疗大模型还处于价值验证阶段，亟待通过性能测评释放其商业价值。1.1.2 2 医疗大模型蓝海市场空间充足，亟待企业开拓医疗大模型蓝海市场空间充足，亟待企业开拓医疗大模型快速兴起并进入爆发期。随着医疗数据数量和质量的快速提升、

18、算法和算力的不断突破，医疗大模型在近几年兴起。基于更大规模数据训练、更多层的神经网络及连接方式，大模型展现出更高的性能及智能水平，使其不断拓宽在医疗行业的应用场景并在各大场景逐步渗透，以之带动的市场规模增速也十分可观。尽管各大机构对医疗大模型市场规模的测算存在差异，但均展现出相同的趋势。医疗大模型在 2019 年至 2023 年快速兴起，期间市场规模年均复合增长率超过 100%；直至2027 年都将是医疗大模型的爆发期。根据亿欧智库的访谈数据，目前医疗大模型市场规模接近 20 亿元，在行业爆发期间，预计以高达 140%的年平均增长率，于 2028 年突破百亿元。图表 4 医疗大模型市场规模测算

19、资料来源：亿欧智库渗透率不足 20%，大模型蓝海待开拓。尽管快速拓宽的应用边界不断拉高医疗大模型的市场规模天花板，但要真正大规模应用落地还需要一步一个脚印，逐步提升市场渗透率。目前，医疗影像、辅助诊断、健康管理等领域大模型渗透率相对较高，但依然属于市场渗透的早期阶段。以渗透率较高的影像领域为例，根据沙利文与头豹研究院联合发布的2024 年中国医疗大健康产业发展白皮书以及亿欧智库的测算，2020 年其渗透率仅5约 1%，到 2030 年有望超过 40%。基于动脉网访谈调研预估，医疗大模型整体渗透率不足 20%，甚至更加保守的受访者估计不足 10%。由此可见，医疗大模型这块蓝海还有巨大的市场空间亟

20、待企业们去渗透和开拓。1.1.3 3 多因素聚合驱动，推动多因素聚合驱动，推动“产品产品”向向“商品商品”落地落地大模型基础建设不断坚实。医疗大模型依靠强大的算力运行、基于人工智能技术的专业算法指导，并且在大数据的基础上进行训练和优化。因此，算力提升成为推动医疗大模型快速发展的核心驱动因素。图表 5 八大算力枢纽建设成果及目标资料来源：通信产业报随着大数据、人工智能和物联网等技术的迅速崛起，我国算力需求近年来也迅速增长。据中国通信院数据显示，2023 年底，我国算力总规模达到 230EFLOPS，规模位居全球第二，近五年年均增速近 30%，其中智算规模增势最为强劲，增长率超 70%，预计未来6

21、三年我国算力规模年均增速将达 45%。自“十四五”规划首次将算力网络纳入国家新基建，并明确“东数西算”工程目标以来，八大算力枢纽建设成果卓越，且该强劲的建设势头将进一步持续，不断夯实医疗大模型发展的算力基础。国产芯片逆袭，奋力解除技术封锁。芯片进口限制不断加码，给了国产芯片快速成长的压力和动力。华为自 2021 年 10 月发布芯片昇腾 910 后，该系列芯片性能不断升级，2023 年发布的 910B 性能方面可媲美英伟达 A100，并在 2024 年获得百度和中国移动等巨头互联网厂商及运营商订单，均为千级数量“大单”；2025 年进一步升级的 910C 将显著改善芯片性能，解决 910B 的

22、传输瓶颈，性能直逼英伟达 H 系列，销售订单量有望在 910B 的基础上实现翻倍。此外，寒武纪和海光信息等领域头部企业也持续推出性能更优产品，共同推动国产芯片升级，进一步坚实医疗大模型发展的基础。平衡安全与发展，政策多维度促进医疗大模型应用落地。大模型作为医疗人工智能应用的重要一环，持续受到政策的促进和推动。近年，国家层面从大模型研发基础建设（包括算力、算法、数据等）、应用方向指引、大模型备案监管机制等方面推出系列政策，平衡包含大模型的医疗人工智能应用的安全与发展。图表 6 近年来国家层面发布的部分医疗大模型相关的促进政策资料来源：公开数据，动脉智库整理值得一提的是，2024 年 11 月国家

23、卫生健康委办公厅、国家中医药局综合司、国家疾控局综合司联合发布的卫生健康行业人工智能应用场景参考指引，明确定义了“人工7智能+医疗服务管理”“人工智能+基层公共服务”“人工智能+健康产业发展”“人工智能+医学教学科研”四大部分，涵盖十三大类，总共 84 个具体的应用场景，其中 19 个应用场景明确提到了医疗大模型的应用。图表 7 卫生健康行业人工智能应用场景参考指引具体场景展示资料来源：国家卫健委官网，动脉智库整理（打勾为明确提及大模型应用的场景）该指引的发布无疑是医疗大模型落地的重要推动引擎，给了大模型临床准入的政策支持。不仅如此，该指引也清晰地指引了企业打磨相关大模型性能的方向、指引了临床

24、该如何使用相关场景的医疗大模型。DeepSeek 是技术、更是市场教育加速器。DeepSeek 自 2024 年底发布以来，迅速“走红”各个行业，医疗行业也不例外。就医疗大模型领域而言，DeepSeek 对其影响已经超越了单纯的技术突破范畴。除了本章第一节叙述的 DeepSeek 在技术上对医疗大模型性能提升带来的加持外，其“一炮而红”对医疗行业各环节从业者，以及 C 端的患者或用户更是一次直观且有力的市场教育，迅速提升了市场对医疗大模型的接受度以及使用积极8性，变“被动接受”或“试一试”为“主动拥抱”。在市场需求的推动下，目前，众多医疗大模型企业纷纷与 DeepSeek 进行了不同程度的融合

25、，而 DeepSeek 也在多应用场景中展示出了其在文本交互方面的优势。对于文本交互为主、提供医疗级科技型健康管理服务的南大菲特，在“三师共管大模型”与 DeepSeek融入后助益明显，赋能其为用户带来交互体验更好的长周期陪伴式医疗健康干预服务。再如太美医疗科技，DeepSeek 等大模型的融入使之在临床研究及数字营销两个板块的服务能力均有提升，如前者方案辅助撰写、医学翻译、中心筛选、文件检索、数据管理、文件管理、风险预警等文本处理环节，后者医药代表培训、内容营销、医生画像等环节。专注文本处理赛道的医渡科技，DeepSeek 的超强文本交互能力与之十分匹配，融入DeepSeek 后对其“大数据

26、+大模型”双中台的服务能力无疑是一次有力加持。此外，东蔓医疗的智能肿瘤辅助决策系统和 DawnMed 黎明医疗模型接入 DeepSeek 后，在医患沟通、患者教育、自动解读报告等方面显著提效并降低产品研发成本。医疗大模型企业纷纷完成了自身医疗大模型与 DeepSeek 的融合升级。据调研访谈，自DeepSeek 发布后，企业医疗大模型推广阻力明显降低且获得了可观的销售增量。如医渡科技以“YiduCore 知识大脑+DeepSeek 创新引擎”双核驱动，让 AI 中台化身医院的“智能体孵化工厂”。目前，不同能力的 AI 助手已在中南大学湘雅医院、中山大学肿瘤防治中心、北京大学肿瘤医院、南昌大学第

27、一附属医院、哈尔滨医科大学附属肿瘤医院、上海市肺科医院、山东第一医科大学附属省立医院等近 30 家国内顶尖医疗机构“上岗”。此次医疗大模型里程碑式地快速渗透，DeepSeek 的“走红”功不可没。可见，医疗大模型正处在发展的蓬勃进展期。无论是算力、算法等“硬实力”，还是政策、监管等“软实力”都朝着推动模型落地应用的目标不断提升。加之市场教育持续推进，医疗大模型即将在供需双方的双向奔赴中爆发式发展。本章小结：医疗大模型性能持续快速提升：随着人工智能技术的发展、标准化医疗健康数据的沉淀、算力等基础建设的夯实，医疗大模型的性能快速提升，能显著为医疗行业多环节提质增效甚至赋予行业“新的能力”。医疗大模

28、型尚处商业化早期：行业目前尚缺共识性、系统性的测评体系直观验证医疗大模型的安全与价值，“百模”蓄势待发，亟待完成产品验证实现大规模商业化落地。医疗大模型蓝海亟待开拓：性能的突破在拓宽医疗大模型应用边界的同时，也不断9拉高医疗大模型的市场规模天花板，而行业渗透率不足 20%，广阔的蓝海市场亟待大模型企业开拓。多因素驱动医疗大模型加速落地：政策从基础建设支持、方向指引、市场准入及监管等多维度促进医疗大模型落地，加上市场教育地有序推进，医疗大模型即将迎来高速商业化落地期。1011第第二二章章 医疗大模型爆发，赋能医疗服务的各个环节医疗大模型爆发，赋能医疗服务的各个环节2.12.1 行业迎来近三百个大

29、模型，九成覆盖政策指引应用场景行业迎来近三百个大模型，九成覆盖政策指引应用场景2025 年医疗大模型密集发布。2024 年大语言模型破圈以来，这项技术正以迅猛之势深度渗透医疗领域。企业、科研院所乃至医院亦纷纷入场，围绕这项进行探索，以拓宽其应用边界。但未等探索成果充分落地，2025 年 1 月，DeepSeek R1 版本的发布，再度引发低成本高质量 AI 应用热潮。这一热潮也迅速传导至产业端 133 个医疗大模型的密集发布，远超 2023 年（61 个）与 2024 年（94 个）的模型数量。图表 820232025 年医疗大模型数量（截至 2025 年 5 月 1 日）资料来源：公开资料，

30、动脉智库整理行业迎来近三百个大模型，九成覆盖“指引”应用场景。从 2014 年关于促进智慧城市健康发展的指导意见提出推进智慧医院建设至今，已有大量数智化应用嵌入医生工作流程。历经十余年发展，这项技术逐步跨出诊断和治疗的范畴，生根于医疗场景中的每一个角落。截至 2025 年 5 月 1 日，本报告基于系统性研究，收录了市面上已公开的主要医疗大模型案例累计 288 个，其中约有九成以上医疗大模型应用场景均涵盖于卫生健康行业人工智能应用场景参考指引之中。医疗服务场景提及频次远超其他应用领域。本次统计的 288 个医疗大模型中，涉及应用场景 12 类，所有应用场景总提及频次 814 次。其中医疗服务场

31、景涉及的大模型最多，总提及频次达 430 次，占比近 53%。12图表 9 各类医疗大模型应用场景提交频次资料来源：公开资料，动脉智库整理从 2023 年的初步尝试，到 2024 年行业取得长足进展，再到 2025 年未至年中便迎来超百个模型落地，医疗大模型的爆发式增长态势已然明晰。在此过程中，明确应用场景是确立大模型发展路径的关键。毕竟，医疗大模型需在循证医学框架及数据安全准则下迭代，无法照搬通用模型的“涌现能力”与“多模态融合”路径，必须探索一条符合行业特性的模型改进与价值探寻之路。2.22.2 四类医疗大模型，展现七大共同技术发展路径四类医疗大模型，展现七大共同技术发展路径政策与技术迭代

32、驱动下，我国医疗大模型产品矩阵加速构建。鉴于不同场景及主体间的应用渗透程度存在差异，本报告通过对主流大模型产品的应用场景进行系统梳理与量化分析，选取文本大模型、医学影像、药物研发、中医药产业四大核心赛道，以期全景呈现医疗大模型的技术落地路径与产业发展脉络。13图表 10 医疗大模型的主要应用场景资料来源：公开资料，动脉智库整理2.2.12.2.1 文本大模型文本大模型-医疗医疗 IT IT 场景占比最大场景占比最大近一半大模型应用场景为医疗 IT。在技术适配性、数据基础、应用场景需求及产业落地可行性等多因素影响下，当前文本大模型仍是医疗大模型的主要研发类型。其主导地位源于医疗场景对语言处理的刚

33、需、文本数据的易获取性、技术成熟度与商业落地效率。在此之中，医疗 IT 是大模型落地场景中占比最大的部分。结合对 288 个医疗大模型应用场景的系统性梳理，在累计 663 个场景提及频次统计中，非医学影像类医疗 IT 场景提及频次高达 300 余次，以近 46%的占比成为核心落地方向。医生成为“AI 制造”群体中至关重要的一员。尽管医疗信息化市场长期被视为创新弹性有限的传统领域，但在前期技术积累基础上，医疗大模型研发主体也开始由信息化厂商、医疗创新企业，开始向产学研联合创新，以及医疗机构、科研机构主动创新转变。垂直大模型的功能也随医生的加入不断扩展。截至 2025 年 4 月 30 日，国内“

