《動脈智庫：2025醫療大模型研究報告：近300個醫療大模型在院內外場景的賦能實踐（61頁）.pdf》由會員分享，可在線閱讀，更多相關《動脈智庫：2025醫療大模型研究報告：近300個醫療大模型在院內外場景的賦能實踐（61頁）.pdf（61頁珍藏版）》請在三個皮匠報告上搜索。

1、1前言前言人工智能技術在醫療領域應用多年，大模型技術的出現為其應用價值和范圍又帶來了新的可能。2024 年底爆火的國產開源語言大模型 DeepSeek 極大助力市場教育，將大模型在醫療場景的應用迫切度也提到歷史新高點。醫療領域已經出現數百個垂直大模型應用于各個環節，企業從自身數據及市場優勢出發自研專業大模型。產品雖眾多，但是產品到商品還受政策、市場等影響。目前，醫療大模型在醫療領域的滲透率、應用情況、應用成果到底如何？本次報告，通過調研、訪談十余家創新企業、三家投資機構及數名臨床專家，從市場和企業兩方面探索我國醫療大模型滲透率的現狀，試圖梳理各類不同醫療大模型的競爭要素和優勢發展策略，與共同努

2、力的企業們一同探討。主要觀點：醫療大模型發展處于早期，行業經過了“產品打造”階段，亟待通過“性能驗證”釋放商業價值。目前，對大多數醫療大模型依然缺乏明確的安全性、有效性的驗證和監管體系，是大模型商業化推廣重要限速因素。醫療大模型市場規模預計在 2028 年突破百億，目前總體滲透率不足 10%20%，是一個極大的藍海市場待企業去開拓。2025 年截至 5 月 1 日醫療大模型發布 133 個，遠超 2024 年全年的 94 個、2023年全年的 61 個。288 個醫療大模型中，九成覆蓋了政策指引的應用場景。醫療大模型應用場景中，提及頻次最高的為醫療服務環節，占比高達 53%，其中臨床專病輔助決

3、策、預問診、病歷輔助生成、醫學影像輔助診斷位居前四。文本類大模型集中在醫療 IT 服務環節；影像類大模型應用成熟度最高，超聲和病理有驚喜進展；生物大模型極大助力藥物研發；中醫類大模型在多方力量推動下快速發展。醫療大模型的滲透率受多方影響，需要通過痛點驗證、市場規模測算、技術和數據能力評估、有公信力的性能驗證以及政策的支持和監管來解決“想用”“想做”“能做”“好用”“允許用”的問題。醫療大模型落地應用方式靈活，可作為產品使用、可作為 AI 應用的智能管理平臺、可作為 AI 產品研發和優化的基座?？傮w來說，由于生成式技術與語言大模型的突破，醫療大模型對文本類的任務助力更大，此外對綜合性、高數據密度

4、以及多流程的任務賦能更加明顯。在醫療大模型的框架下，以大模型牽動的大小模型協作模式將是近幾年的主流市場應用方式。人工智能技術發展現狀喜人，目前醫療大模型的性能“木桶短板”是高質量的數據及稀缺的專家資源。醫療大模型的發展初期，大模型的打造和應用成本都較高，隨著技術、政策、市場等多因素助力，未來醫療大模型將向普惠化迭代升級。目錄目錄第一章第一章 多因素驅動醫療大模型加速藍海開拓多因素驅動醫療大模型加速藍海開拓.11.1 性能不斷突破，亟待價值驗證推動模型商業化落地.11.2 醫療大模型藍海市場空間充足，亟待企業開拓.41.3 多因素聚合驅動，推動“產品”向“商品”落地.5第第二二章章 醫療大模型爆

5、發，賦能醫療服務的各個環節醫療大模型爆發，賦能醫療服務的各個環節.112.1 行業迎來近三百個大模型，九成覆蓋政策指引應用場景.112.2 四類醫療大模型，展現七大共同技術發展路徑.122.3 六大醫療應用場景，解構大模型應用路徑.17第第三三章章 醫療大模型在多應用場景率先跑通商業化醫療大模型在多應用場景率先跑通商業化.243.1 滲透率受多方影響，需共同驅動商業化落地.243.2“嚴肅”和“輔助”醫療應用場景各有標桿.253.3 院外醫療大模型助力“提供工具”向“提供價值”轉變.34第第四四章章 未來趨勢未來趨勢.424.1 大模型是企業剛需，大小模型協作是市場需求.424.2 技術突破降

6、低研發門檻，數據鑄造大模型核心競爭力.434.3 昂貴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 企業案例企業案例.465.1 訊飛醫療-星火醫療大模型從基層出發賦能醫療全產業鏈.465.2 數坤科技-多模態大模型構建數智醫院醫療大腦.475.3 脈得智能-大模型賦能超聲 AI 性能對標病理，打造無創時代.495.4 透徹未來-打造敏感度 100%的臨床應用級病理大模型.505.5 南大菲特-引領醫療級科技型人工智能慢病管理服務.515.6 醫策科技-“靈眸”為病理醫生提供臨床級能力工具.52圖表目錄圖表 1人工智能技術推動醫療大模型產品變化的歷程.1圖表 2醫療大模型分類及其

7、特性.2圖表 3醫療大模型從概念到落地的發展階段.3圖表 4醫療大模型市場規模測算.4圖表 5八大算力樞紐建設成果及目標.5圖表 6近年來國家層面發布的部分醫療大模型相關的促進政策.6圖表 7衛生健康行業人工智能應用場景參考指引具體場景展示.7圖表 820232025 年醫療大模型數量（截至 2025 年 5 月 1 日）.11圖表 9各類醫療大模型應用場景提交頻次.12圖表 10醫療大模型的主要應用場景.13圖表 11醫療垂直模型開發模式分布（截至 2025 年 4 月 30 日）.14圖表 12醫療大模型涉及的 56 個細分應用場景提及頻次.18圖表 13醫療大模型滲透率影響因素.25圖表

8、 14判別式與生成式大模型部分性能對比.26圖表 15嚴肅醫療大模型性能共需.30圖表 16輔助醫療大模型應用場景分類.31圖表 17輔助醫療大模型三大賦能路徑.32圖表 18人工智能在藥物研發各環節應用場景舉例.36圖表 19輕量級及治療級健康管理服務對比.38圖表 20醫療大模型與小模型的部分維度對比.42圖表 21訊飛星火醫療大模型.46圖表 22數坤科技多模態大模型-數坤坤.48圖表 23脈得智能“甲狀腺結節超聲影像輔助診斷軟件”性能簡介.49圖表 24透徹未來病理大模型產品 Thorough Insights.50圖表 25南大菲特“三師共管大模型”.52圖表 26醫策科技“靈眸”多

9、模態病理大模型.5321第一章第一章 多因素驅動醫療大模型加速藍海開拓多因素驅動醫療大模型加速藍海開拓1.11.1 性能不斷突破，亟待價值驗證推動模型商業化落地性能不斷突破，亟待價值驗證推動模型商業化落地技術推動下，醫療大模型愈發成熟。隨著技術的不斷突破，醫療大模型已經從規則驅動走向了數據驅動，從單模態向多模態融合進階。如今，醫療大模型性能完成了從“識別”到“生成”再到“邏輯推理”的拓寬，不斷接近人類思考水平。圖表 1 人工智能技術推動醫療大模型產品變化的歷程資料來源：公開信息，動脈智庫分析早期大模型以規則驅動。最早的醫療大模型雛形可追溯到 20 世紀七八十年代，醫療領域嘗試將計算機技術用于醫

10、療服務。該階段開發的軟件程序基于人工提煉的流程或醫學規則，建立一步步判斷的架構，從而模擬醫院運行的流程，如患者分配、資源管理等，以及基于邏輯推理模擬醫生的行為。如 20 世紀 70 年代，斯坦福大學開發的專家系統MYCIN，幫助醫生對住院的血液感染患者進行診斷和用抗生素類藥物進行治療，據中國科普博覽的研究報告，該系統所給出的治療方案可接受度達到 69%左右。醫療數據積累+機器學習，大模型進入數據驅動時代。進入 21 世紀，醫學數據激增和人工智能技術突破螺旋式地推動醫療大模型性能提升。醫療信息化的落地、電子病歷的普及讓行業迅速積累了大量醫療數據，為醫療大模型的研發和訓練提供了數據基礎。與此同時，

11、機器學習的應用讓醫療大模型邁入以數據驅動的時代，基于統計學和淺層模型，人們只需完成特征標注即可讓模型自行建立判斷標準。至此，醫療大模型在部分細分領域走在了落地應用前列，如影像識別、電子病歷和智慧醫院建設等。隨后，深度學習技術和大數據的興起，讓醫療大模型進入了數據驅動的快速發展通道，無需人工進行特征提取即可進行模型訓練，并實現端到端的學習。多模態融合，提升精準度并拓寬應用邊界。2018 年后，大模型開始實現多模態的融合。一方面，多模態數據的應用，提高了大模型精準度的天花板，使之性能進一步提升；另一方面，多模態融合也在不斷拓寬大模型的應用邊界，從單點到全面賦能、從為醫療行業提質增效到賦予行業“新的

12、能力”。至此，醫療大模型打破數據孤島，讓模型泛化能力2更強，擁有了更廣泛的醫療應用場景，如全科診療輔助、臨床決策支持、藥物研發、遠程醫療、精準診療等。DeepSeek 助力大預言模型走向新高度。2024 年底，國產開源大模型 DeepSeek 問世，基于DeepSeek-V3 Technical Report，DeepSeek-V3 模型擁有高達 6710 億的參數量，但得益于其自主研發的混合專家模型 DeepSeekMoE，該模型巧妙地在每一層設置了 256 個專業領域的路由專家及 1 個共享專家，每次運算時僅需激活約 370 億個參數，大幅度降低了訓練所需的計算成本。DeepSeek-V3

