一如當年深度學習的火熱，新興的大模型正以肉眼可見的速度席捲醫療行業。不到半年時間，已有不少頭部醫院上線這項新興技術，主動開啓了醫療人工智能次世代的探索。

此形勢下，不少研究機構都對醫療大模型的前景給予肯定。一如ChatGPT、 Sora的勝利，他們相信醫療大模型能比深度學習更快實現規模化落地，更有效地推動醫院智能發展。

然而，醫療決策恪守循證原則，使得現有的垂直大模型無法複製通用大模型成就之路。一方面，現階段的AI能夠處理的模態有限，很難做到同一個真正醫生那樣通過綜合信息進行綜合決策，亦無法準確獨立地給出做出決策的具體過程。

另一方面，醫療機構非常重視數據的隱私保護，數據能不出院就不出院。這意味着需求方必須斥資自配算力，才能滿足大模型的正常運營。

IBM Watson的退場曾對整個生命科學領域予以警示：在面對一種可能的新興技術時，我們不能單單藉助非醫療行業的“主觀印象”判斷該技術的顛覆性及可用性，還需考慮其應用於醫療領域後，如何切入診療流程、如何面臨審評審批、如何實現商業化等實際問題。

那麼，如今的醫療大模型是否能夠突破這些考驗，找到屬於自己的商業化道路？

01 醫療IT：大模型落地的最佳場景

無論是過去的機器學習、後續的深度學習還是如今的生成式AI及大語言模型，AI的本質都是一種“工具的工具”，通過“賦能”謀求實現價值的路徑。

要讓這樣一個新的工具在醫院生根，必須找到其服務的工具，並儘可能“無感”地融入醫生的工作流中。繁忙的工作中，醫生不會喜歡在使用某項軟件時還要先調用另一軟件作爲支持。

此外，“高頻”也是醫療大模型發揮價值的必要條件。一個理想的醫療大模型應能自行提取、處理、分析各類數據，實時質控醫院各個醫療流程，並以最小成本滿足醫生所有非診療外需求。如果大模型不能高頻地做好這些工作，就談不上爲醫院賦能，自然沒有醫院會爲其買單。

偌大的醫院之中，尋找滿足上述要求的場景並不困難。實際上，NLP時代的人工智能們已爲大模型應用的落地打好樣板。

預問診是一個典型的大模型可以發揮額外效力的場景。過去，互聯網技術與NLP一直在合力幫助醫生脫離這一耗時但必要的流程，但受限於智能化程度，很多時候算法不能清晰地提取患者的主訴，也不能精準回答患者就醫過程中遇到的問題。

相比之下，大模型的邏輯分析優勢能夠很好地從多輪對話中整合數據，提取有用的信息，進而給出符合患者意圖、完整有效的建議。

病歷書寫亦是一個大模型可以高頻發揮價值的場景。在醫生的日常工作中，病歷的理解與書寫是一個極爲重複耗時的過程，而大模型能將醫生從這些繁瑣的工作中抽離出來，幫助他們發揮更大的價值。

雖然這些應用早已存在於醫院之中，但並不妨礙大模型以更高效率、更低價值的方式將其重做一遍。同時，也正是因爲醫生熟悉這些場景，大模型才能在不改變工作流程的前提下深度融入其中，謀求規模化落地。

02 醫學影像：富足但遙不可及

既然文本類的醫療垂直大模型可以借用已有的成熟場景與需求快速實現突破，那麼多模態的醫療垂直大模型是否也能在機器學習深度覆蓋的影像領域中生根？

在回答這個問題前，我們首先需要確定此類大模型應用在醫療場景中所扮演的角色。

如果它希望替代現有影像科、臨牀科室的AI輔助診斷工具，那麼短期之內顯然不會有太大作爲。

輔助診斷產品與輔助治療類產品嚴格依賴於臨牀證據，要求算法能夠復現給出的結果，並能給出相應的證據。以目前垂直大模型的應用情況，它雖能夠根據輸入需求給出一個確定的輸出結果，但同一需求的多次輸入時常缺乏一致性。換句話說，當輸入影像過於複雜且追求精度時，大模型無法精準復現給出的答案。

即便確有人工智能企業能夠攻克上述技術難題，也還會市場準入環節中停滯一段時間。這是因爲現有的審評審批文件中並未涉及大模型相關產品的審批要點。

過去影像AI企業爲通過深度學習產品的審批曾與器審中心進行了長達數年的磨合，新的算法即便能夠快人一步，但估摸也需花上至少一年。

如果它定位於病理科等綜合性科室或是科研場景中，那麼這類大模型現階段確實存在規模落地的可能。

目前，已有企業針對病理領域開發出相應的垂直大模型。這類大模型可根據圖像事實給出結果，如組織分佈情況、鏡下檢查描述等；或對醫生病理診斷的結論進行建議（不能直接提供結論），理論上可以替代機器學習支撐的病理輔助診斷軟件，提高醫生診斷效率，降低診斷過程中漏診誤診。