34、2022 届中国竞争力排行榜”中排名前 100 的医院，已有1498 家对外宣称完成了大模型部署。在这之中，有 38 家医院在通用模型的基础上进一步展开研发，打造出 55 个符合自身需求的垂直医疗模型。其中，医院合作企业依然是主流，有超过一半的项目采用这一模式进行开发。2025 年 2 月开始，医院合作学校、科研机构的项目数量开始激增。尤其是医院独立开发这一模式（包括医院间的合作），已占比接近 25%，成为仅次于合作企业开发的重要模式。这意味着医院正在医疗大模型的能力跃迁中发挥愈发重要的作用。图表 11 医疗垂直模型开发模式分布（截至 2025 年 4 月 30 日）资料来源：公开资料，动脉智

35、库整理催生专病、智能解读等新兴赛道。研发角色的转变不仅推动医疗信息化成为医疗大模型商业化落地最成熟的赛道，更催生了医患智能问答、心血管指南动态解析、专病知识图谱构建等新兴应用场景，使该领域的价值再度被激活。动脉网据公开资料统计，国内目前已有专病专科垂直模型 22 个，覆盖心血管病、肾病、胸痛、咽喉病变、皮肤病、肝癌等病种，骨科、放射科、病理科、眼科、麻醉科等科室，甚至还专为消化内镜、心超等设备；手术风险评估、感染控制等环节训练大模型。2.2.22.2.2 影像大模型影像大模型-发展最成熟已覆盖全周期发展最成熟已覆盖全周期医学影像是人工智能技术落地最为成熟的医疗场景之一，并已形成覆盖图像采集、处

36、理及诊断全流程的价值赋能体系。历经近 10 年发展，不仅医疗机构对影像 AI 产品的接受度不断提升，医生对于影像 AI 研发的参与程度亦不断深入。通过市场产品图谱分析，聚焦医学影像领域的大模型相关产品已达 56 款，以心脏、骨15骼、头颈、肺部等解剖部位的辅助诊断应用最为广泛。其中，超声和病理成为重要突破方向，脉得智能（超声）、透彻未来（病理）及医策科技（病理）等企业纷纷推出相关大模型助力临床辅助诊断。目前，从影像 AI，到医学影像大模型的应用场景日渐宽泛，覆盖疾病筛、诊、治、防全诊疗周期。医学影像大模型正从单一部位辅助诊断向全病程管理、多模态融合诊断演进。2.2.32.2.3 药物研发大模型

37、药物研发大模型-亟待质的变化亟待质的变化应用场景集中在药物研发。算法与模型的变革一直被作为制药 AI 的生命线为行业所关注。如今不止制药企业在着手探索相关大模型研发，清华大学、澳门理工大学、上海交通大学等高校及科研院所也开始进行相关探索。结合统计数据来看，目前大部分生物大模型产品的应用场景集中在药物研发领域。例如水木分子的“ChatDD”提供药物研发全流程支持，涵盖立项决策、临床前药物发现、药物开发、临床试验等环节；晶泰科技的“XpeedPlay 平台”能超高速生成苗头抗体，加速药物研发进程。这些模型通过不同的技术手段，在药物研发的各个关键节点发挥作用，有助于缩短研发周期、降低研发成本，提高药

38、物研发的成功率。仍待技术创新。在技术层面，各生物制药大模型产品展现出不同的创新亮点。如上海交通大学的“Venus”蛋白质设计大模型，实现了蛋白质从序列到功能的预测，相比传统靠经验和高通量实验的方法更加精准；哈佛医学院 Zitnik 实验室的“MADRIGAL”是预测药物组合临床效果的多模态 AI 模型，为药物联合使用的效果评估提供了新的手段。需指出的是，当前生物制药大模型在医疗机构赋能及药物研发探索等领域，尚未实现对既有场景的颠覆性突破，仍处于技术融合与场景适配的渐进式创新阶段。随着算法优化、数据积累及跨学科协同的深化，该领域有望催生具有变革性的技术突破。2.2.42.2.4 中医大模型中医大

39、模型-多方力量推动快速发展多方力量推动快速发展汇聚多方力量，快速发展。从当前众多面世的大模型来看，大模型正持续加大在中医药产业的应用。2023 年，面世的中医药大模型约为 13 款，2024 年数量稍有下降为 9 款，2025 年已有 8 款产品面世。从数据来看，中医药产业大模型的研发汇聚了多方力量，呈现出产学研紧密协同的态势。华为、百度、阿里、讯飞等科技大厂依托算力算法优势，联合中医药领域布局垂直行业大模型；清华大学、中国中医科学院等科研院所通过大模型技术推动中医药传承创新。此外，深耕中医药产业的头部企业亦积极入局。如云南白药、华润江中、太极集团、天士力等知名药企，以及大经中医、中医聪宝等中

40、医 AI 创新企业均在赛道发力。与此同时，在具有中医药产业基础的地区，相关政府也在着力发展中医药大模型产业。16亳州市与华为共建“华佗中医药大模型”；横琴粤澳深度合作区启动“中医药横琴大模型”；天津早前已推出中医针灸领域的“天河灵枢”“海河岐伯”大模型并开放内测，形成政产学研医协同的区域发展格局。功能丰富，聚焦临床与教学科研核心需求。中医药产业大模型具备多样化的功能，其核心仍是聚焦于临床辅助诊疗和科研智能辅助等方面。在临床辅助诊疗上，中医药大模型已能够实现智能问诊、辅助诊断、智能审方等功能。如固娃娃智能医疗助手在患者端和医生端都提供了多种智能化服务。在中医药管理方面，可助力名中医学术思想智能传

41、承、中医药科研管理等。在中医药教学与科研方面，模型则可进行中药知识的提取与生成、中医药知识图谱构建，以推动名中医学术思想传承，同时辅助科研等。应用场景从中医药管理向中医药产业发展延伸。如今中医药大模型已不局限于以医疗服务为核心的中医药管理场景，而是逐步向中医药产业发展方向延伸，以从根本上推动产业发展。在产业发展场景，主要应用领域涵盖中药材智能生态种植、中药智能生产设备管理、药物研发等。以“华佗中医药”为例，该模型能通过对土壤、气候、水质等环境因素分析，为中药材的种植提供指导。基于对海量的中医药数据进行快速分析和挖掘，缩短药物研发周期，同时根据市场需求预测，提高企业的市场响应能力和竞争力。中医知

42、识科普与健康管理是中医药大模型的潜力场景。除辅助诊疗、教学科研、新药研发等应用场景外，中医药知识科普、个性化健康方案制定也变得愈为重要，它们正成为推广中医，以及连接患者与中医诊所的重要路径。总而言之，结合技术演进逻辑与行业实践，当前医疗大模型核心应用场景及技术发展路径可归纳如下：医疗服务仍是主流应用场景：现阶段医疗大模型的应用仍以医疗服务、医药服务、医保、医院管理等传统场景重塑为主；公共卫生服务、养老托育服务及医疗机器人等领域的大模型应用较少涉及：相关场景的技术适配性与落地案例数量较少，亟待突破跨模态数据融合与场景化训练的瓶颈；基层应用频频被提及：由于落地速度最快，医患、院管多场景反馈明显，主

43、流医疗大模型应用体系普遍将基层医疗辅助纳入核心场景构建；中医药领域实现应用的深度渗透：在传统医疗场景之外，中医药行业管理及中医药产业现代化发展成为医疗大模型的重点研发方向；大模型正蓄力赋能医疗产业：医疗大模型应用已延伸至医疗产业生态，形成面向企业端的专业化模型解决方案，覆盖医疗产品研发、注册申报合规化、企业运营管理17等细分场景，赋能医疗产业发展；革新医学教育与科研范式：医学教育领域正探索大模型应用，包括医学教育患者虚拟人、智能仿真人等应用；科研端则聚焦于医学文献深度挖掘等场景；健康管理场景或成医疗大模型应用潜力股：健康风险评估、个性化干预方案制定、慢性病管理等场景成诸多深耕细分领域企业发展方

44、向，糖尿病、心理、减重等领域均有大模型落地。2.32.3 六大医疗应用场景，解构大模型应用路径六大医疗应用场景，解构大模型应用路径本次统计的 288 个医疗大模型、共 814 次场景提及频次中，涉及的 12 类应用场景中共涵盖 56 个细分领域，其中，临床专病辅助决策、预问诊、病历辅助生成、医学影像辅助诊断提及最多，均为医疗服务大类。接下来，我们将从医疗服务管理、中医药管理、健康管理、公共卫生管理、医疗事业发展以及医学教育与科研六大医疗应用场景解析医疗大模型的应用路径。医疗服务管理以医院需求为导向。智慧医疗体系建设历经十余年发展，医疗 AI 应用已进入深度落地阶段。当前主流医疗大模型研发紧密围

45、绕智慧医疗核心场景，遵循智慧医疗建设逻辑，形成覆盖诊前、诊中、诊后全流程的解决方案体系。同时，医疗大模型的开发仍以医院实际需求为导向，优先布局医疗安全保障与患者服务优化两大核心方向。在具体应用场景构建上，医疗大模型已形成四大核心赋能矩阵：临床决策支持：覆盖医学影像智能辅助诊断、临床专病智能辅助决策、基层全科医生智能诊疗支持等，通过多模态数据融合提升诊断精准度；患者服务管理：贯穿门诊分诊、预问诊、智能配诊、就医咨询、诊后随访、满意度调查及院后健康管理全链条，实现服务流程数字化再造；医疗质量控制：包括医学影像数据辅助质控、处方前置审核智能辅助、用药安全智能干预等，构建全环节风险防控体系；医院管理：

46、聚焦医疗质量与安全管理、资源精细化管理及后勤与运营支持三方面，大模型应用方向主要为医疗文书质控辅助、医疗质量管理、医务人员管理、手术室管理、药房管理、耗材管理、医疗设备管理、医院经济管理决策支持，整体助力医疗机构实现运营效率与精细化管理能力提升。18图表 12 医疗大模型涉及的 56 个细分应用场景提及频次资料来源：公开资料，动脉智库整理19中医药管理，大模型数量激增。中医诊疗的核心在于辨证论治与个体化诊疗原则，而大模型技术在复杂语义关联处理、跨维度模式识别及深层知识表征学习上的独特优势，这种高度个性化和综合性的诊疗思路形成天然技术适配。此外，中医理论体系中医疗知识难以显性化、结构化的固有挑战

47、长期存在，导致知识传承相对困难，引入大模型可对中医相关知识进行数据挖掘，推动相关知识体系的构建，以标准化的形式为患者生成诊疗方案。正因如此，这两年大批中医药大模型涌出。据不完全统计，截至 2025 年 5 月 1 日已有30 个中医药相关的大模型发布。应用场景主要包括中医临床智能辅助诊疗、预问诊、中医临床病案智能质控、名中医学术思想智能传承、中医药科研智能辅助，以及中药材智能生态种植、中药智能生产设备等。健康管理，轻量化场景初见成效。健康管理主要包含健康管理、中医健康管理、慢性病管理、心理自助服务、心理分级评估与护理、学生心理健康管理服务、遗传性疾病筛查与预测及慢性非传染性疾病筛查与预测。在该

48、应用场景中，健康管理、慢性病管理、心理自助服务，以及减重等轻量化场景已成为诸多深耕细分领域企业的发展方向。这些轻量化场景的价值不止于提升健康管理的便捷性与个性化水平，更在于通过低门槛服务触达海量用户，积累高频次健康数据交互，以构建“预防-筛查-干预-康复”的主动健康管理体系奠定数据基础，为后续整合医疗资源、打通医保支付、开发精准健康产品提供了规模化落地的切入点。公共卫生服务，传染病检测显价值。公共卫生服务核心在疾病预防与应急响应，其高效运行依赖多维度数据实时整合与智能决策，大模型的跨模态处理和趋势预测能力可作为关键技术支撑。当前，传染病智能监测、卫生应急管理、疫苗查漏补种等场景中，仅传染病监测

49、实现大模型产品落地，其余仍处于探索阶段。尽管当前公卫领域并非大模型主流战场，但其潜力显著。未来随着跨部门数据逐步打通，公卫管理在疫情预测、健康公平性评估等复杂场景也将释放更大效能。大模型多维度促进医疗产业发展。从医疗器械研发、药物研发，到中医药产业发展，大模型的应用几乎已深入健康产业发展深处，并从多个维度驱动行业发展。药物研发始终是大模型应用的关键领域，在药物发现和临床前研究阶段，它能够显著提高靶点发现的效率，并构建复杂的分子结构。同时，在临床试验阶段，大模型还能为试验设计和统计方法的选择提供支持，从而提高药物研发的整体效率。延续药物研发大模型的技术逻辑，医械领域聚焦产品研发流程优化与注册申报