13、 訓練成本僅 557.6 萬美元，不足GPT-4 的十分之一（據斯坦福 HAI 研究所發布報告 Artificial Intelligence Index Report2024數據，GPT-4 的訓練成本約 7800 萬美元），但經過一系列基準測試，DeepSeek-V3-Base 的 chat 版本表現優于其他開源模型，并在一系列標準和開放式基準測試中達到了與 GPT-4o 和 Claude-3.5-Sonnet 等閉源模型相當的性能。DeepSeek 代表的技術突破帶來的極致性價比大幅度地降低了醫療大模型研發和應用的門檻與成本。此外，其開源特性與本地化部署能力是 DeepSeek 能夠里程

14、碑式推動醫療大模型發展的另一個核心原因。醫療機構可自主下載源代碼并完成私有化部署，確保醫療數據全程閉環處理，滿足數據脫敏與訪問權限的嚴格要求。目前全國已有多家醫院完成 DeepSeek 本地化部署。其高性能、低成本和開源的特性匹配醫療行業對安全和高效的雙重需求，并極大地推動了大模型落地的市場教育成熟。越“應用級”價值體現越直接，專業/垂直大模型缺乏有力測評體系。近年來，企業基于自身積累數據的特性，搭載大模型技術，紛紛推出各自服務環節的醫療大模型。圖表 2 醫療大模型分類及其特性資料來源：公開信息，動脈智庫分析3從大模型的應用程度出發，可大致將模型分為三類，第一類大模型擁有語言理解和邏輯推理等能

15、力，但并未經過醫療的“專業訓練”，常被稱為通用大模型。第二類大模型在此基礎上接受了廣泛的醫療專業數據集的訓練，稱為專業大模型或垂直大模型，通常覆蓋應用場景廣。醫療行業處于安全性和可靠性的要求，相較任何一個領域都更需要垂直大模型，其可直接使用，也可賦能進一步開發應用類大模型、小模型，即應用類大模型。第三類應用類大模型則是指針對特定的應用場景和任務，進行了進一步標準數據及專家邏輯的訓練，使其在特定任務中有更精準的表現。目前，行業對醫療大模型缺乏統一的性能測評標準，最直觀和常用的方式還是需要在具體的應用場景中去驗證。由此，應用類大模型由于針對單一任務與應用場景，性能驗證范圍更窄，僅需就單任務與人類使

16、用者行為結果相對比，性能驗證相對更快，進程更靠后。而就大模型的本質特性而言，更多的醫療大模型屬于專業/垂直醫療大模型，即可以為多場景賦能，這就意味著其性能驗證需在多任務及場景中完成，自然就對應了更長的性能驗證周期。醫療大模型行業已經走過了從“技術”到“產品”的階段，一時間百模興起。但要從“產品”到“商品”實現大規模商業化落地，還需要在具體應用場景中證實產品的可靠性和可用性。目前，大部分醫療大模型正積極在各應用場景驗證與證實模型的有效性與價值?！鞍倌！毙顒荽l，亟待性能驗證釋放商業化價值。醫療大模型從概念興起到成熟落地大致需要走過需求分析與驗證、模型研發、模型性能測試或應用市場對模型性能的驗證、

17、商業模式探索到最后在行業實現大規模的商業化落地。圖表 3 醫療大模型從概念到落地的發展階段資料來源：公開信息，動脈智庫分析雖然技術突破帶來的愈發成熟的大模型產品令人興奮，但是醫療大模型要實現大規模商業化落地還有一段路要走。目前，在各細分領域已有部分醫療大模型打通了商業模式實現了商業閉環（我們將在第三章詳細分析部分應用場景的典型案例），但就行業整體而4言，發展尚處早期，更多的醫療大模型還處于價值驗證階段，亟待通過性能測評釋放其商業價值。1.1.2 2 醫療大模型藍海市場空間充足，亟待企業開拓醫療大模型藍海市場空間充足，亟待企業開拓醫療大模型快速興起并進入爆發期。隨著醫療數據數量和質量的快速提升、

18、算法和算力的不斷突破，醫療大模型在近幾年興起?；诟笠幠祿柧?、更多層的神經網絡及連接方式，大模型展現出更高的性能及智能水平，使其不斷拓寬在醫療行業的應用場景并在各大場景逐步滲透，以之帶動的市場規模增速也十分可觀。盡管各大機構對醫療大模型市場規模的測算存在差異，但均展現出相同的趨勢。醫療大模型在 2019 年至 2023 年快速興起，期間市場規模年均復合增長率超過 100%；直至2027 年都將是醫療大模型的爆發期。根據億歐智庫的訪談數據，目前醫療大模型市場規模接近 20 億元，在行業爆發期間，預計以高達 140%的年平均增長率，于 2028 年突破百億元。圖表 4 醫療大模型市場規模測算

19、資料來源：億歐智庫滲透率不足 20%，大模型藍海待開拓。盡管快速拓寬的應用邊界不斷拉高醫療大模型的市場規模天花板，但要真正大規模應用落地還需要一步一個腳印，逐步提升市場滲透率。目前，醫療影像、輔助診斷、健康管理等領域大模型滲透率相對較高，但依然屬于市場滲透的早期階段。以滲透率較高的影像領域為例，根據沙利文與頭豹研究院聯合發布的2024 年中國醫療大健康產業發展白皮書以及億歐智庫的測算，2020 年其滲透率僅5約 1%，到 2030 年有望超過 40%?；趧用}網訪談調研預估，醫療大模型整體滲透率不足 20%，甚至更加保守的受訪者估計不足 10%。由此可見，醫療大模型這塊藍海還有巨大的市場空間亟

20、待企業們去滲透和開拓。1.1.3 3 多因素聚合驅動，推動多因素聚合驅動，推動“產品產品”向向“商品商品”落地落地大模型基礎建設不斷堅實。醫療大模型依靠強大的算力運行、基于人工智能技術的專業算法指導，并且在大數據的基礎上進行訓練和優化。因此，算力提升成為推動醫療大模型快速發展的核心驅動因素。圖表 5 八大算力樞紐建設成果及目標資料來源：通信產業報隨著大數據、人工智能和物聯網等技術的迅速崛起，我國算力需求近年來也迅速增長。據中國通信院數據顯示，2023 年底，我國算力總規模達到 230EFLOPS，規模位居全球第二，近五年年均增速近 30%，其中智算規模增勢最為強勁，增長率超 70%，預計未來6

21、三年我國算力規模年均增速將達 45%。自“十四五”規劃首次將算力網絡納入國家新基建，并明確“東數西算”工程目標以來，八大算力樞紐建設成果卓越，且該強勁的建設勢頭將進一步持續，不斷夯實醫療大模型發展的算力基礎。國產芯片逆襲，奮力解除技術封鎖。芯片進口限制不斷加碼，給了國產芯片快速成長的壓力和動力。華為自 2021 年 10 月發布芯片昇騰 910 后，該系列芯片性能不斷升級，2023 年發布的 910B 性能方面可媲美英偉達 A100，并在 2024 年獲得百度和中國移動等巨頭互聯網廠商及運營商訂單，均為千級數量“大單”；2025 年進一步升級的 910C 將顯著改善芯片性能，解決 910B 的

22、傳輸瓶頸，性能直逼英偉達 H 系列，銷售訂單量有望在 910B 的基礎上實現翻倍。此外，寒武紀和海光信息等領域頭部企業也持續推出性能更優產品，共同推動國產芯片升級，進一步堅實醫療大模型發展的基礎。平衡安全與發展，政策多維度促進醫療大模型應用落地。大模型作為醫療人工智能應用的重要一環，持續受到政策的促進和推動。近年，國家層面從大模型研發基礎建設（包括算力、算法、數據等）、應用方向指引、大模型備案監管機制等方面推出系列政策，平衡包含大模型的醫療人工智能應用的安全與發展。圖表 6 近年來國家層面發布的部分醫療大模型相關的促進政策資料來源：公開數據，動脈智庫整理值得一提的是，2024 年 11 月國家

23、衛生健康委辦公廳、國家中醫藥局綜合司、國家疾控局綜合司聯合發布的衛生健康行業人工智能應用場景參考指引，明確定義了“人工7智能+醫療服務管理”“人工智能+基層公共服務”“人工智能+健康產業發展”“人工智能+醫學教學科研”四大部分，涵蓋十三大類，總共 84 個具體的應用場景，其中 19 個應用場景明確提到了醫療大模型的應用。圖表 7 衛生健康行業人工智能應用場景參考指引具體場景展示資料來源：國家衛健委官網，動脈智庫整理（打勾為明確提及大模型應用的場景）該指引的發布無疑是醫療大模型落地的重要推動引擎，給了大模型臨床準入的政策支持。不僅如此，該指引也清晰地指引了企業打磨相關大模型性能的方向、指引了臨床

24、該如何使用相關場景的醫療大模型。DeepSeek 是技術、更是市場教育加速器。DeepSeek 自 2024 年底發布以來，迅速“走紅”各個行業，醫療行業也不例外。就醫療大模型領域而言，DeepSeek 對其影響已經超越了單純的技術突破范疇。除了本章第一節敘述的 DeepSeek 在技術上對醫療大模型性能提升帶來的加持外，其“一炮而紅”對醫療行業各環節從業者，以及 C 端的患者或用戶更是一次直觀且有力的市場教育，迅速提升了市場對醫療大模型的接受度以及使用積極8性，變“被動接受”或“試一試”為“主動擁抱”。在市場需求的推動下，目前，眾多醫療大模型企業紛紛與 DeepSeek 進行了不同程度的融合

25、，而 DeepSeek 也在多應用場景中展示出了其在文本交互方面的優勢。對于文本交互為主、提供醫療級科技型健康管理服務的南大菲特，在“三師共管大模型”與 DeepSeek融入后助益明顯，賦能其為用戶帶來交互體驗更好的長周期陪伴式醫療健康干預服務。再如太美醫療科技，DeepSeek 等大模型的融入使之在臨床研究及數字營銷兩個板塊的服務能力均有提升，如前者方案輔助撰寫、醫學翻譯、中心篩選、文件檢索、數據管理、文件管理、風險預警等文本處理環節，后者醫藥代表培訓、內容營銷、醫生畫像等環節。專注文本處理賽道的醫渡科技，DeepSeek 的超強文本交互能力與之十分匹配，融入DeepSeek 后對其“大數據