針對AI難以避免的“黑盒子”問題，有的病理垂直大模型企業還在大模型中加了一個額外的邏輯底層，用於排除大模型生成結果時可能出現的“幻想”及展示大模型的決策路徑。通過這種方式，該企業可能可以解決人工智能的可溯源、可解釋問題。

科研場景是目前多模態醫療大模型最有可能規模化落地的場景。

過去已經獲證的基於深度學習的AI產品能夠對肺、心、腦等特定臟器中的特定病竈進行精準勾畫，而大模型打破了這一限制。

如今，一些影像AI企業開發的大模型可對任意醫學影像中任意病竈進行勾畫標註，有效提升了醫學科研效率，且能使醫生能夠以低成本方式，快速執行一些非主流病種的研究。

03 醫院是應用大模型最好的場景，但並非商業化的最好場景

由於文本大模型的能力特徵與醫院信息化需求高度契合，因而許多頭部醫療IT企業借道自有的醫院管理系統，迅速完成了大模型的部署。但對於非醫療IT頭部公司及多模態大模型而言，他們沒有這樣一個落足點可供應用的快速落地，如何化解入局難題？

總結現有大模型公司佈局方式，大家破局的方式大概可分爲兩種。如果要與老牌醫療IT公司競爭市場，許多企業可以把大模型做成一個獨立的產品，外掛至信息化系統。這種方式雖會略微增加醫生的操作負擔，但由於不少軟件也是通過這種方式落地，因而增加的繁瑣流程仍在醫生可接受的範圍之內。

如果放棄醫院作爲大模型的直接支付方，大模型的落地更有難度，但也更具想象力。譬如，企業可以尋求醫療器械、商業保險等公司合作，圍繞大模型構建生態，通過爲終端提供智慧賦能的方式實現落地。通過這種方式，大模型的支付方由醫院變成了B端，創業公司可以在快速規模化的同時規避一定的落地風險。

百度健康去年發佈了一款基於大模型的AI藥品說明書，它既支持患者閱讀藥品說明，亦支持患者通過文字、語音的方式向 AI 藥品說明書進行提問。通過這種方式，患者不僅節省了閱讀資料耗費的時間，還能直接獲取準確的說明書信息，尤其利於不便閱讀紙質讀物的老年人。

不過，百度健康並不指望能夠通過C端實現盈利。它在意的是使用過程中產生的“藥企與患者重要的溝通渠道”。譬如，百度可幫助藥企獲取已有藥物的用法、用量、用藥禁忌的信息，進而指導後續藥物的開發，進而從藥企那裏收穫大模型的價值。

多模態大模型方面，一個典型的案例來自於國際光學科技企業EVIDENT與深思考的合作。具體而言，EVIDENT的顯微鏡、相機硬件產品與深思考的垂直大模型Dongni進行結合，雙方聯合打造了“慧眼”人工智能平臺。該平臺可以在顯微鏡下通過AI技術來輔助醫生進行判讀以及遠程交流，爲病理科醫生提供便利的輔助工具，達到提質增效。

上文已經提到，多模態大模型想要直接進入臨牀場景幾乎沒有可能，但通過與設備廠商的合作，他們可以繞開各類准入環節發揮輔助價值，並在B端建立新的付費路徑。

04 給大模型一些時間

回到最初的問題，當下已有不少醫療大模型能夠完成了規模化落地，且能實現了一定程度的商業化。但這些應用有些分散、未成體系、深度也有待提高，企業通過它們能夠觸及到的市場規模總額有限，因而還不足以證明這項技術已經找到了自己的商業化道路。

因此，對於衆多醫療大模型公司而言，當下最重要的還是進一步強化大模型對於多模態數據的處理能力。理想狀態下的多模態大模型，不應只是對各類醫療數據進行分類處理，更能提取各模態數據的關鍵之處，給出綜合性的建議。

需要注意的是，絕大多數企業從接觸到應用大模型不足一年，因此未能找到“殺手級應用”也是情理之中。

打通這條新的道路任重道遠，好在他們還有充分時間。

本文來自微信公衆號“動脈網”（ID：vcbeat），作者：趙泓維，36氪經授權發佈。