50、合规化的大模型产品相继落地。此外，面向医疗产业多元主体，企业运营管理场景的智能化工具20持续拓展，覆盖供应链风险预测、研发预算智能分配、内部知识库管理、营销方案辅助制定等核心环节，以大模型为基础，构建起“研发优化-合规管理-运营提效”的全链条赋能体系。此外，大模型技术对中医药新药研发与产业升级的驱动，也吸引了大批中药企业进行相关技术探索。如天士力“数智本草”大模型能够帮助研究者完成中医药理论证据的挖掘和总结，也可结合相应算法快捷实现药材与复方的筛选和优化。而华佗中医药联合亳州市开发的产业级大模型，可基于土壤、气候、水质等环境数据构建种植决策系统，指导中药材规范化种植，同时运用大模型技术加速活性

51、成分筛选及复方配伍优化，提升新药研发效率。医学教育与科研应用相对成熟。医学教育与科研场景亦是大模型重要应用领域。教育领域，构建虚实结合仿真课程、提供智能教学工具、生成个性化教学资源与科普内容、打造患者虚拟人用于沉浸式互动教学，以及教学过程全面监测是大模型主要应用方向。但当前大模型在教育领域的应用已不局限于校内教学，而是同步强化基层医学教育资源下沉与公众健康知识普及效能。科研场景大模型几乎已具备全流程辅助能力，可借助自然语言处理技术实现文献深度挖掘、热点趋势预测及论文智能撰写，基于多模态大模型整合病历、影像、组学等数据，辅助临床试验患者智能招募、研究型病房实时监测与科研数据分析建模，以此加速科研

52、成果转化。总结而言，当前医疗大模型已形成“核心场景深耕+延伸场景拓展”的立体化应用格局。即以医疗机构智能化升级为主，同步向专科医疗服务、基层公卫信息化、医学教育创新及产业赋能延伸。差异化价值逻辑形成的技术落地路径。基于五大核心应用场景的解析，各场景基于差异化价值逻辑形成的技术落地路径主要如下：大型医疗机构：围绕智慧医疗核心场景向外延伸参考卫生健康行业人工智能应用场景参考指引分类，人工智能技术在大型医疗机构应用占比最高。基于本报告数据统计，当前主流医疗大模型研发亦是围绕智慧医疗核心场景打造。主要集中于医疗流程优化（辅助决策与诊断、病历生成、处方审核、用药辅助）、患者就诊管理（预问诊、分诊、诊后随

53、访）及院内运营管理（医疗文书质控辅助、智能耗材管理、医院经济管理决策支持）等领域。值得一提的是，随着医疗机构由医疗大模型“被动应用”向“主动研发”的角色升级，围绕医疗机构研发的大模型产品已开始呈现出更多形态，并向更丰富的场景延伸，各大医院21均有大模型落地实践的明确需求与意愿。小型专科医疗机构：消费医疗与中医药智能化赛道正在升温目前市场已涌现出如口腔、眼科、医美、心理等医疗大模型，以满足消费医疗场景需求。在此之中，专科医疗机构的价值空间也得到进一步释放，如效率提升、深度连接患者等。但受限于单体机构付费能力弱，且相关产品暂时还难以有独立的商业价值可言，市场规模扩张缓慢。不过针对该应用场景，中医药

54、大模型亮点突出。中医辨证施治依赖名医经验与经典方剂，与大模型知识整合能力高度契合。因此，行业不仅诞生了诸多标杆产品。相关产品在中医实体机构中亦存在应用空间，特别是线下中医连锁实体机构规模性扩张等场景。政府：在基层多个场景实现提质增效面对医疗资源分配不均及慢性病防控压力增大等现实问题，基层自然成为大模型发挥价值的关键领域。该领域大模型落地场景主要为辅助决策、病历智能生成与质控、患者个性化管理、公共卫生服务等核心环节。现阶段，政府是基层医疗大模型产品的主要买单方。不过，医共体单位与基层医疗机构也通过分担采购成本或对接医保付费等方式，推动相关技术落地应用。药企：落地仍存在挑战算法与模型作为制药 AI

55、 的生命线，其技术迭代始终牵动行业神经。随着大语言模型席卷医疗领域，新药研发也经由新一代 AI 重塑，释放出新的潜能。今年 DeepSeek 问世后，迅速吸引恒瑞医药等头部药企接入，展现出制药企业对 AI 技术的付费意愿。不过要真正落地产品仍具有一定挑战。一是大模型在药物研发及临床应用中仍面临数据质量参差、多样性不足等问题，模型可解释性与可信度仍待突破，持续学习机制也需完善；二是在临床落地阶段，大模型技术仍需解决监管合规、多方协作、流程复杂等问题。患者：潜在挖掘空间明显2C 市场是医疗大模型最具想象空间的赛道。一旦形成规模化用户积累，基于健康数据闭环的生态价值将呈指数级释放。仅互联网医疗场景就

56、存在深度挖掘空间，大模型不仅能通过智能对话推动优质医疗资源扩容，更能在医患交互中精准捕捉潜在就医需求，构建“需求发现-服务匹配”的闭环路径。此外，围绕个人健康管理的深度产品创新具有颠覆性价值，当专属健康助手成为标配，基于用户生理指标、病史习惯的定制化健康管理方案，将催生从单次服务到全周期健康干预的市场变革，其中蕴含极大发展空间。22本章小结：医疗大模型进入爆发期，据不完全统计，截至 2025 年 5 月 1 日行业发布医疗大模型已有 133 个，远超 2024 年全年发布的 94 个、2023 年全年发布的 61 个。报告统计的 288 个医疗大模型中，涉及 12 大类应用场景、56 个细分应

57、用场景，细分应用场景共被提及 814 次，其中医疗服务类被提及最频繁，高达 430 次，占比近53%。报告统计的医疗大模型中超过九成模型均覆盖了卫生健康行业人工智能应用场景参考指引中提及的应用场景。文本类医疗大模型中医疗 IT 应用场景占比最大；影像类医疗大模型技术最为成熟；药物研发类大模型亟待为行业带来颠覆性变化；中医类大模型在多方力量推动下迎来快速发展。医疗大模型正围绕大型医疗机构、小型专科医疗机构、政府、药企和患者的服务全面赋能，加速落地。2324第第三三章章 医疗大模型在多应用场景率先跑通商业化医疗大模型在多应用场景率先跑通商业化3.13.1 渗透率受多方影响，需共同驱动商业化落地渗透

58、率受多方影响，需共同驱动商业化落地医疗大模型的落地应用渗透率受多端的影响。需求端，首先需要有明确的、真实的痛点需求，其次需要有足够大的市场空间吸引科技企业及资本布局赛道。在需求验证之后，企业端需要充分验证相关产品打造的可行性，例如技术是否足够支撑、数据是否足够精准等。最后，大规模的商业化落地还有赖于相关部门的政策支持，从技术发展、市场准入、产品性能验证、收费等环节给予指引。听市场痛点指引。医疗大模型被应用于医疗服务的各个环节、众多场景。就渗透率而言，痛点的强烈程度与医疗大模型的渗透率正相关。例如，在医疗资源越是短缺的场景、在医疗结果越是欠佳的领域，对于人工智能技术能够带来的提质增效，甚至赋能做

59、到现有体系无法完成的事情的需求就越强烈。被市场规模吸引。医疗大模型赋能下能够带来的价值空间越大，对于医疗大模型的建立越有吸引力，这意味着产品一旦成功拥有巨大的市场来获得经济回报。因此，市场规模的大小也与吸引力呈正相关。如靶点发现、超声辅助诊断等领域，产品打造难度不小，却依然吸引了众多企业加入。需高质量数据支持，待验证体系考核。如第一章所述，人工智能技术发展十分迅速，加之行业越来越多开源模型和医疗领域预训练模型可以嫁接使用。对于行业能否产出解决痛点的医疗大模型的难点更多在于是否能够获取产品训练所需的高质量数据。而数据，又可以进一步从标准化程度、处理难度等维度来分析产品研发的难度。数据越是标准、数

60、据处理门槛越低，越容易或者说能更快、成本更低地打造出相关医疗大模型产品。从“产品”到“商品”的过程还需要过性能验证这一关。性能验证方式的直观性、容易程度、共识程度等与渗透率呈正相关。例如，放射影响类的大模型，性能可直观与放射医生结果对比且“是”与“否”的判定容易，并且可以通过获得国家医疗器械证获得有力的证明，其在性能验证这一环节显得更为容易。被政策法规管制。政策和法规主要通过鼓励、指引及监管环节影响医疗大模型的渗透率。在此维度，医疗体系相比于直接 toC 的应用领域，政策法规对其渗透率的影响更高。其次，就院内场景使用的大模型而言，政策的完善程度与渗透率呈正相关。合规路径越清晰（如是否需要获批器

61、械证、数据如果更合规使用）、医生使用责权越清晰，与其渗透率呈正相关。例如，2024 年底发布的 AI 具体应用场景的指引所涵盖的场景拥有更“完善”的政策，对提升渗透率是一个有利因素。25图表 13 医疗大模型渗透率影响因素资料来源：公开信息，动脉智库整理基于此渗透逻辑，目前医疗大模型在放射类影像辅助诊断渗透率最高，据调研估计，渗透率接近 40%。此外，辅助检查报告解读与结构化、病案质控、辅助问诊/导诊类工具、临床辅助决策、涵盖智慧病历书写等功能的医生助手、科研场景、药物研发、健康管理等应用场景渗透率其次。我们将在接下来的小节逐一解析其影响因素。3.23.2“严肃严肃”和和“辅助辅助”医疗应用场

62、景各有标杆医疗应用场景各有标杆适用于院内（包括基层）的医疗大模型从临床应用场景不同可以分为严肃医疗大模型和辅助医疗大模型。前者围绕医生的检查和诊断环节，旨在达到与高年资医生同样的检查和诊断水平，主要应用范畴如放射影像、超声影像、病理影像诊断、治疗方案生成等。该类大模型需受药监局监管，获得相关医疗器械证后进入临床使用。后者围绕医生（检查和诊断以外的工作流）、患者、医院管理，旨在为整个院内场景提质增效，应用范畴如 CDSS、病历书写助手、医生科研助手、预诊助手、患者诊前诊后管理、病案质控等。该类大模型需完成网信办备案，无严格的获证要求。值得一提的是，就单个医疗大模型而言并非只能拥有一种类型应用场景

63、，其可同时在两类场景应用或赋能两类场景的相关应用开发。如专注影像领域的数坤科技、脉得智能、透彻未来等企业推出的相关大模型，助力精准诊断的同时也赋能科室医生全工作流，如病历书写、数据管理、科研教学等。由于医疗大模型的应用方式兼具“产品”和“平台”属性，即其既可作为产品直接应用，也可作为“平台”赋能进一步人工智能产品升级或研发。因此，在落地成熟度的讨论中，我们将两种应用形式均考虑其中，作为“平台”属性时，将通过其赋能的人工智能应用落地26程度进行评估。3.2.13.2.1 严肃医疗大模型严肃医疗大模型-影像走在最前列影像走在最前列应用于严肃医疗场景的大模型，在影像辅助诊断领域走在最前面，其中细分领

64、域又数放射影像落地应用最为成熟，其次是超声及病理领域。影像大模型给出定性分析，发展更快。严肃医疗大模型在整个影像辅助诊断领域应用渗透率最高，或与其需给出定性分析的任务性质有关。从大模型训练方式及应用目的出发，医疗大模型又可分为判别式大模型与生成式大模型。前者学习条件概率，生成的空间受限，类似于回答封闭式判断题，因此准确度相对更高；后者学习联合概率，生成的空间不受限制，类似于回答开放式问答题，因此输出结果可控性更弱。图表 14 判别式与生成式大模型部分性能对比资料来源：公开信息，动脉智库整理判别式大模型由于更高的结果可控性更易提高精准度、更易贴近于临床医生表现，在严肃医疗场景的应用价值体现也更加

65、直观。因此，目前以影像辅助诊断为代表的判别类的严肃医疗大模型，发展和推进的阶段更加成熟。除其模型应用性质外，辅助诊断类影像大模型走在应用最前列的共性原因还有两点。一是在性能验证环节的优势，该类产品拥有明确的评估标准，例如“敏感度”“特异性”等量化评估指标，其性能验证直观。二是在政策完善度的优势，其监管路径相对清晰，通过获得国家药监局的医疗器械资格证获得明确的“入场券”推进商业化推广，加之医检互认的促进推动其更快应用落地。数据处理难度影响大模型研发门槛。进一步细分影像大模型应用场景发现，按照放射、超声及病理的顺序逐一产品数量更少、市场应用更早期，其重要影响因素是细分领域数据处理难度的不同。接下来