26、+大模型”雙中臺的服務能力無疑是一次有力加持。此外，東蔓醫療的智能腫瘤輔助決策系統和 DawnMed 黎明醫療模型接入 DeepSeek 后，在醫患溝通、患者教育、自動解讀報告等方面顯著提效并降低產品研發成本。醫療大模型企業紛紛完成了自身醫療大模型與 DeepSeek 的融合升級。據調研訪談，自DeepSeek 發布后，企業醫療大模型推廣阻力明顯降低且獲得了可觀的銷售增量。如醫渡科技以“YiduCore 知識大腦+DeepSeek 創新引擎”雙核驅動，讓 AI 中臺化身醫院的“智能體孵化工廠”。目前，不同能力的 AI 助手已在中南大學湘雅醫院、中山大學腫瘤防治中心、北京大學腫瘤醫院、南昌大學第

27、一附屬醫院、哈爾濱醫科大學附屬腫瘤醫院、上海市肺科醫院、山東第一醫科大學附屬省立醫院等近 30 家國內頂尖醫療機構“上崗”。此次醫療大模型里程碑式地快速滲透，DeepSeek 的“走紅”功不可沒?？梢?，醫療大模型正處在發展的蓬勃進展期。無論是算力、算法等“硬實力”，還是政策、監管等“軟實力”都朝著推動模型落地應用的目標不斷提升。加之市場教育持續推進，醫療大模型即將在供需雙方的雙向奔赴中爆發式發展。本章小結：醫療大模型性能持續快速提升：隨著人工智能技術的發展、標準化醫療健康數據的沉淀、算力等基礎建設的夯實，醫療大模型的性能快速提升，能顯著為醫療行業多環節提質增效甚至賦予行業“新的能力”。醫療大模

28、型尚處商業化早期：行業目前尚缺共識性、系統性的測評體系直觀驗證醫療大模型的安全與價值，“百?！毙顒荽l，亟待完成產品驗證實現大規模商業化落地。醫療大模型藍海亟待開拓：性能的突破在拓寬醫療大模型應用邊界的同時，也不斷9拉高醫療大模型的市場規模天花板，而行業滲透率不足 20%，廣闊的藍海市場亟待大模型企業開拓。多因素驅動醫療大模型加速落地：政策從基礎建設支持、方向指引、市場準入及監管等多維度促進醫療大模型落地，加上市場教育地有序推進，醫療大模型即將迎來高速商業化落地期。1011第第二二章章 醫療大模型爆發，賦能醫療服務的各個環節醫療大模型爆發，賦能醫療服務的各個環節2.12.1 行業迎來近三百個大

29、模型，九成覆蓋政策指引應用場景行業迎來近三百個大模型，九成覆蓋政策指引應用場景2025 年醫療大模型密集發布。2024 年大語言模型破圈以來，這項技術正以迅猛之勢深度滲透醫療領域。企業、科研院所乃至醫院亦紛紛入場，圍繞這項進行探索，以拓寬其應用邊界。但未等探索成果充分落地，2025 年 1 月，DeepSeek R1 版本的發布，再度引發低成本高質量 AI 應用熱潮。這一熱潮也迅速傳導至產業端 133 個醫療大模型的密集發布，遠超 2023 年（61 個）與 2024 年（94 個）的模型數量。圖表 820232025 年醫療大模型數量（截至 2025 年 5 月 1 日）資料來源：公開資料，

30、動脈智庫整理行業迎來近三百個大模型，九成覆蓋“指引”應用場景。從 2014 年關于促進智慧城市健康發展的指導意見提出推進智慧醫院建設至今，已有大量數智化應用嵌入醫生工作流程。歷經十余年發展，這項技術逐步跨出診斷和治療的范疇，生根于醫療場景中的每一個角落。截至 2025 年 5 月 1 日，本報告基于系統性研究，收錄了市面上已公開的主要醫療大模型案例累計 288 個，其中約有九成以上醫療大模型應用場景均涵蓋于衛生健康行業人工智能應用場景參考指引之中。醫療服務場景提及頻次遠超其他應用領域。本次統計的 288 個醫療大模型中，涉及應用場景 12 類，所有應用場景總提及頻次 814 次。其中醫療服務場

31、景涉及的大模型最多，總提及頻次達 430 次，占比近 53%。12圖表 9 各類醫療大模型應用場景提交頻次資料來源：公開資料，動脈智庫整理從 2023 年的初步嘗試，到 2024 年行業取得長足進展，再到 2025 年未至年中便迎來超百個模型落地，醫療大模型的爆發式增長態勢已然明晰。在此過程中，明確應用場景是確立大模型發展路徑的關鍵。畢竟，醫療大模型需在循證醫學框架及數據安全準則下迭代，無法照搬通用模型的“涌現能力”與“多模態融合”路徑，必須探索一條符合行業特性的模型改進與價值探尋之路。2.22.2 四類醫療大模型，展現七大共同技術發展路徑四類醫療大模型，展現七大共同技術發展路徑政策與技術迭代

32、驅動下，我國醫療大模型產品矩陣加速構建。鑒于不同場景及主體間的應用滲透程度存在差異，本報告通過對主流大模型產品的應用場景進行系統梳理與量化分析，選取文本大模型、醫學影像、藥物研發、中醫藥產業四大核心賽道，以期全景呈現醫療大模型的技術落地路徑與產業發展脈絡。13圖表 10 醫療大模型的主要應用場景資料來源：公開資料，動脈智庫整理2.2.12.2.1 文本大模型文本大模型-醫療醫療 IT IT 場景占比最大場景占比最大近一半大模型應用場景為醫療 IT。在技術適配性、數據基礎、應用場景需求及產業落地可行性等多因素影響下，當前文本大模型仍是醫療大模型的主要研發類型。其主導地位源于醫療場景對語言處理的剛

33、需、文本數據的易獲取性、技術成熟度與商業落地效率。在此之中，醫療 IT 是大模型落地場景中占比最大的部分。結合對 288 個醫療大模型應用場景的系統性梳理，在累計 663 個場景提及頻次統計中，非醫學影像類醫療 IT 場景提及頻次高達 300 余次，以近 46%的占比成為核心落地方向。醫生成為“AI 制造”群體中至關重要的一員。盡管醫療信息化市場長期被視為創新彈性有限的傳統領域，但在前期技術積累基礎上，醫療大模型研發主體也開始由信息化廠商、醫療創新企業，開始向產學研聯合創新，以及醫療機構、科研機構主動創新轉變。垂直大模型的功能也隨醫生的加入不斷擴展。截至 2025 年 4 月 30 日，國內“

34、2022 屆中國競爭力排行榜”中排名前 100 的醫院，已有1498 家對外宣稱完成了大模型部署。在這之中，有 38 家醫院在通用模型的基礎上進一步展開研發，打造出 55 個符合自身需求的垂直醫療模型。其中，醫院合作企業依然是主流，有超過一半的項目采用這一模式進行開發。2025 年 2 月開始，醫院合作學校、科研機構的項目數量開始激增。尤其是醫院獨立開發這一模式（包括醫院間的合作），已占比接近 25%，成為僅次于合作企業開發的重要模式。這意味著醫院正在醫療大模型的能力躍遷中發揮愈發重要的作用。圖表 11 醫療垂直模型開發模式分布（截至 2025 年 4 月 30 日）資料來源：公開資料，動脈智

35、庫整理催生專病、智能解讀等新興賽道。研發角色的轉變不僅推動醫療信息化成為醫療大模型商業化落地最成熟的賽道，更催生了醫患智能問答、心血管指南動態解析、專病知識圖譜構建等新興應用場景，使該領域的價值再度被激活。動脈網據公開資料統計，國內目前已有專病?？拼怪蹦Ｐ?22 個，覆蓋心血管病、腎病、胸痛、咽喉病變、皮膚病、肝癌等病種，骨科、放射科、病理科、眼科、麻醉科等科室，甚至還專為消化內鏡、心超等設備；手術風險評估、感染控制等環節訓練大模型。2.2.22.2.2 影像大模型影像大模型-發展最成熟已覆蓋全周期發展最成熟已覆蓋全周期醫學影像是人工智能技術落地最為成熟的醫療場景之一，并已形成覆蓋圖像采集、處

36、理及診斷全流程的價值賦能體系。歷經近 10 年發展，不僅醫療機構對影像 AI 產品的接受度不斷提升，醫生對于影像 AI 研發的參與程度亦不斷深入。通過市場產品圖譜分析，聚焦醫學影像領域的大模型相關產品已達 56 款，以心臟、骨15骼、頭頸、肺部等解剖部位的輔助診斷應用最為廣泛。其中，超聲和病理成為重要突破方向，脈得智能（超聲）、透徹未來（病理）及醫策科技（病理）等企業紛紛推出相關大模型助力臨床輔助診斷。目前，從影像 AI，到醫學影像大模型的應用場景日漸寬泛，覆蓋疾病篩、診、治、防全診療周期。醫學影像大模型正從單一部位輔助診斷向全病程管理、多模態融合診斷演進。2.2.32.2.3 藥物研發大模型

37、藥物研發大模型-亟待質的變化亟待質的變化應用場景集中在藥物研發。算法與模型的變革一直被作為制藥 AI 的生命線為行業所關注。如今不止制藥企業在著手探索相關大模型研發，清華大學、澳門理工大學、上海交通大學等高校及科研院所也開始進行相關探索。結合統計數據來看，目前大部分生物大模型產品的應用場景集中在藥物研發領域。例如水木分子的“ChatDD”提供藥物研發全流程支持，涵蓋立項決策、臨床前藥物發現、藥物開發、臨床試驗等環節；晶泰科技的“XpeedPlay 平臺”能超高速生成苗頭抗體，加速藥物研發進程。這些模型通過不同的技術手段，在藥物研發的各個關鍵節點發揮作用，有助于縮短研發周期、降低研發成本，提高藥

38、物研發的成功率。仍待技術創新。在技術層面，各生物制藥大模型產品展現出不同的創新亮點。如上海交通大學的“Venus”蛋白質設計大模型，實現了蛋白質從序列到功能的預測，相比傳統靠經驗和高通量實驗的方法更加精準；哈佛醫學院 Zitnik 實驗室的“MADRIGAL”是預測藥物組合臨床效果的多模態 AI 模型，為藥物聯合使用的效果評估提供了新的手段。需指出的是，當前生物制藥大模型在醫療機構賦能及藥物研發探索等領域，尚未實現對既有場景的顛覆性突破，仍處于技術融合與場景適配的漸進式創新階段。隨著算法優化、數據積累及跨學科協同的深化，該領域有望催生具有變革性的技術突破。2.2.42.2.4 中醫大模型中醫大

39、模型-多方力量推動快速發展多方力量推動快速發展匯聚多方力量，快速發展。從當前眾多面世的大模型來看，大模型正持續加大在中醫藥產業的應用。2023 年，面世的中醫藥大模型約為 13 款，2024 年數量稍有下降為 9 款，2025 年已有 8 款產品面世。從數據來看，中醫藥產業大模型的研發匯聚了多方力量，呈現出產學研緊密協同的態勢。華為、百度、阿里、訊飛等科技大廠依托算力算法優勢，聯合中醫藥領域布局垂直行業大模型；清華大學、中國中醫科學院等科研院所通過大模型技術推動中醫藥傳承創新。此外，深耕中醫藥產業的頭部企業亦積極入局。如云南白藥、華潤江中、太極集團、天士力等知名藥企，以及大經中醫、中醫聰寶等中

40、醫 AI 創新企業均在賽道發力。與此同時，在具有中醫藥產業基礎的地區，相關政府也在著力發展中醫藥大模型產業。16亳州市與華為共建“華佗中醫藥大模型”；橫琴粵澳深度合作區啟動“中醫藥橫琴大模型”；天津早前已推出中醫針灸領域的“天河靈樞”“海河岐伯”大模型并開放內測，形成政產學研醫協同的區域發展格局。功能豐富，聚焦臨床與教學科研核心需求。中醫藥產業大模型具備多樣化的功能，其核心仍是聚焦于臨床輔助診療和科研智能輔助等方面。在臨床輔助診療上，中醫藥大模型已能夠實現智能問診、輔助診斷、智能審方等功能。如固娃娃智能醫療助手在患者端和醫生端都提供了多種智能化服務。在中醫藥管理方面，可助力名中醫學術思想智能傳

41、承、中醫藥科研管理等。在中醫藥教學與科研方面，模型則可進行中藥知識的提取與生成、中醫藥知識圖譜構建，以推動名中醫學術思想傳承，同時輔助科研等。應用場景從中醫藥管理向中醫藥產業發展延伸。如今中醫藥大模型已不局限于以醫療服務為核心的中醫藥管理場景，而是逐步向中醫藥產業發展方向延伸，以從根本上推動產業發展。在產業發展場景，主要應用領域涵蓋中藥材智能生態種植、中藥智能生產設備管理、藥物研發等。以“華佗中醫藥”為例，該模型能通過對土壤、氣候、水質等環境因素分析，為中藥材的種植提供指導?；趯Ａ康闹嗅t藥數據進行快速分析和挖掘，縮短藥物研發周期，同時根據市場需求預測，提高企業的市場響應能力和競爭力。中醫知

42、識科普與健康管理是中醫藥大模型的潛力場景。除輔助診療、教學科研、新藥研發等應用場景外，中醫藥知識科普、個性化健康方案制定也變得愈為重要，它們正成為推廣中醫，以及連接患者與中醫診所的重要路徑?？偠灾?，結合技術演進邏輯與行業實踐，當前醫療大模型核心應用場景及技術發展路徑可歸納如下：醫療服務仍是主流應用場景：現階段醫療大模型的應用仍以醫療服務、醫藥服務、醫保、醫院管理等傳統場景重塑為主；公共衛生服務、養老托育服務及醫療機器人等領域的大模型應用較少涉及：相關場景的技術適配性與落地案例數量較少，亟待突破跨模態數據融合與場景化訓練的瓶頸；基層應用頻頻被提及：由于落地速度最快，醫患、院管多場景反饋明顯，主

43、流醫療大模型應用體系普遍將基層醫療輔助納入核心場景構建；中醫藥領域實現應用的深度滲透：在傳統醫療場景之外，中醫藥行業管理及中醫藥產業現代化發展成為醫療大模型的重點研發方向；大模型正蓄力賦能醫療產業：醫療大模型應用已延伸至醫療產業生態，形成面向企業端的專業化模型解決方案，覆蓋醫療產品研發、注冊申報合規化、企業運營管理17等細分場景，賦能醫療產業發展；革新醫學教育與科研范式：醫學教育領域正探索大模型應用，包括醫學教育患者虛擬人、智能仿真人等應用；科研端則聚焦于醫學文獻深度挖掘等場景；健康管理場景或成醫療大模型應用潛力股：健康風險評估、個性化干預方案制定、慢性病管理等場景成諸多深耕細分領域企業發展方

44、向，糖尿病、心理、減重等領域均有大模型落地。2.32.3 六大醫療應用場景，解構大模型應用路徑六大醫療應用場景，解構大模型應用路徑本次統計的 288 個醫療大模型、共 814 次場景提及頻次中，涉及的 12 類應用場景中共涵蓋 56 個細分領域，其中，臨床專病輔助決策、預問診、病歷輔助生成、醫學影像輔助診斷提及最多，均為醫療服務大類。接下來，我們將從醫療服務管理、中醫藥管理、健康管理、公共衛生管理、醫療事業發展以及醫學教育與科研六大醫療應用場景解析醫療大模型的應用路徑。醫療服務管理以醫院需求為導向。智慧醫療體系建設歷經十余年發展，醫療 AI 應用已進入深度落地階段。當前主流醫療大模型研發緊密圍

45、繞智慧醫療核心場景，遵循智慧醫療建設邏輯，形成覆蓋診前、診中、診后全流程的解決方案體系。同時，醫療大模型的開發仍以醫院實際需求為導向，優先布局醫療安全保障與患者服務優化兩大核心方向。在具體應用場景構建上，醫療大模型已形成四大核心賦能矩陣：臨床決策支持：覆蓋醫學影像智能輔助診斷、臨床專病智能輔助決策、基層全科醫生智能診療支持等，通過多模態數據融合提升診斷精準度；患者服務管理：貫穿門診分診、預問診、智能配診、就醫咨詢、診后隨訪、滿意度調查及院后健康管理全鏈條，實現服務流程數字化再造；醫療質量控制：包括醫學影像數據輔助質控、處方前置審核智能輔助、用藥安全智能干預等，構建全環節風險防控體系；醫院管理：

46、聚焦醫療質量與安全管理、資源精細化管理及后勤與運營支持三方面，大模型應用方向主要為醫療文書質控輔助、醫療質量管理、醫務人員管理、手術室管理、藥房管理、耗材管理、醫療設備管理、醫院經濟管理決策支持，整體助力醫療機構實現運營效率與精細化管理能力提升。18圖表 12 醫療大模型涉及的 56 個細分應用場景提及頻次資料來源：公開資料，動脈智庫整理19中醫藥管理，大模型數量激增。中醫診療的核心在于辨證論治與個體化診療原則，而大模型技術在復雜語義關聯處理、跨維度模式識別及深層知識表征學習上的獨特優勢，這種高度個性化和綜合性的診療思路形成天然技術適配。此外，中醫理論體系中醫療知識難以顯性化、結構化的固有挑戰

47、長期存在，導致知識傳承相對困難，引入大模型可對中醫相關知識進行數據挖掘，推動相關知識體系的構建，以標準化的形式為患者生成診療方案。正因如此，這兩年大批中醫藥大模型涌出。據不完全統計，截至 2025 年 5 月 1 日已有30 個中醫藥相關的大模型發布。應用場景主要包括中醫臨床智能輔助診療、預問診、中醫臨床病案智能質控、名中醫學術思想智能傳承、中醫藥科研智能輔助，以及中藥材智能生態種植、中藥智能生產設備等。健康管理，輕量化場景初見成效。健康管理主要包含健康管理、中醫健康管理、慢性病管理、心理自助服務、心理分級評估與護理、學生心理健康管理服務、遺傳性疾病篩查與預測及慢性非傳染性疾病篩查與預測。在該

48、應用場景中，健康管理、慢性病管理、心理自助服務，以及減重等輕量化場景已成為諸多深耕細分領域企業的發展方向。這些輕量化場景的價值不止于提升健康管理的便捷性與個性化水平，更在于通過低門檻服務觸達海量用戶，積累高頻次健康數據交互，以構建“預防-篩查-干預-康復”的主動健康管理體系奠定數據基礎，為后續整合醫療資源、打通醫保支付、開發精準健康產品提供了規?；涞氐那腥朦c。公共衛生服務，傳染病檢測顯價值。公共衛生服務核心在疾病預防與應急響應，其高效運行依賴多維度數據實時整合與智能決策，大模型的跨模態處理和趨勢預測能力可作為關鍵技術支撐。當前，傳染病智能監測、衛生應急管理、疫苗查漏補種等場景中，僅傳染病監測