66、，我们将分别对三个具体应用场景进行解析，逐一解析评估维度中数据标准化、可及性，医疗逻辑可及性对产品研发门槛的影响，此外还有政策相关度及使用者动力对其发展的影响。放射影像标准化数据缩短研发“入门”时间。无论是人工智能产品或是相关医疗大模型，放射影像27能够成为发展最为成熟的细分应用场景，其标准化数据及医疗逻辑的可及性是其重要基础。放射影像的数据为静态标准格式的图片，且色彩相对统一，标准化程度较高，且对相关影像图片进行标注的标准化程度也相对较高。这使得企业在研发过程中可以缩短数据标准化整理过程并一定程度降低数据标注环节对专家的依赖程度。这无疑缩短了放射影像类大模型的研发时间，助力在训练中获得与临床

67、专家一致的诊断能力。据智药局数据，截至 2025 年 3 月，国家药监局已批准 99 张 AI 放射影像三类证。排在前列的影像三类证获得者数坤科技、深睿医疗和推想医疗均推出相关医疗大模型，助力全线产品迭代升级的同时提升模型性能不断朝临床应用级靠拢。“可用”到“好用”让放射影像大模型从“产品”变为“商品”。数据处理难度的优势，让放射影像产品化更早，但要实现其商品化并大规模落地应用，不仅需要让临床“用”，更要让临床觉得“好用”。目前，AI 影像产品在试用期，由于其优异的性能通常能够获得临床的积极反馈和活跃使用，但其长期应用于临床还涉及医生工作流程的变化。如何能够将影像产品更好融入临床工作流，培养临

68、床使用习惯，进而提升使用者动力，是进一步提升影像 AI 渗透率的重点。这一步，行业已有企业积极布局并已见成效。如数坤科技基于其多模态大模型数坤坤，完成了从诊断、教学、科研、随访和科室管理等的全工作流串联，为影像科医生提供了全链路的数智化辅助工具。在北京市科委举办的行业大模型创新应用大赛中，数坤坤以 99（共 100 个）个病例诊断与专家评委一致、1 个优于专家评委的优异性能拔得头筹，做到像真人医生一样工作和思考。高精准度和一站式服务的性能推动数坤坤从“产品”到“商品”的转变，加速渗透落地。超声影像巨大市场空间吸引玩家勇攀技术高峰。超声检查拥有无辐射、无创且便捷和经济的特性，加上超声设备的便捷性

69、和应用环境多样性，其检查量及市场规模远远大于放射影像。此外，超声检查建议的准确性高度依赖检查医生的手法及经验，培养专业超声医生的速度远远赶不上每年超声检查的增量，因此，行业对人工智能赋能的需求也日益迫切。在巨大市场规模和强烈市场需求下，近年来超声人工智能领域也吸引了越来越多的企业。不过超声影像数据的处理难度也给赛道医疗大模型铸造了不低的门槛。超声影像的数据为动态视频格式，且需要在检查当时做出诊断建议，因此，“实时”是对于超声人工智能产品的重要要求，需要其在检查过程中做出实时质控及实时诊断分析。由于数据格式及要求的不同，在数据标准化程度和医疗逻辑可及性方面不及放射影像领域，也因此其在数据处理阶段

70、或需要花费更多精力并且更依赖经验专家进行数据标注。这也不难解释为什么国家药监局批准的超声辅助诊断软件三类证寥寥无几，目前仅脉得智能、医准科技等获得了相关三类证批准。28超声影像大模型性能逐步验证。在肿瘤诊断的医疗流程中，通常超声给出相关建议后，必要时患者将进行放射或病理的进一步检查。事实上，由于超声医生的技术差异，进一步检查的概率并不低，而其中不乏一些本可以避免的进一步检查，尤其在基层等医疗资源欠缺的情况下更是如此。因此，要在超声领域实现“低年资医生+AI=高年资医生”的人工智能使命，或许需要超声辅助诊断产品的准确性不断向病理结果靠近。目前，行业也不乏朝此方向努力的企业并已初显成效。如脉得智能

71、于今年 3 月份获得三类医疗器械证的“甲状腺结节超声影像辅助诊断软件”，融合临床真实诊疗场景训练 AI 模型，实现了结节良恶性的超高精准判断。其临床测试结果显示，该产品甲状腺结节良恶性判别准确度高达 96%，与组织病理结果高度一致。政策驱动落地吸引力提升。超声设备的轻便与应用环境灵活性，使得超声检查在人工智能辅助下，可由影像科向临床科室前移，拓宽原本影像科的使用场景，带来市场增量。另一方面，去年底发布的卫生健康行业人工智能应用场景参考指引使得超声人工智能产品的使用可向 C 端收费，使超声医疗大模型及人工智能应用从医院单纯的成本项转为“增收工具”，无疑提升了落地吸引力，助力超声影像大模型及人工智

72、能应用进一步提升渗透率。如上提到的脉得智能，在政策红利中，其三类证产品“甲状腺结节超声影像辅助诊断软件”通过为临床科室增收，在获证后仅几个月时间便迅速落地 500 余家医院、辐射上千家机构、实现千万级营收并获得千万级营收。病理影像“金标准”对大模型提出了高要求。病理检查作为肿瘤诊断的金标准，其严肃性较超声和放射影像更进一步，这也对该领域医疗大模型提出了更高的要求。行业对准确性虽然没有统一的要求，但敏感度无限接近于 100%是病理领域人工智能企业的默契。除此之外，病理领域大模型研发条件也相对苛刻。首先，病理影像的图片标准化程度低，且由于病理影像数据复杂、厂商利益壁垒等原因，标准化推进程度缓慢，这

73、意味着在数据处理及标注上需要投入更多人力物力。其次，我国病理医生数量严重不足，稀缺的专家资源也提高了数据处理的门槛。病理大模型多维度构筑核心竞争力。出于不同病理医生之手的影像图片，其染色后的图像差异度大，这要求大模型拥有极强的泛化能力能够识别并处理这些图像。病理大模型通常是与头部教学医院共研训练而得，泛化能力不足的产品在同级别染色水平下能够表现出优异性能，而在二级及以下医疗机构假阳性率高，这无法完成助力优质医疗资源下沉的使命。因此，在病理领域要实现“低年资医生+AI=高年资医生”的人工智能使命，病理大模型的泛化能力十分关键。强泛化能力能让模型不仅在头部医院，在二级及以下医疗机构依然能稳定地展示

74、产品的准确度。例如透彻未来基于其大模型 Thorough Brain2.0，赋能其 AI 病理产品 Thorough Insights 4.0 达到专业临床应用级性能，支持包括胃、29肠、食管、胰腺、肺、前列腺、乳腺、子宫内膜、宫颈、泛器官淋巴结等十余种高发肿瘤器官的病理智能分析，精准定位癌变区域并完成疾病分型，其在大型医院的临床病理应用中，敏感度接近 100%，特异性超过 94%，在中小型医院的敏感度同样接近 100%，特异性超过 90%，无疑为 Thorough Brain 2.0 构筑了核心竞争力。大模型是否真的能赋能 AI 应用辅助医生有效提升工作效率，病理阅片的时间是另一个考量产品性

75、能的维度。透彻未来在此方面也给出了不错的数据表现，在病理科的实际应用中，1000 TFLOPS标准配置服务器能够在 8 小时内分析超过 1300 张小标本切片或 450 张大标本切片，目前已在数百家医疗机构落地应用。凭借 Thorough Insights 4.0，病理医生的诊断效率也获得了超 50%的显著提升。此外，作为金标准，病理可能直接影响治疗方案，病理医生对人工智能的使用通常会更加谨慎。单纯给出“是”与“否”的结论，病理医生可能依然会按照传统流程亲自进行诊断验证其准确性，阻碍人工智能辅助临床提升效率的性能显现。因此，病理大模型的可解释性或是其另一个核心竞争力，在给出定性结果的同时，充分

76、展示其判断逻辑和专业依据，增强信任，帮助医生从被动接受结果转为主动利用人工智能实现精准诊疗。目前，行业已出现拥有相关核心竞争力的病理大模型。如医策科技发布的病理多模态大模型“灵眸”，其中包含了企业创新构建的病理思维链框架（Pathology Chain-of-Thought），该框架采用逐层推理解析技术与可解释性融合机制，可以在给出诊断结果的同时为病理医生充分还原诊断的临床思维路径，降低信任门槛，让更多病理医生可以放心使用“灵眸”带来的在 9 个器官涵盖 57 种肿瘤亚型的临床级病理辅助诊断服务。最后，可及性也是大模型在应用推广落地中的核心竞争力之一。众所周知大模型需要强大的算力支撑，如果大模

77、型的使用附带着动辄上百万的 GPU 购置成本，无疑会劝退一部分潜在使用者。使用端的现状也促使大模型企业不断优化其单位算力下的性能，让大模型“大而不重”，提升模型的可及性，进而推动商业化落地。如透彻未来、医策科技等病理医疗大模型企业，均通过技术优化实现轻量级私有化部署，在促进各自商业化进程的同时，更是共同推动了病理人工智能行业的发展。可见，正如行业调研中医策科技创始人&CEO 王晓梅所说，医疗大模型的目标不仅仅是打造临床应用级的高性能产品，更要让临床愿意用、用得起和用得好，通过产品真正为临床带去价值。秉承这样的理念，“灵眸”大模型已于数百家海内外医疗机构落地。可靠性、可用性、可及性是严肃医疗大模

78、型共性需求。其实，不光在病理领域，对于所有应用于严肃医疗场景的大模型可及性都是共性的需求，此外可靠性、可用性也是重要诉求。30图表 15 严肃医疗大模型性能共需资料来源：公开资料、调研访谈，动脉智库智能整理通常来说，大模型或其赋能的 AI 应用产品获得医疗器械证是保证其安全、有效的可靠性的关键，使之拥有进入市场进行推广的入场券。此外，他们需要在临床应用中展现出符合使用者工作流程、较现流程更高效、与人工结果高度一致甚至优于人工操作结果的可用性。可靠性、可用性和可及性是医疗大模型在严肃医疗场景想要落地的必要条件。医工结合贯穿大模型产品始终。严肃医疗类大模型的未来发展是明确的，那就是朝着人类临床专家

79、的能力不断靠近。这需要专家不仅在模型训练时的加入，而是从产品设计开始，到大模型不断迭代中对大模型的持续“引领”作用。在产品设计阶段，专家指引能让大模型精准找到真实的应用场景，锁定其功能开发方向；在投入使用后的迭代阶段，则是更为重要的专业、直观的反馈。如第一章讨论过，大模型的性能缺乏行业共性评估体系，从具体业务表现中去验证是目前最简单和可行的方式，因此医工结合不仅在产品研发阶段，在产品推入市场的应用阶段也十分重要。比如，京东健康发布了业内首个医院全场景应用大模型产品京东卓医（JOY DOC），致力于让患者看病更舒心、医生临床科研更高效、医院整体运营更轻松。目前，京东卓医已在温州医科大学附属第一医

80、院落地应用，双方合作打造的基于大模型驱动的门诊患者服务流程闭环，涵盖就医主入口、诊前智能预约、预问诊病史采集、诊中数字陪诊、诊后一清单、数字人宣教等核心应用，全面覆盖患者就医各个环节，目前已累计服务患者超 180 万人次。综上所述，应用于严肃医疗场景的大模型中，目前以影像辅助诊断为代表的定性场景中应用更加成熟，根据产品研发门槛不同，成熟度在放射影像、超声影像、病理影像三大领域依次递减。我们观察到，行业领先、跑通商业化的大模型企业均通过深度医工结合，在高质量数据和先进人工智能技术融合下，通过打造可靠、可用和可及的人工智能产品，共同推动大模型在严肃医疗应用场景的渗透。313.2.23.2.2 辅助

81、医疗大模型辅助医疗大模型-展现超强灵活性展现超强灵活性相较严肃医疗大模型通常覆盖专科应用领域，辅助医疗大模型覆盖了更加广泛、更加灵活的应用场景。为了更清晰厘清其应用范围，我们从服务主体出发，将辅助医疗大模型应用范畴分为围绕医生、围绕患者、围绕医院管理的三类。图表 16 辅助医疗大模型应用场景分类资料来源：公开信息，动脉智库整理目前，辅助医疗大模型整体而言比严肃医疗大模型落地应用推广进程更成熟，其中围绕医生的诸多提质增效的人工智能工具应用最为广泛。多场景应用需要大模型更加“灵活”。不难看出，比起严肃医疗大模型，辅助医疗大模型覆盖的场景更多、更广，且同一场景的应用，机构与机构之间也存在不同的要求，