49、實現大模型產品落地，其余仍處于探索階段。盡管當前公衛領域并非大模型主流戰場，但其潛力顯著。未來隨著跨部門數據逐步打通，公衛管理在疫情預測、健康公平性評估等復雜場景也將釋放更大效能。大模型多維度促進醫療產業發展。從醫療器械研發、藥物研發，到中醫藥產業發展，大模型的應用幾乎已深入健康產業發展深處，并從多個維度驅動行業發展。藥物研發始終是大模型應用的關鍵領域，在藥物發現和臨床前研究階段，它能夠顯著提高靶點發現的效率，并構建復雜的分子結構。同時，在臨床試驗階段，大模型還能為試驗設計和統計方法的選擇提供支持，從而提高藥物研發的整體效率。延續藥物研發大模型的技術邏輯，醫械領域聚焦產品研發流程優化與注冊申報

50、合規化的大模型產品相繼落地。此外，面向醫療產業多元主體，企業運營管理場景的智能化工具20持續拓展，覆蓋供應鏈風險預測、研發預算智能分配、內部知識庫管理、營銷方案輔助制定等核心環節，以大模型為基礎，構建起“研發優化-合規管理-運營提效”的全鏈條賦能體系。此外，大模型技術對中醫藥新藥研發與產業升級的驅動，也吸引了大批中藥企業進行相關技術探索。如天士力“數智本草”大模型能夠幫助研究者完成中醫藥理論證據的挖掘和總結，也可結合相應算法快捷實現藥材與復方的篩選和優化。而華佗中醫藥聯合亳州市開發的產業級大模型，可基于土壤、氣候、水質等環境數據構建種植決策系統，指導中藥材規范化種植，同時運用大模型技術加速活性

51、成分篩選及復方配伍優化，提升新藥研發效率。醫學教育與科研應用相對成熟。醫學教育與科研場景亦是大模型重要應用領域。教育領域，構建虛實結合仿真課程、提供智能教學工具、生成個性化教學資源與科普內容、打造患者虛擬人用于沉浸式互動教學，以及教學過程全面監測是大模型主要應用方向。但當前大模型在教育領域的應用已不局限于校內教學，而是同步強化基層醫學教育資源下沉與公眾健康知識普及效能?？蒲袌鼍按竽Ｐ蛶缀跻丫邆淙鞒梯o助能力，可借助自然語言處理技術實現文獻深度挖掘、熱點趨勢預測及論文智能撰寫，基于多模態大模型整合病歷、影像、組學等數據，輔助臨床試驗患者智能招募、研究型病房實時監測與科研數據分析建模，以此加速科研

52、成果轉化?？偨Y而言，當前醫療大模型已形成“核心場景深耕+延伸場景拓展”的立體化應用格局。即以醫療機構智能化升級為主，同步向?？漆t療服務、基層公衛信息化、醫學教育創新及產業賦能延伸。差異化價值邏輯形成的技術落地路徑?；谖宕蠛诵膽脠鼍暗慕馕?，各場景基于差異化價值邏輯形成的技術落地路徑主要如下：大型醫療機構：圍繞智慧醫療核心場景向外延伸參考衛生健康行業人工智能應用場景參考指引分類，人工智能技術在大型醫療機構應用占比最高?；诒緢蟾鏀祿y計，當前主流醫療大模型研發亦是圍繞智慧醫療核心場景打造。主要集中于醫療流程優化（輔助決策與診斷、病歷生成、處方審核、用藥輔助）、患者就診管理（預問診、分診、診后隨

53、訪）及院內運營管理（醫療文書質控輔助、智能耗材管理、醫院經濟管理決策支持）等領域。值得一提的是，隨著醫療機構由醫療大模型“被動應用”向“主動研發”的角色升級，圍繞醫療機構研發的大模型產品已開始呈現出更多形態，并向更豐富的場景延伸，各大醫院21均有大模型落地實踐的明確需求與意愿。小型?？漆t療機構：消費醫療與中醫藥智能化賽道正在升溫目前市場已涌現出如口腔、眼科、醫美、心理等醫療大模型，以滿足消費醫療場景需求。在此之中，?？漆t療機構的價值空間也得到進一步釋放，如效率提升、深度連接患者等。但受限于單體機構付費能力弱，且相關產品暫時還難以有獨立的商業價值可言，市場規模擴張緩慢。不過針對該應用場景，中醫藥

54、大模型亮點突出。中醫辨證施治依賴名醫經驗與經典方劑，與大模型知識整合能力高度契合。因此，行業不僅誕生了諸多標桿產品。相關產品在中醫實體機構中亦存在應用空間，特別是線下中醫連鎖實體機構規模性擴張等場景。政府：在基層多個場景實現提質增效面對醫療資源分配不均及慢性病防控壓力增大等現實問題，基層自然成為大模型發揮價值的關鍵領域。該領域大模型落地場景主要為輔助決策、病歷智能生成與質控、患者個性化管理、公共衛生服務等核心環節?，F階段，政府是基層醫療大模型產品的主要買單方。不過，醫共體單位與基層醫療機構也通過分擔采購成本或對接醫保付費等方式，推動相關技術落地應用。藥企：落地仍存在挑戰算法與模型作為制藥 AI

55、 的生命線，其技術迭代始終牽動行業神經。隨著大語言模型席卷醫療領域，新藥研發也經由新一代 AI 重塑，釋放出新的潛能。今年 DeepSeek 問世后，迅速吸引恒瑞醫藥等頭部藥企接入，展現出制藥企業對 AI 技術的付費意愿。不過要真正落地產品仍具有一定挑戰。一是大模型在藥物研發及臨床應用中仍面臨數據質量參差、多樣性不足等問題，模型可解釋性與可信度仍待突破，持續學習機制也需完善；二是在臨床落地階段，大模型技術仍需解決監管合規、多方協作、流程復雜等問題?；颊撸簼撛谕诰蚩臻g明顯2C 市場是醫療大模型最具想象空間的賽道。一旦形成規?；脩舴e累，基于健康數據閉環的生態價值將呈指數級釋放。僅互聯網醫療場景就

56、存在深度挖掘空間，大模型不僅能通過智能對話推動優質醫療資源擴容，更能在醫患交互中精準捕捉潛在就醫需求，構建“需求發現-服務匹配”的閉環路徑。此外，圍繞個人健康管理的深度產品創新具有顛覆性價值，當專屬健康助手成為標配，基于用戶生理指標、病史習慣的定制化健康管理方案，將催生從單次服務到全周期健康干預的市場變革，其中蘊含極大發展空間。22本章小結：醫療大模型進入爆發期，據不完全統計，截至 2025 年 5 月 1 日行業發布醫療大模型已有 133 個，遠超 2024 年全年發布的 94 個、2023 年全年發布的 61 個。報告統計的 288 個醫療大模型中，涉及 12 大類應用場景、56 個細分應

57、用場景，細分應用場景共被提及 814 次，其中醫療服務類被提及最頻繁，高達 430 次，占比近53%。報告統計的醫療大模型中超過九成模型均覆蓋了衛生健康行業人工智能應用場景參考指引中提及的應用場景。文本類醫療大模型中醫療 IT 應用場景占比最大；影像類醫療大模型技術最為成熟；藥物研發類大模型亟待為行業帶來顛覆性變化；中醫類大模型在多方力量推動下迎來快速發展。醫療大模型正圍繞大型醫療機構、小型?？漆t療機構、政府、藥企和患者的服務全面賦能，加速落地。2324第第三三章章 醫療大模型在多應用場景率先跑通商業化醫療大模型在多應用場景率先跑通商業化3.13.1 滲透率受多方影響，需共同驅動商業化落地滲透

58、率受多方影響，需共同驅動商業化落地醫療大模型的落地應用滲透率受多端的影響。需求端，首先需要有明確的、真實的痛點需求，其次需要有足夠大的市場空間吸引科技企業及資本布局賽道。在需求驗證之后，企業端需要充分驗證相關產品打造的可行性，例如技術是否足夠支撐、數據是否足夠精準等。最后，大規模的商業化落地還有賴于相關部門的政策支持，從技術發展、市場準入、產品性能驗證、收費等環節給予指引。聽市場痛點指引。醫療大模型被應用于醫療服務的各個環節、眾多場景。就滲透率而言，痛點的強烈程度與醫療大模型的滲透率正相關。例如，在醫療資源越是短缺的場景、在醫療結果越是欠佳的領域，對于人工智能技術能夠帶來的提質增效，甚至賦能做

59、到現有體系無法完成的事情的需求就越強烈。被市場規模吸引。醫療大模型賦能下能夠帶來的價值空間越大，對于醫療大模型的建立越有吸引力，這意味著產品一旦成功擁有巨大的市場來獲得經濟回報。因此，市場規模的大小也與吸引力呈正相關。如靶點發現、超聲輔助診斷等領域，產品打造難度不小，卻依然吸引了眾多企業加入。需高質量數據支持，待驗證體系考核。如第一章所述，人工智能技術發展十分迅速，加之行業越來越多開源模型和醫療領域預訓練模型可以嫁接使用。對于行業能否產出解決痛點的醫療大模型的難點更多在于是否能夠獲取產品訓練所需的高質量數據。而數據，又可以進一步從標準化程度、處理難度等維度來分析產品研發的難度。數據越是標準、數

60、據處理門檻越低，越容易或者說能更快、成本更低地打造出相關醫療大模型產品。從“產品”到“商品”的過程還需要過性能驗證這一關。性能驗證方式的直觀性、容易程度、共識程度等與滲透率呈正相關。例如，放射影響類的大模型，性能可直觀與放射醫生結果對比且“是”與“否”的判定容易，并且可以通過獲得國家醫療器械證獲得有力的證明，其在性能驗證這一環節顯得更為容易。被政策法規管制。政策和法規主要通過鼓勵、指引及監管環節影響醫療大模型的滲透率。在此維度，醫療體系相比于直接 toC 的應用領域，政策法規對其滲透率的影響更高。其次，就院內場景使用的大模型而言，政策的完善程度與滲透率呈正相關。合規路徑越清晰（如是否需要獲批器

61、械證、數據如果更合規使用）、醫生使用責權越清晰，與其滲透率呈正相關。例如，2024 年底發布的 AI 具體應用場景的指引所涵蓋的場景擁有更“完善”的政策，對提升滲透率是一個有利因素。25圖表 13 醫療大模型滲透率影響因素資料來源：公開信息，動脈智庫整理基于此滲透邏輯，目前醫療大模型在放射類影像輔助診斷滲透率最高，據調研估計，滲透率接近 40%。此外，輔助檢查報告解讀與結構化、病案質控、輔助問診/導診類工具、臨床輔助決策、涵蓋智慧病歷書寫等功能的醫生助手、科研場景、藥物研發、健康管理等應用場景滲透率其次。我們將在接下來的小節逐一解析其影響因素。3.23.2“嚴肅嚴肅”和和“輔助輔助”醫療應用場

62、景各有標桿醫療應用場景各有標桿適用于院內（包括基層）的醫療大模型從臨床應用場景不同可以分為嚴肅醫療大模型和輔助醫療大模型。前者圍繞醫生的檢查和診斷環節，旨在達到與高年資醫生同樣的檢查和診斷水平，主要應用范疇如放射影像、超聲影像、病理影像診斷、治療方案生成等。該類大模型需受藥監局監管，獲得相關醫療器械證后進入臨床使用。后者圍繞醫生（檢查和診斷以外的工作流）、患者、醫院管理，旨在為整個院內場景提質增效，應用范疇如 CDSS、病歷書寫助手、醫生科研助手、預診助手、患者診前診后管理、病案質控等。該類大模型需完成網信辦備案，無嚴格的獲證要求。值得一提的是，就單個醫療大模型而言并非只能擁有一種類型應用場景

63、，其可同時在兩類場景應用或賦能兩類場景的相關應用開發。如專注影像領域的數坤科技、脈得智能、透徹未來等企業推出的相關大模型，助力精準診斷的同時也賦能科室醫生全工作流，如病歷書寫、數據管理、科研教學等。由于醫療大模型的應用方式兼具“產品”和“平臺”屬性，即其既可作為產品直接應用，也可作為“平臺”賦能進一步人工智能產品升級或研發。因此，在落地成熟度的討論中，我們將兩種應用形式均考慮其中，作為“平臺”屬性時，將通過其賦能的人工智能應用落地26程度進行評估。3.2.13.2.1 嚴肅醫療大模型嚴肅醫療大模型-影像走在最前列影像走在最前列應用于嚴肅醫療場景的大模型，在影像輔助診斷領域走在最前面，其中細分領

64、域又數放射影像落地應用最為成熟，其次是超聲及病理領域。影像大模型給出定性分析，發展更快。嚴肅醫療大模型在整個影像輔助診斷領域應用滲透率最高，或與其需給出定性分析的任務性質有關。從大模型訓練方式及應用目的出發，醫療大模型又可分為判別式大模型與生成式大模型。前者學習條件概率，生成的空間受限，類似于回答封閉式判斷題，因此準確度相對更高；后者學習聯合概率，生成的空間不受限制，類似于回答開放式問答題，因此輸出結果可控性更弱。圖表 14 判別式與生成式大模型部分性能對比資料來源：公開信息，動脈智庫整理判別式大模型由于更高的結果可控性更易提高精準度、更易貼近于臨床醫生表現，在嚴肅醫療場景的應用價值體現也更加

65、直觀。因此，目前以影像輔助診斷為代表的判別類的嚴肅醫療大模型，發展和推進的階段更加成熟。除其模型應用性質外，輔助診斷類影像大模型走在應用最前列的共性原因還有兩點。一是在性能驗證環節的優勢，該類產品擁有明確的評估標準，例如“敏感度”“特異性”等量化評估指標，其性能驗證直觀。二是在政策完善度的優勢，其監管路徑相對清晰，通過獲得國家藥監局的醫療器械資格證獲得明確的“入場券”推進商業化推廣，加之醫檢互認的促進推動其更快應用落地。數據處理難度影響大模型研發門檻。進一步細分影像大模型應用場景發現，按照放射、超聲及病理的順序逐一產品數量更少、市場應用更早期，其重要影響因素是細分領域數據處理難度的不同。接下來

66、，我們將分別對三個具體應用場景進行解析，逐一解析評估維度中數據標準化、可及性，醫療邏輯可及性對產品研發門檻的影響，此外還有政策相關度及使用者動力對其發展的影響。放射影像標準化數據縮短研發“入門”時間。無論是人工智能產品或是相關醫療大模型，放射影像27能夠成為發展最為成熟的細分應用場景，其標準化數據及醫療邏輯的可及性是其重要基礎。放射影像的數據為靜態標準格式的圖片，且色彩相對統一，標準化程度較高，且對相關影像圖片進行標注的標準化程度也相對較高。這使得企業在研發過程中可以縮短數據標準化整理過程并一定程度降低數據標注環節對專家的依賴程度。這無疑縮短了放射影像類大模型的研發時間，助力在訓練中獲得與臨床

67、專家一致的診斷能力。據智藥局數據，截至 2025 年 3 月，國家藥監局已批準 99 張 AI 放射影像三類證。排在前列的影像三類證獲得者數坤科技、深睿醫療和推想醫療均推出相關醫療大模型，助力全線產品迭代升級的同時提升模型性能不斷朝臨床應用級靠攏?！翱捎谩钡健昂糜谩弊尫派溆跋翊竽Ｐ蛷摹爱a品”變為“商品”。數據處理難度的優勢，讓放射影像產品化更早，但要實現其商品化并大規模落地應用，不僅需要讓臨床“用”，更要讓臨床覺得“好用”。目前，AI 影像產品在試用期，由于其優異的性能通常能夠獲得臨床的積極反饋和活躍使用，但其長期應用于臨床還涉及醫生工作流程的變化。如何能夠將影像產品更好融入臨床工作流，培養臨

68、床使用習慣，進而提升使用者動力，是進一步提升影像 AI 滲透率的重點。這一步，行業已有企業積極布局并已見成效。如數坤科技基于其多模態大模型數坤坤，完成了從診斷、教學、科研、隨訪和科室管理等的全工作流串聯，為影像科醫生提供了全鏈路的數智化輔助工具。在北京市科委舉辦的行業大模型創新應用大賽中，數坤坤以 99（共 100 個）個病例診斷與專家評委一致、1 個優于專家評委的優異性能拔得頭籌，做到像真人醫生一樣工作和思考。高精準度和一站式服務的性能推動數坤坤從“產品”到“商品”的轉變，加速滲透落地。超聲影像巨大市場空間吸引玩家勇攀技術高峰。超聲檢查擁有無輻射、無創且便捷和經濟的特性，加上超聲設備的便捷性

69、和應用環境多樣性，其檢查量及市場規模遠遠大于放射影像。此外，超聲檢查建議的準確性高度依賴檢查醫生的手法及經驗，培養專業超聲醫生的速度遠遠趕不上每年超聲檢查的增量，因此，行業對人工智能賦能的需求也日益迫切。在巨大市場規模和強烈市場需求下，近年來超聲人工智能領域也吸引了越來越多的企業。不過超聲影像數據的處理難度也給賽道醫療大模型鑄造了不低的門檻。超聲影像的數據為動態視頻格式，且需要在檢查當時做出診斷建議，因此，“實時”是對于超聲人工智能產品的重要要求，需要其在檢查過程中做出實時質控及實時診斷分析。由于數據格式及要求的不同，在數據標準化程度和醫療邏輯可及性方面不及放射影像領域，也因此其在數據處理階段

70、或需要花費更多精力并且更依賴經驗專家進行數據標注。這也不難解釋為什么國家藥監局批準的超聲輔助診斷軟件三類證寥寥無幾，目前僅脈得智能、醫準科技等獲得了相關三類證批準。28超聲影像大模型性能逐步驗證。在腫瘤診斷的醫療流程中，通常超聲給出相關建議后，必要時患者將進行放射或病理的進一步檢查。事實上，由于超聲醫生的技術差異，進一步檢查的概率并不低，而其中不乏一些本可以避免的進一步檢查，尤其在基層等醫療資源欠缺的情況下更是如此。因此，要在超聲領域實現“低年資醫生+AI=高年資醫生”的人工智能使命，或許需要超聲輔助診斷產品的準確性不斷向病理結果靠近。目前，行業也不乏朝此方向努力的企業并已初顯成效。如脈得智能

71、于今年 3 月份獲得三類醫療器械證的“甲狀腺結節超聲影像輔助診斷軟件”，融合臨床真實診療場景訓練 AI 模型，實現了結節良惡性的超高精準判斷。其臨床測試結果顯示，該產品甲狀腺結節良惡性判別準確度高達 96%，與組織病理結果高度一致。政策驅動落地吸引力提升。超聲設備的輕便與應用環境靈活性，使得超聲檢查在人工智能輔助下，可由影像科向臨床科室前移，拓寬原本影像科的使用場景，帶來市場增量。另一方面，去年底發布的衛生健康行業人工智能應用場景參考指引使得超聲人工智能產品的使用可向 C 端收費，使超聲醫療大模型及人工智能應用從醫院單純的成本項轉為“增收工具”，無疑提升了落地吸引力，助力超聲影像大模型及人工智

72、能應用進一步提升滲透率。如上提到的脈得智能，在政策紅利中，其三類證產品“甲狀腺結節超聲影像輔助診斷軟件”通過為臨床科室增收，在獲證后僅幾個月時間便迅速落地 500 余家醫院、輻射上千家機構、實現千萬級營收并獲得千萬級營收。病理影像“金標準”對大模型提出了高要求。病理檢查作為腫瘤診斷的金標準，其嚴肅性較超聲和放射影像更進一步，這也對該領域醫療大模型提出了更高的要求。行業對準確性雖然沒有統一的要求，但敏感度無限接近于 100%是病理領域人工智能企業的默契。除此之外，病理領域大模型研發條件也相對苛刻。首先，病理影像的圖片標準化程度低，且由于病理影像數據復雜、廠商利益壁壘等原因，標準化推進程度緩慢，這