82、因此需要大模型更加灵活。其灵活性的其中一个体现在产品的性质上，不同于严肃医疗大模型“模型即产品”的要求，辅助医疗大模型往往更需要体现其“基座”的性质，即提供赋能院内多场景提质增效所需要的医学知识、政策法规和安全要求等数据资料的多模态数据，并训练模型拥有医疗行业的决策逻辑。医疗机构可以将其作为全院人工智能产品的基础和管理平台，将所有的人工智能服务统筹起来，也可以基于大模型基础进一步研发，围绕不同主体、应用于不同场景的人工智能产品，以更好地进行全院级数智化管理。如神州医疗大模型 2.0，是一个拥有文本、影像、病理、基因、时序数据处理能力的多模态大模型，其可以作为全院人工智能应用监管的“驾驶舱”，也

83、是各应用场景人工智能产品打造的专业基础。企业基于此大模型已经开发了包括罕见病、脑肿瘤、儿童免疫缺陷等在内的 20 个专科场景AI 应用产品，围绕医生、患者和医院不同使用方提供多应用场景的 AI 工具，助力提升效率、就医体验等。此外，行业还出现了支持使用者基于大模型自主建立人工智能服务工具的灵活方式。如32医渡科技，为行业提供“大数据+大模型”双中台，使用者可以在其中台上构建自己的小模型和智能体。目前已经在 20 余家头部医院上线，其中 80%的用户为医生群体，在平台上自建智能体助力诊疗科研教学及患者服务等日常工作流，市场使用率极高。大模型性质的灵活也让部署方式和采购方式灵活了起来，医院可以单独

84、采购大模型、同时采购大模型及产品，还可以在大模型基础上与企业共研更加满足个性化需求的 AI 应用产品等。“大模型+应用”的灵活产品属性，让医疗机构可以根据自身需求及预算灵活选择适合自己的人工智能解决方案。由此可见，可赋能二次开发的、灵活的辅助医疗大模型除了具体的应用产品价值，还被赋予了多一层助力人工智能落地、推动行业发展的使命与能力。除了灵活的专业医疗大模型，行业还出现了开源医疗大模型，助力推动人工智能生态发展。2025 年初，京东健康的“京医千询”宣布全面开源，“透明化”的技术架构一方面直观向行业展现了“京医千询”的技术实力，另一方面也想通过技术共建与行业一同携手推动人工智能服务进一步落地。

85、行业越来越多专业预训练大模型能够帮助初创企业避免从零打造医疗大模型的高成本，降低模型研发门槛，甚至通过更优质的数据助力提升模型性能。辅助医疗大模型三大赋能路径。综上所述，辅助医疗大模型可归纳为三大赋能路径。首先是对自有产品的全线赋能。在大模型兴起，众多人工智能企业迅速基于自身数据优势，在布局领域推出相关大模型，并基于此优化产品研发效率与成本、提升产品性能与表现。其次，在大模型的赋能下推出新的原生产品，扩大自身服务范围和产品应用领域。最后就是对行业的赋能，与企业共创，双向赋能，共同推动人工智能发展与落地。图表 17 辅助医疗大模型三大赋能路径资料来源：调研访谈，动脉智库整理如上文所述，医疗大模型

86、可以同时用于或赋能应用与严肃医疗场景及辅助类应用场景的相关产品研发，因此两类大模型并没有十分严格的区别界限。不过无论哪一类医疗大模型，都将围绕提升其循证推理能力、医学知识理解能力和多模态数据处理能力的方向迭33代，从而无限接近甚至超过真人使用者的表现。3.2.33.2.3 医疗大模型赋能基层医疗大模型赋能基层-标的落地场景标的落地场景基层由于其健康职能定位的特殊性，医疗大模型在该场景的推广应用又有自身的独特之处。政策+刚需，基层是最佳落地场景。2024 年 8 月，中共中央关于进一步全面深化改革、推进中国式现代化的决定明确提出“强化基层医疗卫生服务”；同年底卫生健康行业人工智能应用场景参考指引

87、发布，“人工智能+基层公卫服务”是此次应用场景指引的五大板块之一，指引明确给出了围绕健康管理服务、公共卫生服务和养老托育服务三个应用领域的 23 个应用场景。政策的有力推动下，人工智能在基层的落地不但有了更强的市场准入政策依据，更是明确了落地的切入口，引导供需双方更快达成应用共识，推动落地加速。基层卫生健康工作是满足人民群众健康需求的第一道防线，也是卫生与健康工作的重点。目前，基层医疗卫生机构正以三分之一的卫生人力资源，提供全国一半以上的诊疗服务量以及绝大多数的基本公共卫生服务。随着国民健康意识增强，人口老龄化、慢病人群数量攀升，基层的任务愈发重要及繁多，医生数量短缺的矛盾也将随之加剧。在政策

88、和刚需的推动下，基层成为医疗人工智能落地的绝佳场景，而对于近年来兴起的医疗大模型亦是如此。目前，诸多医疗大模型企业，如讯飞医疗、神州医疗、数坤科技等均有基层应用场景布局，并成功实现商业化闭环。标准化：为医生提质增效、提高群众信任。基层医生通常为全科医生，需要涉猎的疾病种类和药物种类广泛，作为疾病预防、治疗的第一道防线，比起对疑难病例的处理能力，更需要基层医生拥有对常见病及慢病不错诊、不漏诊及合理用药的“标准化”能力。此外，“标准化”能力还体现在如随访和健康档案管理的公共卫生服务之中。而对于患者或居民而言，也需要得到与上级医院同质化的诊疗结果来提升对基层医疗的信任程度。医疗大模型对海量、多模态知

89、识的学习吸收能力及其标准化输出能力完美契合基层“标准化”诉求。近年来，大模型赋能下的全科辅助诊疗应用在基层展现出优异成效，也推动了其在基层的渗透率逐步提升。如讯飞医疗的“智医助理”早在 2017 年就成为全球首个通过国家执业医师资格考试综合笔试的人工智能机器人，取得 456 分成绩(满分 600分)，超过 96.3%的人类考生。实际落地应用中聚焦基层医疗场景，通过“智医助理”赋能全科医生，在常见病诊疗规范化和效率提升方面取得显著成效。通过今年发布的星火医疗大模型 X1 赋能后，智医助理实现了核心性能显著提升合理用药审核正确率达3495%以上，基层高发常见病诊断 TOP1 推荐合理率突破 95%

90、，系统在为基层医生提供高效辅助诊疗支持的同时，有效提升居民对基层医疗服务的信任度。截至 2025 年 4 月，产品已落地全国 31 个省市的 682 个区县超 73000 个基层医疗机构，服务超 220000 名基层医生，累计提供超 9.7 亿次 AI 辅诊建议。此外，今年 CMEF 亮相的数坤“数字医生智能体团队”，作为其数智基层 3.0 解决方案的核心一环，在数坤坤大模型的赋能下构建起“基层医疗机构防控筛查医联体中心医院诊断治疗上层卫健委统筹管理”的高效协同体系，一经亮相便快速渗透，目前已落地北京昌平、苏州吴中、河北保定、宁夏中卫、深圳福田等多个城市和地区。灵活部署：提升大模型应用可及性。

91、大模型的部署和应用对服务器和网络等技术基础建设也提出了更高的要求。如大模型的落地需要基层进行相关基础建设的打造为前提，无疑会增加基层的使用门槛，限速大模型渗透。为此，行业也出现了灵活的部署模式，为基层提供“开箱即用”的、包含了算力和人工智能应用于一体的一体机。如讯飞医疗、数坤科技等均联合华为共同推出融入了医疗大模型的一体机，不仅部署方便，还通过技术创新提升单位算力下的性能，从而降低使用成本，提升基层对大模型应用的可及性。值得一提的是，该类一体机并不仅限于基层应用场景，而是针对所有医疗机构都可选择的部署方式，不过一体机形式的出现，对于如基层等相对来说“小而轻”的应用场景促进更为明显。整体化：加速

92、商业化渗透。虽然基层是大模型的绝佳应用场景，但大模型或其赋能的AI 应用渗透率还有很大的空间。区别于大型医疗机构单个突破的商业化模式，基层更多需要政府或医联体、医共体统筹的整体化商业模式，进行相关数智化升级，从而加速商业化渗透。未来，随着大模型对人工智能服务的进一步赋能，除了显著的提质增效，对基层更大的价值绽放在于提供“新的能力”，如神州医疗以其大模型为底座，凭借其在 20个专科领域的产品优势，与头部医院联合打造专科数字医生下基层或是一个值得探索的方向。总的来说，无论是用于严肃医疗场景还是辅助为主的医疗大模型，目前都在通过不断提升大模型标准化服务能力、提升可及性及打造整体化商业战略中加速推进大

93、模型在基层应用场景的落地。3.33.3 院外医疗大模型助力院外医疗大模型助力“提供工具提供工具”向向“提供价值提供价值”转变转变如严肃医疗大模型和辅助医疗大模型无严格区分标准一样，院外医疗大模型板块也是从应用场景类型出发，研究医疗大模型在该场景的应用落地情况。事实上，行业不少医疗大模型可同时应用于院内及院外多场景赋能。如脉得智能自研大模型基座，赋能其超声35影像辅助诊断全系列产品向病理精准度看齐的同时，也助力其在生物信息数据分析、病原微生物高通量基因检测等赛道相关 AI 业务落地。神州医疗，依托双引擎多模态大模型底座，全面覆盖临床科室、医技科室主要应用环节；快速拓展院内辅助诊疗、院外健康管理等

94、 40 余类场景。医策科技基于“灵眸”大模型不但赋予病理医生临床级辅助诊断产品和解决方案，也在医药研发病理 CRO 服务中得到深入应用，已完成了数千个病理CRO 服务项目。讯飞医疗早在 2017 年就联合中国科学技术大学附属第一医院（安徽省立医院）成立全国首家智慧医院，近年来，通过星火医疗大模型的迭代升级与深度赋能，实现医疗场景 AI 化与全流程优化，逐步将服务从院内延伸至院外，在提高医生工作效率和医疗服务质量同时提升患者就医满意度和获得感，目前已合作超 500 家等级医院。据企业最新财报显示，B 端业务已实现 103.4%的高速增长。东蔓医疗的智能肿瘤辅助决策系统和 DawnMed 黎明医疗

95、模型布局院内的同时，也与影像企业、商业保险及健康管理机构等深度协作。此外，医渡科技、京东科技等大模型企业也均基于大模型底座，赋能院内与院外多场景人工智能应用。院外的应用场景，受到的政策监管和约束相对较少，在模型性能能够满足的应用场景需求后，达成合作的环节更加直接和简单。因此，在大模型能够显著提升效率、降低成本的应用场景，行业已有应用落地成熟的案例出现。我们将以临床研究及对 C 端的健康管理为例，解析其发展渗透率的现状。3.3.13.3.1 药物研发药物研发-亟待极致效率提升带来质变亟待极致效率提升带来质变药物研发超大的人工智能应用市场规模，以及极大的提质增效空间，散发着巨大的人工智能应用探索吸

96、引力。其实，AI 应用在药物研发领域探索不算短，大模型的加持，除了原有 AI 能力的提升，或许还能带来新的能力赋能行业发展。多环节人工智能服务渗透。药物研发囊括了药物发现阶段、临床前阶段、临床阶段，以及上市后的真实世界研究。人工智能的应用也充斥着长链条的各个环节。36图表 18 人工智能在药物研发各环节应用场景举例资料来源：公开资料，动脉智库整理人工智能也需要“术业有专攻”。药物研究的多环节、不同具体的应用场景领域，所用到的人工智能服务不同，这也意味着针对特定环节的赋能大模型也需要“术业有专攻”，由此对训练数据的类型和来源也有所不同。例如用于临床试验阶段的大模型，该阶段核心诉求集中在中心与患者

97、的筛选、试验设计和优化、数据文件管理的能力以及风险预测决策支持等，对数据实时处理和伦理合规要求极高。因此，除了对相关法律法规的学习和理解，对于大模型的训练还需要来自真实临床试验沉淀下来的数据，不仅从中学习相关专业的知识，更需要学习相关专业的干预和反馈机制，也就是习得实时处理的能力。例如，当发现风险的时候，需要人工智能服务提供预警的同时，可以在大模型的赋能下同时进行相关的风险处理动作。有了“动作”的学习，人工智能服务才能跳脱出数字客服或超大知识库给出的响应式服务，进而升级为有主动执行能力的管理式服务，真正为申办方提供有责任感的“数字员工”而不是单纯的数据管理工具。如太美医疗科技发布的文思智能（W

98、iz.AI）平台，其能力基座除海量的专业知识、法律法规、公开数据外，还有其十余年 5000 余项临床研究项目运营经验，为其人工智能临床试验服务奠定了核心竞争力。基于出色的综合实力，文思在实际业务场景中拥有强大的落地能力，以赋能 SaaS 和服务在各应用场景中发挥智能化的管理职能，而非单一的智能问答。除了数据基础外，对于人工智能服务的全面性和统一性也至关重要。临床试验流程涉及多中心、多执行方、多监管方、多数据种类且长周期，人工智能服务需要保证数据及文件的横向和纵向一致，也就是来自不同中心，尤其是涉及不同语言种类的数据和文件的横向一致；以及来自同一受试者或试验中心从始至终的数据和文件的纵向一致。因

99、此，对于相关的产品而言，不仅要覆盖全场景，更需要有效的统筹。这一诉求，在大模型的加持下也可以更好地被满足。如太美医疗科技早在 2019 年便推出了 Trails 平台，整合针对临床试验的全流程 40 余款 SaaS 软件及数字化服务，进行统一性管理。在文思人37工智能平台的加持下，显著提升了 Trails 平台的融合和调动能力，让全流程不仅高效，而且更加智能。再如药物研发领域，有了大模型的赋能也为多年的人工智能应用再添利器。首先，大模型的应用增加了 AI 结果的可解释性，从而提升信任度，让使用者可以明白并判断其可靠程度，从而提升 AI 服务的接受度。其次，大模型显著降低了专业知识的理解和应用门

100、槛，极大提升相关步骤效率。可见，效率的提升在行业已有共识。但研发的能力验证还在路上，目前还未有通过 AI 研发的药物走到上市阶段，这也让行业对其态度逐步谨慎。目前，在药物研发领域，相较于效率和应用工具，企业更愿意为价值结果付费。不过，尽管如此，药物研发领域依然充满了积极的信号。如据2024 医疗人工智能研究报告数据，2023 年及 2024 年（截至 2024 年 9 月 5 日）期间收集到 MNC 与制药企业之间的合作共 55 起，其中 24 起合作研发或授权交易是与 AI 药物研发类企业签署，占比高达 43.64%。此外，同数据收集时间段内，英伟达共参与投资超过 70 起，所有投资无一例外

101、，均与 AI 相关，而其中至少投注 AI 制药企业 14 家，医疗其他领域企业 8家。2025 年 2 月英伟达还联合美国弧形研究所、斯坦福大学、加州大学伯克利分校、加州大学旧金山分校等科研人员联合推出开源生物学 AI 大模型 Evo2，其完整版拥有高达 400 亿参数，包含 12.8 万个物种的 9.3 万亿个核苷酸，成为史上最大开源 AI 生物学模型。该模型精通生物学的基本语言（DNA、RNA 和蛋白质），能够一次分析长达一百万个核苷酸的序列长度。作为基因组基础模型，具有生成整个基因组、预测突变、理解非编码 DNA 的能力，可广泛应用于生物分子研究，精准医学、药物研发，合成生物等领域。而就

102、在同一天，清华大学人工智能产业研究院（AIR）与北京水木分子联合发布了升级版生物医药多模态开源基础大模型 BioMedGPT-R1。该模型用 DeepSeek R1蒸馏版本模型更新百亿参数规模的开源 BioMedGPT 中的文本基座模型，在 USMLE 美国医师资格考试上达到了 67.1%正确率，效果逼近人类专家水平。该类大模型有望显著提升 AI 制药效率及降低其研发门槛。未来，相信在多类医疗大模型的助力下，AI 制药的巨大价值将加速体现，行业亟待一款AI 研发药物上市，激发 AI 制药释放巨大的潜力市场。3.3.23.3.2 C C 端健康管理端健康管理-打造轻中重个性化服务打造轻中重个性化

103、服务另一个院外拥有高吸引力的大模型落地场景是面向 C 端的健康管理服务。轻量级服务：做群众的 AI 健康助手。自 2016 年健康中国 2030发布以来，国民对健康的重视程度持续增强，并逐步从“疾病治疗”向“疾病预防”前移、从“被动治疗”向“主动健康”转变。随之而来的就是更多的健康服务需求，例如亚健康状态改善、日常偶发性不适的咨询、体检报告解读、药物及疾病知识学习、个人健康档案管理及疾病预防等。38传统的医疗体系显然难以支撑该类激增的健康服务需求，因而大模型的应用可很大程度解决健康服务能力供给不足的情况，目前行业已有不少理想的解决方案。例如讯飞医疗，推出首款面向居民的 AI 健康助手应用讯飞晓

104、医，依托星火医疗大模型亿级高质量权威医学知识数据库，为用户打造个人数字健康空间，覆盖“看病前、用药时、检查后”三大核心健康场景，提供症状自查、药物查询、报告解读和个性化健康档案管理等服务。目前，讯飞晓医 APP 已覆盖高频常见疾病 1600 余种、常见症状 2000 余种、常见药品 4000余种、常见检查项目 6000 余项，用户满意度达 98。医渡科技基于自研大模型推出私人健康顾问“医渡健康”小程序，已与“惠民保”业务深度结合，利用先进的生成式 AI技术和多模态理解能力，面向超过 500 万名公司的“惠民保”用户提供健康咨询、症状导诊、报告解读、健康档案、健康随访等专享服务。此外，京东健康也

105、积极丰富大模型在C 端的应用场景，2024 年 7 月推出的面向消费者的 AI 健康智能体“康康”，近半年已经累计服务超 3000 万人次，问题解决率高达 70%，为人们带来 AI 健康管理工具的同时也为线上医疗服务构建了多生态的入口；“手机测血压”产品已经为超过 150 万人次提供了服务，受到了广大用户的广泛好评，充分展现了健康 AIToC 应用领域的市场潜力。治疗及服务：提供长城式服务。面向 C 端的健康管理服务中，还有一大极具落地吸引力的应用场景，那就是慢病管理。随着我国慢病患者人数攀升，目前医保用于慢病治疗的费用居高不下，占据医保开支大头。可是，即便如此我国慢病管理现状也并不如意。究其

106、根本，慢病的治疗不仅仅需要药物，更需要生活方式的干预，而后者需要极高的人力成本及时间，本就供给不足的现有医疗体系对其难以覆盖。图表 19 轻量级及治疗级健康管理服务对比资料来源：调研访谈，动脉智库整理首先，慢病管理需要多团队的有机协作，医生提供药物干预方案、营养师提供专业饮食方案、专业教练提供运动方案，以及健康管理师进行主动随访、心理咨询师在有必要时介入等。统筹多方协作已经为慢病管理树立了较高门槛。可其难点还不仅如此，生活方式的干预是一个长期过程、是一个全新生活习惯培养的过程，也就意味着慢病管理团队需对患者进行长程式的陪伴，其对应的高人力成本也是慢病管理落地的一大阻碍。最后，纯人力的慢病管理，

107、很容易触及服务能力的天花板，而就我国目前医生、营养师、专业39运动教练及健康管理师等服务团队的数量对于庞大的需求群体而言，存在极大的人力缺口。正因如此，医疗大模型在慢病管理场景的应用展现出极大的价值。针对该类应用场景的大模型，需要“阅读”医学、营养、运动、心理等领域的专业知识，更需要“融合”它们，这依赖于复合的交叉专业团队之间的紧密合作，针对特定的疾病进行治疗方案的梳理及管理逻辑的建立，从而创新出有效的大模型算法。多模态数据的理解、输入和输出能力也必不可少。应用于慢病管理领域的大模型往往需要接受用户通过语音、文字、图片（如食物拍照）及穿戴设备传输的不同格式的数据（如血糖、血压和心率等）。以图片

108、为例，大模型需要具备抓取图片中食物的能力，并且能理解其成分、估算其重量甚至识别烹饪方式，最终测算食物的热量及营养素比。这对于涉及营养指导的生活方式而言非常关键，而此能力打造的门槛也很高。专注于医学减重领域的南大菲特，经过十余年的沉淀，一直持续提升“食物图片”到“食物数据”的精准度，目前依托企业自研的“三师共管 AI 大模型”，该项人工智能技术已在其智能化健康管理服务中体现出极高的价值，并获得了优异的市场反馈。此外，对于人工智能的应用也有新的理解，一改传统认知里被动应答的模式，慢病管理场景应用的大模型需要“主动干预”，才能真正帮助用户进行生活方式干预、建立新的健康习惯。有了医疗大模型的赋能，可以

109、极大解放人力，这不仅能够提升单个管理师的管理能力上限，也能助力提供更好的服务。例如，在大模型的辅助下，用户可以有更好的“实时应答”体验，并且可以确保服务“温度”，没有情绪的波动。不仅如此，大模型在个性化方案实施上也更有优势，可以基于用户情况实施轻量级到治疗级不同干预程度的管理方案。循着以上的要求，行业也已然出现了成功的商业化案例。如南大菲特，为肥胖伴有代谢综合征、糖尿病、多囊卵巢综合征及青少年肥胖等患者提供人工智能生活方式干预。“三师共管 AI 大模型”融合了 200 余位专家的经验，其多模态底座赋能管理团队基于用户自产及来自监测设备的健康数据，主动给出实时的专业管理意见，真正为用户打造了有温

110、度的陪伴式生活方式干预。经过 10 年的打磨与沉淀，企业已经成功助力超过 3.5 万的用户减重成功，达成了 4 周减重 4.2kg、8 周减重 7.4kg、12 周减重 11.12kg 的优异成效。此外，大模型的赋能让企业也实现了轻量级管理完全 AI 化、治疗类的专业管理中实现服务能力 4-5 倍的提升。2024 年，国家卫健委联合 16 个部门发布“体重管理年”活动实施方案，将体重管理提上新的高度，并鼓励人工智能在体重管理中的应用。此政策为在慢病管理的医疗大模型企业发展注入了新鲜的驱动力。过去，人们对人工智能始终报以谨慎态度，对于 AI 提供的健康建议信任度不高。现在，DeepSeek 的爆

111、火极大地推动了市场教育成熟，加之政40策鼓励及行业专业级管理方案展现的优异成效，相信未来大模型在 C 端健康管理拥有非常大的想象空间。商业化付费方多样化。基于医疗大模型的健康管理人工智能方案有着多元化的商业化落地方式，通过政府、企业、医疗机构、体检机构等合作或采购是商业化初期企业常采用的模式，一方面这样的模式更容易在早期获得规模更大的落地应用，另一方面该过程也是为产品背书的必经过程。未来，当产品的产品力及市场知名度足够高后，随着合规路径和与医生的协作机制更加明确，直接 toC 的商业化模式将为企业带来更大的市场空间。本章小结：大规模商业化渗透，需要完成痛点验证解决“想用”的问题、足够大的市场规

112、模解决“想做”的问题、技术和数据基础坚实解决“能做”问题、有公信力的价值验证方式解决“好用”的问题，最后还需要政策支持解决“让用”的问题。在院内应用场景中，围绕医生诊断的严肃医疗场景，影像类大模型渗透率最高，其中又以放射类影像最高，据调研，渗透率近 40%。院内应用与其他辅助环节的医疗大模型，除了“产品”特性还兼具“基座”价值，因此其可灵活地作为所有人工智能产品“管理台”，也可进一步赋能开发。目前，医疗大模型有三个主要赋能途径，即赋能企业既有产品升级、赋能企业研发新的产品和通过开源或技术合作赋能生态发展。应用于院外场景的医疗大模型，由于受政策约束更少，市场化特质更加明显。行业正努力从提供效率工

113、具到提供价值，迎合市场为结果而非过程买单的倾向，推动商业化落地加速。4142第第四四章章 未来趋势未来趋势4.14.1 大模型是企业刚需，大小模型协作是市场需求大模型是企业刚需，大小模型协作是市场需求大小模型并非替代关系，而是协作。医疗大模型兴起之后，给了医疗行业更多人工智能应用的想象空间，但并不意味着它将全面替代小模型，至少在短期的几年内。其实行业已经出现了相关迹象，医疗大模型和小模型的有机配合可以更好地适应各个应用场景的不同需求。大小模型多维度差异。大模型及小模型在训练数据、适用场景和训练成本及应用成本方面都有着差异。对于训练数据，大模型通常可以接受多种模态的数据集，在训练中采用混合学习模

114、式，例如在基层的基础能力训练中运用无标注的数据进行无监督学习，再在具体任务操作层面，应用标注过的数据进行训练以达到更精准的表现；小模型则往往需要经过严格标注的数据且仅限于一种数据形态。图表 20 医疗大模型与小模型的部分维度对比对于模型具体执行的任务，小模型针对单一的特定任务，例如对一张肺部影像图片中结节的辅助诊断。大模型横向可以对更多的因素进行判断、纵向也可以执行更多的任务，例如其可以判断影像属于哪一个部位并给出相关潜在健康问题的辅助诊断，与此同时还可以助力完成从辅助判断、报告书写再到报告解读的全工作流。再观模型的训练成本，就单一任务领域而言，小模型训练成本更低。但在多任务场景，大模型似乎更