73、意味著在數據處理及標注上需要投入更多人力物力。其次，我國病理醫生數量嚴重不足，稀缺的專家資源也提高了數據處理的門檻。病理大模型多維度構筑核心競爭力。出于不同病理醫生之手的影像圖片，其染色后的圖像差異度大，這要求大模型擁有極強的泛化能力能夠識別并處理這些圖像。病理大模型通常是與頭部教學醫院共研訓練而得，泛化能力不足的產品在同級別染色水平下能夠表現出優異性能，而在二級及以下醫療機構假陽性率高，這無法完成助力優質醫療資源下沉的使命。因此，在病理領域要實現“低年資醫生+AI=高年資醫生”的人工智能使命，病理大模型的泛化能力十分關鍵。強泛化能力能讓模型不僅在頭部醫院，在二級及以下醫療機構依然能穩定地展示

74、產品的準確度。例如透徹未來基于其大模型 Thorough Brain2.0，賦能其 AI 病理產品 Thorough Insights 4.0 達到專業臨床應用級性能，支持包括胃、29腸、食管、胰腺、肺、前列腺、乳腺、子宮內膜、宮頸、泛器官淋巴結等十余種高發腫瘤器官的病理智能分析，精準定位癌變區域并完成疾病分型，其在大型醫院的臨床病理應用中，敏感度接近 100%，特異性超過 94%，在中小型醫院的敏感度同樣接近 100%，特異性超過 90%，無疑為 Thorough Brain 2.0 構筑了核心競爭力。大模型是否真的能賦能 AI 應用輔助醫生有效提升工作效率，病理閱片的時間是另一個考量產品性

75、能的維度。透徹未來在此方面也給出了不錯的數據表現，在病理科的實際應用中，1000 TFLOPS標準配置服務器能夠在 8 小時內分析超過 1300 張小標本切片或 450 張大標本切片，目前已在數百家醫療機構落地應用。憑借 Thorough Insights 4.0，病理醫生的診斷效率也獲得了超 50%的顯著提升。此外，作為金標準，病理可能直接影響治療方案，病理醫生對人工智能的使用通常會更加謹慎。單純給出“是”與“否”的結論，病理醫生可能依然會按照傳統流程親自進行診斷驗證其準確性，阻礙人工智能輔助臨床提升效率的性能顯現。因此，病理大模型的可解釋性或是其另一個核心競爭力，在給出定性結果的同時，充分

76、展示其判斷邏輯和專業依據，增強信任，幫助醫生從被動接受結果轉為主動利用人工智能實現精準診療。目前，行業已出現擁有相關核心競爭力的病理大模型。如醫策科技發布的病理多模態大模型“靈眸”，其中包含了企業創新構建的病理思維鏈框架（Pathology Chain-of-Thought），該框架采用逐層推理解析技術與可解釋性融合機制，可以在給出診斷結果的同時為病理醫生充分還原診斷的臨床思維路徑，降低信任門檻，讓更多病理醫生可以放心使用“靈眸”帶來的在 9 個器官涵蓋 57 種腫瘤亞型的臨床級病理輔助診斷服務。最后，可及性也是大模型在應用推廣落地中的核心競爭力之一。眾所周知大模型需要強大的算力支撐，如果大模

77、型的使用附帶著動輒上百萬的 GPU 購置成本，無疑會勸退一部分潛在使用者。使用端的現狀也促使大模型企業不斷優化其單位算力下的性能，讓大模型“大而不重”，提升模型的可及性，進而推動商業化落地。如透徹未來、醫策科技等病理醫療大模型企業，均通過技術優化實現輕量級私有化部署，在促進各自商業化進程的同時，更是共同推動了病理人工智能行業的發展?？梢?，正如行業調研中醫策科技創始人&CEO 王曉梅所說，醫療大模型的目標不僅僅是打造臨床應用級的高性能產品，更要讓臨床愿意用、用得起和用得好，通過產品真正為臨床帶去價值。秉承這樣的理念，“靈眸”大模型已于數百家海內外醫療機構落地?？煽啃?、可用性、可及性是嚴肅醫療大模

78、型共性需求。其實，不光在病理領域，對于所有應用于嚴肅醫療場景的大模型可及性都是共性的需求，此外可靠性、可用性也是重要訴求。30圖表 15 嚴肅醫療大模型性能共需資料來源：公開資料、調研訪談，動脈智庫智能整理通常來說，大模型或其賦能的 AI 應用產品獲得醫療器械證是保證其安全、有效的可靠性的關鍵，使之擁有進入市場進行推廣的入場券。此外，他們需要在臨床應用中展現出符合使用者工作流程、較現流程更高效、與人工結果高度一致甚至優于人工操作結果的可用性?？煽啃?、可用性和可及性是醫療大模型在嚴肅醫療場景想要落地的必要條件。醫工結合貫穿大模型產品始終。嚴肅醫療類大模型的未來發展是明確的，那就是朝著人類臨床專家

79、的能力不斷靠近。這需要專家不僅在模型訓練時的加入，而是從產品設計開始，到大模型不斷迭代中對大模型的持續“引領”作用。在產品設計階段，專家指引能讓大模型精準找到真實的應用場景，鎖定其功能開發方向；在投入使用后的迭代階段，則是更為重要的專業、直觀的反饋。如第一章討論過，大模型的性能缺乏行業共性評估體系，從具體業務表現中去驗證是目前最簡單和可行的方式，因此醫工結合不僅在產品研發階段，在產品推入市場的應用階段也十分重要。比如，京東健康發布了業內首個醫院全場景應用大模型產品京東卓醫（JOY DOC），致力于讓患者看病更舒心、醫生臨床科研更高效、醫院整體運營更輕松。目前，京東卓醫已在溫州醫科大學附屬第一醫

80、院落地應用，雙方合作打造的基于大模型驅動的門診患者服務流程閉環，涵蓋就醫主入口、診前智能預約、預問診病史采集、診中數字陪診、診后一清單、數字人宣教等核心應用，全面覆蓋患者就醫各個環節，目前已累計服務患者超 180 萬人次。綜上所述，應用于嚴肅醫療場景的大模型中，目前以影像輔助診斷為代表的定性場景中應用更加成熟，根據產品研發門檻不同，成熟度在放射影像、超聲影像、病理影像三大領域依次遞減。我們觀察到，行業領先、跑通商業化的大模型企業均通過深度醫工結合，在高質量數據和先進人工智能技術融合下，通過打造可靠、可用和可及的人工智能產品，共同推動大模型在嚴肅醫療應用場景的滲透。313.2.23.2.2 輔助

81、醫療大模型輔助醫療大模型-展現超強靈活性展現超強靈活性相較嚴肅醫療大模型通常覆蓋?？茟妙I域，輔助醫療大模型覆蓋了更加廣泛、更加靈活的應用場景。為了更清晰厘清其應用范圍，我們從服務主體出發，將輔助醫療大模型應用范疇分為圍繞醫生、圍繞患者、圍繞醫院管理的三類。圖表 16 輔助醫療大模型應用場景分類資料來源：公開信息，動脈智庫整理目前，輔助醫療大模型整體而言比嚴肅醫療大模型落地應用推廣進程更成熟，其中圍繞醫生的諸多提質增效的人工智能工具應用最為廣泛。多場景應用需要大模型更加“靈活”。不難看出，比起嚴肅醫療大模型，輔助醫療大模型覆蓋的場景更多、更廣，且同一場景的應用，機構與機構之間也存在不同的要求，

82、因此需要大模型更加靈活。其靈活性的其中一個體現在產品的性質上，不同于嚴肅醫療大模型“模型即產品”的要求，輔助醫療大模型往往更需要體現其“基座”的性質，即提供賦能院內多場景提質增效所需要的醫學知識、政策法規和安全要求等數據資料的多模態數據，并訓練模型擁有醫療行業的決策邏輯。醫療機構可以將其作為全院人工智能產品的基礎和管理平臺，將所有的人工智能服務統籌起來，也可以基于大模型基礎進一步研發，圍繞不同主體、應用于不同場景的人工智能產品，以更好地進行全院級數智化管理。如神州醫療大模型 2.0，是一個擁有文本、影像、病理、基因、時序數據處理能力的多模態大模型，其可以作為全院人工智能應用監管的“駕駛艙”，也

83、是各應用場景人工智能產品打造的專業基礎。企業基于此大模型已經開發了包括罕見病、腦腫瘤、兒童免疫缺陷等在內的 20 個?？茍鼍癆I 應用產品，圍繞醫生、患者和醫院不同使用方提供多應用場景的 AI 工具，助力提升效率、就醫體驗等。此外，行業還出現了支持使用者基于大模型自主建立人工智能服務工具的靈活方式。如32醫渡科技，為行業提供“大數據+大模型”雙中臺，使用者可以在其中臺上構建自己的小模型和智能體。目前已經在 20 余家頭部醫院上線，其中 80%的用戶為醫生群體，在平臺上自建智能體助力診療科研教學及患者服務等日常工作流，市場使用率極高。大模型性質的靈活也讓部署方式和采購方式靈活了起來，醫院可以單獨

84、采購大模型、同時采購大模型及產品，還可以在大模型基礎上與企業共研更加滿足個性化需求的 AI 應用產品等?！按竽Ｐ?應用”的靈活產品屬性，讓醫療機構可以根據自身需求及預算靈活選擇適合自己的人工智能解決方案。由此可見，可賦能二次開發的、靈活的輔助醫療大模型除了具體的應用產品價值，還被賦予了多一層助力人工智能落地、推動行業發展的使命與能力。除了靈活的專業醫療大模型，行業還出現了開源醫療大模型，助力推動人工智能生態發展。2025 年初，京東健康的“京醫千詢”宣布全面開源，“透明化”的技術架構一方面直觀向行業展現了“京醫千詢”的技術實力，另一方面也想通過技術共建與行業一同攜手推動人工智能服務進一步落地。