115、具性价比，各任务训练可共用一个技术基座，且当训练达到一定量后，大模型展现出的零样本学习能力也有助于降低单个任务的学习成本。大模型是企业刚需，大小模型协作是市场需求。可见，对于企业而言，大模型的“刚需”明显，一方面可以助力其人工智能产品（无论是大模型还是小模型产品）性能提升，另一方面，一个好的大模型基座也将降低新产品打造门槛，加速企业产品全链路布局、助力整体成本优化。但具体应用大模型、小模型或是两者共同使用，取决于市场需求。如病理领域，在宫颈癌筛查的项目中，应对仅来自宫颈液细胞液的样本的辅助诊断，一款专门针对宫颈细胞辅助诊断的小模型能有效解决问题，并且能比大模型的应用更具性价比优势。但对于三甲医

116、院的组织病理医生而言，通常其需要看所有器官的切片并判定所有可能的肿瘤，让其购买几十种针对不同器官的、不同肿瘤的小模型，在具体场景做相43关的调用显然没有为其配置一款涵盖所有器官、所有肿瘤种类的大模型来得更易用。综上所述，在医疗人工智能应用中，大模型对于各技术研发企业而言至关重要，对其产品力和市场力都是核心的竞争力。但大、小模型如何有效协同，如何平衡好企业商业化和市场需求，需要企业通过对具体应用场景的痛点进行充分验证后给出相应的协作解决方案。4.24.2 技术突破降低研发门槛，数据铸造大模型核心竞争力技术突破降低研发门槛，数据铸造大模型核心竞争力技术降低医疗大模型研发门槛，推动生态发展。Deep

117、Seek 的爆红极大促进了医疗大模型的市场教育，行业对大模型应用的紧迫感也到达了历史新高点，再加上其开源的特性，让众多企业和医疗机构似乎在一夜之间便都加入了大模型的行列，但人工智能是否真正渗透和融入、真正要助力创造更好的医疗环境，又是另外一件事。其是，行业还有不少、不如 DeepSeek“有名”的、非语言类（如图片、语音类等）的人工智能技术也在不断获得突破并宣布开源，他们共同推动了整个人工智能生态的发展。落脚于医疗行业，由于它的严肃性、安全性及隐私性要求，它比任何行业都更需要垂直类的专业大模型。目前，医疗行业诸多垂直大模型，均运用 DeepSeek、通义千问、豆包等通用大模型作为其基础能力训练

118、的模型，再通过自有的医疗数据集，通过人工智能技术进一步搭建医疗垂直大模型、训练其在医疗相关场景的能力。这可以助力企业避免从零打造大模型，更快、更低成本打造自有产品。可见，行业技术的不断突破可以显著降低产品的研发门槛，但是大模型要拥有出色的性能以在应用场景落地，其关键核心还是在于数据。高质量数据：合规、精准、闭环。合规是高质量数据的底线，这也是企业不得不承担的高成本部分。其次，数据的精准标注，以更好地被模型学习也十分关键，这就需要与用户共研，如与临床大专家共研诊疗类产品、与头部药企共研药物研发类产品等。类似“名师出高”的逻辑，这样高质量的数据更能保证医疗大模型的高性能。此外，高质量数据还有一个核

119、心要素，就是数据的闭环，它是指医疗专业数据与使用数据的医疗行为数据的闭环、指产品投入使用后的有用反馈并将之再投入研发中有效利用的闭环。闭环的数据一方面可以进一步帮助模型提升性能，更接近于真实用户的准确性，甚至赋能其“达之不能”；另一方面，可以在任务结果范畴之上，为任务流程范畴提供更接近于真实用户的人工智能服务，从而带来主动服务的、有责任感的管理性质的服务，而非单纯的被动应答、精准搜索的智能知识库服务。例如在健康管理的应用场景中，合规、精准又闭环的高质量的数据可以助力打造出一个拥有主动干预意识、为健康干预结44果负责的治疗级医疗大模型，而非一个专业的健康咨询助手；在临床试验的应用场景中，高质量数

120、据可以助力打造出一个可以主动进行项目管理、风险管理等的类似数字员工级的专业临床试验流程管理大模型，而非一个单纯的流程记载工具。综上所述，飞速发展的人工智能技术，降低了医疗大模型的研发门槛，开源的通用底座可以让企业避免从零的产品打造。但目前，医疗大模型的性能的木桶短板依然在数据，获得合规、精准且闭环的高质量数据是为产品铸造核心竞争力的关键。4.34.3 昂贵只是大模型的早期特征，普惠化是迭代的方向昂贵只是大模型的早期特征，普惠化是迭代的方向医疗大模型发展早期，大模型价格昂贵。大模型的训练需要强大的算力支持，此外垂直医疗大模型所需的数据往往也需要一定的获得及处理成本，加之部署环节所需的硬件设施价值

121、不菲，医疗大模型目前总与昂贵挂钩。但相信这只是早期的特征，随着算力基础建设的夯实、国产芯片的突破、数据使用的规则逐步健全、人工智能技术的进步、市场教育提升等多方面发展因素助力，大模型正朝着“普惠化”的方向迭代。普惠化是市场需求，更是大模型的使命。对于不同应用场景的大模型，由于其性质差异，普惠化的“程度”也自然不同，总的来说，就是较原有应用场景的运行模式更具性价比，而原有应用场景的运行成本越高，也就意味着医疗大模型能够发挥的空间更大。从市场的角度而言，普惠化能够更好地促进产品推广，推动医疗大模型从小规模示范落地到实现大规模的商业化应用。目前，医疗大模型更多以“助手”角色为主，定义为为医疗服务各环

122、节降本增效。因此，普惠化也是最直接的价值体现。而就医疗大模型本身的使命而言。缓解医疗资源供给紧张、解决医疗资源分布不均等是其诞生的重要使命之一。如果昂贵的大模型一直只能在头部的大型医院真正落地应用，与该使命显然是背道而驰的。多因素驱动医疗大模型普惠化。如报告第一章所述，我国正快速建设算力，加上以华为为代表的国产芯片性能不断突破，已经在产品研发成本优化方面有了成效。此外，人工智能技术的快速发展和应用，推动医疗大模型不断优化单位算力下的性能，使用成本也展现出降低的趋势。加上医疗服务各环节对人工智能应用的认知逐步提升、相关产品和数据应用的政策逐步完善等，产品市场推广的成本相信也会有所优化。在多方的发

123、展和进步下，将进一步促进医疗大模型普惠化，推动医疗大模型快速渗透，更好助力医疗服务各环节。4546第第五五章章 企业案例企业案例5.15.1 讯飞医疗讯飞医疗-星火医疗大模型从基层出发赋能医疗全产业链星火医疗大模型从基层出发赋能医疗全产业链医疗大模型第一股，坚持用人工智能赋能医疗。讯飞医疗（股票代码：02506.HK）自2016 年成立以来始终以人工智能技术为核心驱动力，通过“技术突破+场景深耕”双轮驱动模式推动医疗行业智能化转型。依托在语音识别、自然语言处理及深度学习等领域的技术积淀，讯飞医疗构建了覆盖医学知识图谱、诊疗推理和健康交互的“一体两翼”技术框架，并通过“智医助理”等人工智能创新产

124、品实现规模化落地。经过 8 年积淀，讯飞医疗于 2024 年底在香港联交所成功挂牌上市，成为医疗大模型第一股。目前，讯飞医疗基于星火医疗大模型打造了赋能政务、医院和居民的多元化产品矩阵，提供健康风险预警、健康早筛、辅助诊断及治疗、诊后管理与慢病管理等 AI 服务。讯飞医疗在大模型领域持续加大核心技术研发投入，成果显著。2023 年 10 月，发布讯飞星火医疗大模型及个人健康助手讯飞晓医。2024 年 6 月，星火医疗大模型升级，在医疗知识问答、复杂语言理解、文书生成、诊断治疗推荐、多轮交互及多模态交互等六大核心场景能力大幅提升。同期，讯飞晓医推出个人数字健康空间。10 月，星火医疗大模型 2.

125、0 发布，并推出星火医学影像大模型，结合安徽省影像云平台的亿级影像数据，打造智慧医学影像助手，覆盖智慧质控、智慧诊断和智慧读片全流程。2025 年 3 月，发布基于深度推理技术的星火医疗大模型 X1，并与讯飞晓医的个人数字健康空间融合，在知识反思和循证推理等关键技术上取得突破，显著提升模型在医疗场景中的准确性和专业性，在医疗健康领域关键任务场景上的核心效果持续保持业界领先地位。图表 21 讯飞星火医疗大模型资料来源：讯飞医疗47以基层场景切入，作为讯飞医疗的强项应用场景，围绕其打造的“智医助理”在大模型加持下，全面升级，为基层医疗人员提供效率和能力工具，并实现上级医疗机构对基层的远程指导、提升

126、卫生健康主管部门的监督能力、基层信息系统互连互通程度以及优质医疗服务可及性。截至 2025 年 4 月，大模型赋能下的“智医助理”已覆盖全国 31 个省市的682 个区县的 73000 万余个基层医疗机构。围绕医院端，讯飞医疗基于大模型打造了全栈 AI 应用工具，现已落地 500 余家医疗机构，助力提升诊疗效率、优化管理流程。此外，基于星火医疗大模型，企业还与四川大学华西医院联合发布的“华西黉医”医学大模型、与首都医科大学北京安贞医院共同打造心脏超声诊断决策系统、与山东大学齐鲁医院共同发布全病程管理大模型、与国内领先的医疗科研团队首发国家“四大慢病”重大专项核心成果全球首个 1 型糖尿病专病大

127、模型等。针对广大的 C 端群众，企业打造的“讯飞晓医”在大模型的锻造下也展现出更优的性能并获得更高的好评率。2024 年 6 月 27 日，讯飞晓医升级数字健康空间。2025 年 3 月 3日，星火医疗大模型 X1 发布，深度推理功能上线并正式应用于讯飞晓医，与个人健康档案的融合更加深入。基于星火医疗大模型 X1，讯飞医疗已完成面向多端的全场景产品矩阵升级。未来，企业将继续坚持“顶天立地”的创新发展路径，持续在底层技术突破和场景化创新的双驱动下，不断拓宽人工智能服务边界，为每个医生打造专业的 AI 诊疗助理，为每位居民提供全生命健康周期的 AI 健康助手。5.25.2 数坤科技数坤科技-多模态

128、大模型构建数智医院医疗大脑多模态大模型构建数智医院医疗大脑数坤坤为医疗 AI 铸造专业底座。以影像切入并持续领跑医疗 AI 的数坤科技，三年前将影响力拓展到医疗全场景，发布“数坤坤多模态医疗大模型”（以下简称“数坤坤”），旨在为整个医疗健康行业的 AI 应用提供专业底座。近年来，数坤坤持续迭代，目前已然成为一个集文本、图片、视频等多模态融合的垂直医疗大模型，并已成功应用于影像、超声、全院和基层等场景，助力数智化升级。数坤坤获广泛认可，实现多场景落地。目前，数坤坤已完成国家网信办算法备案；获得了大模型评测榜 CMB 和 MedBench 双榜第一、北京市科委举办的行业大模型创新应用大赛一等奖、医

129、疗赛道第一名，新华网评选的“2024 新质生产力发展优秀案例”等认证。此外，数坤科技携手华为发布了数坤坤大模型智算一体机，开箱即用能更好适配医院和基层的各种场景，已成功落地北京老年医院、东部战区总医院、深圳人民医院，以及宁夏中卫、广西南宁、苏州市吴中区、北京市昌平区等基层医疗机构。48图表 22 数坤科技多模态大模型-数坤坤资料来源：数坤科技数坤坤赋能下，众多 AI 应用产品力升级。在数坤坤的锻造下，数字人体 4.0 帮助影像科实现从诊断、教学、科研以及科室管理的全面数智化升级。通过辅助临床诊断“看得清，判得准”、自动报告生成与质控以及系列科研助手功能，全面重塑影像科工作生态。在数坤坤加持下，

130、数智超声升级 3.0 版本，助力超声科数据化，带来超声科管理、科研、质控、随访的全面升级。在医院全院数智化建设中，有了数坤坤为基座，医院可获得数智医疗服务、数智患者服务和数智管理服务，医院的运行效率和服务水平得到大幅提升。此外，在基层数智化建设中，数坤坤还赋能推出了“数字医生智能体团队”，形成医防融合+慢病管理的闭环，为基层提供“强基力量”，弥补基层医疗资源短缺的同时，也将国家分级诊疗政策落到了实处。数坤坤多模态大模型，持续探索医疗 AI 应用边界。未来，数坤科技将继续基于数坤坤，联合各方力量，持续推动 AI 在医疗领域更广泛、更全面的应用，让更多人享受到前沿科技带来的优质医疗服务。495.3

131、5.3 脉得智能脉得智能-大模型赋能超声大模型赋能超声 AIAI 性能对标病理，打造无创时代性能对标病理，打造无创时代顶尖院士团队+丰富运营经验，完成商业化闭环。2018 年，集合了国际一流人工智能技术团队和拥有深厚医疗运营管理功底的创始团队，脉得智能科技（无锡）有限公司（下称“脉得智能”）成立并确定“超声人工智能”为企业重要战略之一，旨在通过企业强大的原研能力，推出性能对标临床病理的辅助诊断产品，打造无创时代。顶级的研发与运营团队让脉得智能短短几年已成功突破 AI 商业化难题，实现亿级营收并保持高速增长。从甲状腺切入，系列产品逐步开花。脉得智能成立之初便自建超大规模金标准数据库，为其研发提供

132、坚实的数据基础。该数据库整合了来自覆盖超声、病理、基因组学等临床方向；高达上千万条金标准数据。在此数据库的支撑下，在与华西医院等头部教学医疗机构的有机产研合作中，脉得智能于 2025 年 3 月获得全国首个能给出良恶性建议甲状腺结节超声影像辅助诊断软件三类证。该软件实现高达 96%的甲状腺结节良恶性判别准确度，与组织病理结果高度一致；其应用不但大幅度减少了不必要的细针穿刺活检，更是促进甲状腺超声检查前移至临床科室，极大提升患者体验感的同时开创了新的商业化落地场景。产品优越的性能及商业化逻辑推动产品迅速完成商业化闭环，目前已成功落地 500 余家医院、辐射上千家机构、实现千万级营收。图表 23

133、脉得智能“甲状腺结节超声影像辅助诊断软件”性能简介资料来源：脉得智能完成了产品性能与价值在甲状腺领域的落地验证，脉得智能将基于此成功经验持续推动系列超声 AI 产品落地。目前，脉得智能已完成覆盖全身、共 18 个超声 AI 辅助诊断软件布局，接下来将重点推动 AI 在乳腺领域的临床级超声辅助诊断软件应用。一体两翼，打造国产 AI 原研企业。除了领跑影像超声 AI 领域外，基于基因组学的 AI生信分析是脉得智能的另一大发展方向，目前已实现过亿营收，并有呼吸系统病原体微生物高通量基因检测整体解决方案完成落地。未来，企业将继续以其自建的超大规模金50标准数据库作为“一体”，两大重要发展方向为“两翼”

134、，坚定朝着“建设全球医疗人工智能最强大原研企业”的愿景稳步向前，通过更多人工智能的革新为医院、医生和患者创造新的价值。5.45.4 透彻未来透彻未来-打造敏感度打造敏感度 100%100%的临床应用级病理大模型的临床应用级病理大模型深耕病理，打造临床应用级大模型。从病理影像 AI 切入并领跑该赛道的透彻未来，在成立之初便致力于打造临床应用级的人工智能产品，赋能病理科数智化升级。2023 年，病理大模型透彻大脑 Thorough Brain 发布，推动透彻未来全线产品登上更高台阶。目前，基于 Thorough Brain 迭代的大模型产品透彻洞察 Thorough Insights 4.0 支持

135、包括胃、肠、食管、胰腺、肺、前列腺、乳腺、子宫内膜、宫颈、泛器官淋巴结等十余种高发肿瘤器官病理智能分析，精准定位癌变区域并自动完成疾病分型；在大型医院的临床病理应用中，敏感度接近 100%、特异性超过 94%，为行业打造了临床应用级病理大模型。数据与技术双驱动，突破大模型准确度天花板。自 Thorough Brain 发布以来，透彻未来不断探索其性能边界，在与临床真实需求与反馈的不断碰撞中，Thorough Brain 2.0找到了病理大模型训练的更优解，突破了传统自监督学习大模型的天花板。图表 24 透彻未来病理大模型产品 Thorough Insights资料来源：透彻未来Thorough

136、 Brain 2.0 创新性地结合了无监督、弱监督和有监督学习，大模型基座及下游任务训练均使用了由病理专家标注的金标准数据，这对公司人力和财力都提出了更高的要求。此次创新不仅成功将 Thorough Insights 的精准度提升到临床应用级别，更是极大提升了模型泛化能力，使 Thorough Insights 不仅在大医院应用中有出色表现，更是在中小型医院等病理切片染色差异度较大的场景依然有敏感度接近 100%，特异性超过5190%的优越性能。此外，Thorough Brain 2.0 通过混合专家模型及模型量化蒸馏等系列技术的加持，让临床拥有更高性能病理大模型的同时无需升级自有硬件。目前，

137、Thorough Insights 仅需家用级显卡就能实现落地应用。凭借其优异性能和极高性价比部署成本，Thorough Brain 已经实现 100 余家医疗机构的部署，真正助力“高年资病理经验”下沉，打造病理大模型“平民化”时代。多模态融合，赋能病理科全链路工作流程。除 Thorough Insights 外，以 Thorough Brain为核心组件，透彻未来还推出了结合大语言模型和病理视觉大模型的透彻机器人Thorough Copilot，为病理医生提供实时智能问答助手，结合辅助诊断结果提出进一步检查建议等。未来，透彻未来将继续基于多模态大模型 Thorough Brain，不断拓宽大

138、模型产品应用场景与能力边界，寻找智能病理判别、诊断、预测和解决方案的最优解。5.55.5 南大菲特南大菲特-引领医疗级科技型人工智能慢病管理服务引领医疗级科技型人工智能慢病管理服务十年沉淀，领跑数智化慢病管理。在政策指引下、民众健康意识推动下，加强慢病管理，推动健康干预，由“被动治疗”向“主动健康”前移达到了前所未有的迫切程度。早在 2014年，洞悉并笃定生活方式干预对慢病管理价值的创始团队，集结了专家医生、专业营养师及运动管理师等多学科人才，成立了南大菲特医疗健康科技有限公司（以下简称“南大菲特”），旨在为人们带去医疗级的科技型慢病管理服务。经过十年的沉淀，南大菲特不断完善自主构建的 AI+

139、陪伴式“三师共管”生活方式干预模式，凭借其优异的管理成效领跑数智化慢病管理。“三师共管大模型”10 倍扩容服务能力。2023 年，南大菲特发布了“三师共管大模型”赋能健康管理全流程提质增效。该模型拥有文本、图像、视频和语音多模态输入和理解能力，其数据基座除了海量的专业知识，更是包含了数万用户通过监测设备自产的健康数据、来自 50 余家合作医院的临床脱敏医疗数据、体检数据以及专业有效的慢病管理方案。这些通过十年经验沉淀的高质量数据铸造了“三师共管”的核心壁垒，赋能其极大程度解放人力，十余倍扩容企业的服务能力。以“三师共管”为底座，企业搭建了 AI 智能体中台，作为管理方案控制器，并在之上自建了满

140、足用户、医生、营养师、健康管理师等多方参与者的应用端，其主动式、长程陪伴式的医疗级慢病管理获得了 4 周减重 4.2kg、8 周减重 7.4kg、12 周减重 11.12kg 的优异成效。此外，大模型赋能下的AI+陪伴式“三师共管”生活方式干预模式在肥胖防治的应用项目更是在 2024 年被中疾控评为体重管理优秀案例。52图表 25 南大菲特“三师共管大模型”资料来源：南大菲特商业化加速，携手生态提升全民健康。目前，南大菲特拥有 3.5 万成功患者案例、在 SCI等期刊发布高质量文献 6 篇并参与发表了专家共识 2 篇。大模型极大扩容服务能力的同时，也推动商业化进程进入加速期，现已与 50 余家

141、医疗机构、市疾控以及美年大健康、京东健康等细分领域头部企业达成合作。未来，企业将加快对四大慢病细分病种的覆盖，并在 AI 赋能下推进健康管理不断普惠化，持续用科技让更多人从专业的慢病管理服务中获益，用陪伴式数字化慢病管理提升全民健康水平。5.65.6 医策科技医策科技-“灵眸灵眸”为病理医生提供临床级能力工具为病理医生提供临床级能力工具医工融合贯穿始终，打造病理“Tempus”。2021 年，杭州医策科技有限公司（以下简称“医策科技”）成立，秉承“行业+AI”的持久发展理念，医工融合贯穿企业创始团队集合、资本架构搭建、发展战略制定等系列动作。医策科技向临床推出应用级病理诊断人工智能服务的同时也

142、为医药研发提供病理 CRO 服务，旨在打造病理界的“Tempus”，以自主医药研发病理 CRO 服务驱动，拉动一系列病理人工智能产品为更大的医疗诊断市场赋能。目前，企业打造的能够识别 9 大器官 57 种肿瘤亚型的多模态病理大模型“灵眸”已于 2025 年 3 月获得了 NMPA 颁发的二类医疗器械注册证。三大优势打造专业病理能力工具。“灵眸”是一个融合了文本、图片和语音交互能力的多模态大模型。企业自建了涵盖了海量病理专业知识、高质量经过标注的金标准图像以及53百万级专业提炼的图文对的专业数据库。高质量数据库和先进人工智能技术的融合，使“灵眸”拥有精准诊断、可解释性和可及性三大核心竞争壁垒。图

143、表 26 医策科技“灵眸”多模态病理大模型资料来源：医策科技医策科技构建了器官特异性特征金字塔（Organ-Specific FPN），采用分器官特征提取技术和层级自适应融合机制，全面感知细胞、结构、区域及全切片特征，赋予“灵眸”多器官精准诊断能力。此外，企业还创新构建了病理思维链框架（PathologyChain-of-Thought），采用逐层推理解析技术与可解释性融合机制，精准还原病理诊断的临床思维路径，让“灵眸”拥有病理诊断推理路径可视化能力。最后，“灵眸”支持轻量级私有化部署，极大提升了大模型的可及性。三大优势让“灵眸”不仅能在定性分析中提供与病理医生高度一致的诊断建议，更是在定量和

144、半定量分析中赋能医生给出更精准的分析结果，是真正临床病理刚需的能力工具。此外，“灵眸”也是企业自建的“数智化医药研发病理 CRO 平台”的智能引擎，可在复杂的药物和医疗器械研发任务中，针对多物种多脏器解剖学样本数据进行多模态病理辅助诊断。通过定性、定量及半定量分析损伤、修复、炎症等情况评估药械研发的安全性和有效性，实现评价方案设计、样本病理技术工作到智能评价报告生成的全流程数智化管理。以大模型为基础，迈向精准诊疗。在病理领域扎根是医策科技的第一步，未来，企业将继续坚持深入的医工融合，以大模型为基础、依托多智能体技术，加入电子病历、生化、影像、基因等多组学数据，助力肿瘤多学科协作（MDT）会诊，

145、推动病理学从单一诊断向精准医疗跃升。54特别鸣谢（按调研访谈顺序排序）：讯飞医疗研究院院长贺志阳博士、医渡科技大模型产品总监张玉杰、脉得智能创始人兼董事长陈咏虹、脉得智能创始人兼首席科学家朱晓香院士、数坤科技 AI 大模型负责人刘尧、神州医疗副总裁兼人工智能研究院院长许娟博士、东蔓医疗创始人兼 CEO 李应武、东蔓医疗联合创始人兼 CFO 罗禹泽、透彻未来 CTO 王书浩博士、京东健康探索研究院首席科学家王国鑫、太美医疗科技全球产研事业部负责人陆一鸣、南大菲特创始人兼 CEO 印辉、南大菲特联合创始人张芷韵、医策科技创始人&CEO 王晓梅。55免责申明：本报告的信息来源于已公开的资料和访谈，蛋

146、壳研究院对信息的准确性、完整性或可靠性不作保证。本报告所载的资料、意见及推测仅反映蛋壳研究院于发布本报告当日的判断，过往表现不应作为日后的表现依据。在不同时期，蛋壳研究院可能发布与本报告所载资料、意见及推测不一致的报告。蛋壳研究院不保证本报告所含信息保持在最新状态。同时，蛋壳研究 院对本报告所含信息可在不发出通知的情形下做出修改，投资者应当自行关注相应的更新或修改。版权申明：本文档版权属于蛋壳研究院/北京蛋黄科技有限公司，未经许可擅用，蛋黄科技保留追究法律责任的权利。蛋壳研究院（VBR):蛋壳研究院关注全球医疗健康产业与信息技术相关的新兴趋势与创新科技。蛋壳研究院是医健产业创投界的战略伙伴，为创业者、投资人及战略规划者提供有前瞻性的趋势判断，洞察隐藏的商业逻辑，集合产业专家、资深观察者，尽可能给出我们客观理性的分析与建议。研究人员：樊筱瑜 高级研究员张彩妮 高级研究员