85、行業越來越多專業預訓練大模型能夠幫助初創企業避免從零打造醫療大模型的高成本，降低模型研發門檻，甚至通過更優質的數據助力提升模型性能。輔助醫療大模型三大賦能路徑。綜上所述，輔助醫療大模型可歸納為三大賦能路徑。首先是對自有產品的全線賦能。在大模型興起，眾多人工智能企業迅速基于自身數據優勢，在布局領域推出相關大模型，并基于此優化產品研發效率與成本、提升產品性能與表現。其次，在大模型的賦能下推出新的原生產品，擴大自身服務范圍和產品應用領域。最后就是對行業的賦能，與企業共創，雙向賦能，共同推動人工智能發展與落地。圖表 17 輔助醫療大模型三大賦能路徑資料來源：調研訪談，動脈智庫整理如上文所述，醫療大模型

86、可以同時用于或賦能應用與嚴肅醫療場景及輔助類應用場景的相關產品研發，因此兩類大模型并沒有十分嚴格的區別界限。不過無論哪一類醫療大模型，都將圍繞提升其循證推理能力、醫學知識理解能力和多模態數據處理能力的方向迭33代，從而無限接近甚至超過真人使用者的表現。3.2.33.2.3 醫療大模型賦能基層醫療大模型賦能基層-標的落地場景標的落地場景基層由于其健康職能定位的特殊性，醫療大模型在該場景的推廣應用又有自身的獨特之處。政策+剛需，基層是最佳落地場景。2024 年 8 月，中共中央關于進一步全面深化改革、推進中國式現代化的決定明確提出“強化基層醫療衛生服務”；同年底衛生健康行業人工智能應用場景參考指引

87、發布，“人工智能+基層公衛服務”是此次應用場景指引的五大板塊之一，指引明確給出了圍繞健康管理服務、公共衛生服務和養老托育服務三個應用領域的 23 個應用場景。政策的有力推動下，人工智能在基層的落地不但有了更強的市場準入政策依據，更是明確了落地的切入口，引導供需雙方更快達成應用共識，推動落地加速?；鶎有l生健康工作是滿足人民群眾健康需求的第一道防線，也是衛生與健康工作的重點。目前，基層醫療衛生機構正以三分之一的衛生人力資源，提供全國一半以上的診療服務量以及絕大多數的基本公共衛生服務。隨著國民健康意識增強，人口老齡化、慢病人群數量攀升，基層的任務愈發重要及繁多，醫生數量短缺的矛盾也將隨之加劇。在政策

88、和剛需的推動下，基層成為醫療人工智能落地的絕佳場景，而對于近年來興起的醫療大模型亦是如此。目前，諸多醫療大模型企業，如訊飛醫療、神州醫療、數坤科技等均有基層應用場景布局，并成功實現商業化閉環。標準化：為醫生提質增效、提高群眾信任?；鶎俞t生通常為全科醫生，需要涉獵的疾病種類和藥物種類廣泛，作為疾病預防、治療的第一道防線，比起對疑難病例的處理能力，更需要基層醫生擁有對常見病及慢病不錯診、不漏診及合理用藥的“標準化”能力。此外，“標準化”能力還體現在如隨訪和健康檔案管理的公共衛生服務之中。而對于患者或居民而言，也需要得到與上級醫院同質化的診療結果來提升對基層醫療的信任程度。醫療大模型對海量、多模態知

89、識的學習吸收能力及其標準化輸出能力完美契合基層“標準化”訴求。近年來，大模型賦能下的全科輔助診療應用在基層展現出優異成效，也推動了其在基層的滲透率逐步提升。如訊飛醫療的“智醫助理”早在 2017 年就成為全球首個通過國家執業醫師資格考試綜合筆試的人工智能機器人，取得 456 分成績(滿分 600分)，超過 96.3%的人類考生。實際落地應用中聚焦基層醫療場景，通過“智醫助理”賦能全科醫生，在常見病診療規范化和效率提升方面取得顯著成效。通過今年發布的星火醫療大模型 X1 賦能后，智醫助理實現了核心性能顯著提升合理用藥審核正確率達3495%以上，基層高發常見病診斷 TOP1 推薦合理率突破 95%

90、，系統在為基層醫生提供高效輔助診療支持的同時，有效提升居民對基層醫療服務的信任度。截至 2025 年 4 月，產品已落地全國 31 個省市的 682 個區縣超 73000 個基層醫療機構，服務超 220000 名基層醫生，累計提供超 9.7 億次 AI 輔診建議。此外，今年 CMEF 亮相的數坤“數字醫生智能體團隊”，作為其數智基層 3.0 解決方案的核心一環，在數坤坤大模型的賦能下構建起“基層醫療機構防控篩查醫聯體中心醫院診斷治療上層衛健委統籌管理”的高效協同體系，一經亮相便快速滲透，目前已落地北京昌平、蘇州吳中、河北保定、寧夏中衛、深圳福田等多個城市和地區。靈活部署：提升大模型應用可及性。

91、大模型的部署和應用對服務器和網絡等技術基礎建設也提出了更高的要求。如大模型的落地需要基層進行相關基礎建設的打造為前提，無疑會增加基層的使用門檻，限速大模型滲透。為此，行業也出現了靈活的部署模式，為基層提供“開箱即用”的、包含了算力和人工智能應用于一體的一體機。如訊飛醫療、數坤科技等均聯合華為共同推出融入了醫療大模型的一體機，不僅部署方便，還通過技術創新提升單位算力下的性能，從而降低使用成本，提升基層對大模型應用的可及性。值得一提的是，該類一體機并不僅限于基層應用場景，而是針對所有醫療機構都可選擇的部署方式，不過一體機形式的出現，對于如基層等相對來說“小而輕”的應用場景促進更為明顯。整體化：加速

92、商業化滲透。雖然基層是大模型的絕佳應用場景，但大模型或其賦能的AI 應用滲透率還有很大的空間。區別于大型醫療機構單個突破的商業化模式，基層更多需要政府或醫聯體、醫共體統籌的整體化商業模式，進行相關數智化升級，從而加速商業化滲透。未來，隨著大模型對人工智能服務的進一步賦能，除了顯著的提質增效，對基層更大的價值綻放在于提供“新的能力”，如神州醫療以其大模型為底座，憑借其在 20個?？祁I域的產品優勢，與頭部醫院聯合打造?？茢底轴t生下基層或是一個值得探索的方向?？偟膩碚f，無論是用于嚴肅醫療場景還是輔助為主的醫療大模型，目前都在通過不斷提升大模型標準化服務能力、提升可及性及打造整體化商業戰略中加速推進大

93、模型在基層應用場景的落地。3.33.3 院外醫療大模型助力院外醫療大模型助力“提供工具提供工具”向向“提供價值提供價值”轉變轉變如嚴肅醫療大模型和輔助醫療大模型無嚴格區分標準一樣，院外醫療大模型板塊也是從應用場景類型出發，研究醫療大模型在該場景的應用落地情況。事實上，行業不少醫療大模型可同時應用于院內及院外多場景賦能。如脈得智能自研大模型基座，賦能其超聲35影像輔助診斷全系列產品向病理精準度看齊的同時，也助力其在生物信息數據分析、病原微生物高通量基因檢測等賽道相關 AI 業務落地。神州醫療，依托雙引擎多模態大模型底座，全面覆蓋臨床科室、醫技科室主要應用環節；快速拓展院內輔助診療、院外健康管理等

94、 40 余類場景。醫策科技基于“靈眸”大模型不但賦予病理醫生臨床級輔助診斷產品和解決方案，也在醫藥研發病理 CRO 服務中得到深入應用，已完成了數千個病理CRO 服務項目。訊飛醫療早在 2017 年就聯合中國科學技術大學附屬第一醫院（安徽省立醫院）成立全國首家智慧醫院，近年來，通過星火醫療大模型的迭代升級與深度賦能，實現醫療場景 AI 化與全流程優化，逐步將服務從院內延伸至院外，在提高醫生工作效率和醫療服務質量同時提升患者就醫滿意度和獲得感，目前已合作超 500 家等級醫院。據企業最新財報顯示，B 端業務已實現 103.4%的高速增長。東蔓醫療的智能腫瘤輔助決策系統和 DawnMed 黎明醫療

95、模型布局院內的同時，也與影像企業、商業保險及健康管理機構等深度協作。此外，醫渡科技、京東科技等大模型企業也均基于大模型底座，賦能院內與院外多場景人工智能應用。院外的應用場景，受到的政策監管和約束相對較少，在模型性能能夠滿足的應用場景需求后，達成合作的環節更加直接和簡單。因此，在大模型能夠顯著提升效率、降低成本的應用場景，行業已有應用落地成熟的案例出現。我們將以臨床研究及對 C 端的健康管理為例，解析其發展滲透率的現狀。3.3.13.3.1 藥物研發藥物研發-亟待極致效率提升帶來質變亟待極致效率提升帶來質變藥物研發超大的人工智能應用市場規模，以及極大的提質增效空間，散發著巨大的人工智能應用探索吸

96、引力。其實，AI 應用在藥物研發領域探索不算短，大模型的加持，除了原有 AI 能力的提升，或許還能帶來新的能力賦能行業發展。多環節人工智能服務滲透。藥物研發囊括了藥物發現階段、臨床前階段、臨床階段，以及上市后的真實世界研究。人工智能的應用也充斥著長鏈條的各個環節。36圖表 18 人工智能在藥物研發各環節應用場景舉例資料來源：公開資料，動脈智庫整理人工智能也需要“術業有專攻”。藥物研究的多環節、不同具體的應用場景領域，所用到的人工智能服務不同，這也意味著針對特定環節的賦能大模型也需要“術業有專攻”，由此對訓練數據的類型和來源也有所不同。例如用于臨床試驗階段的大模型，該階段核心訴求集中在中心與患者

97、的篩選、試驗設計和優化、數據文件管理的能力以及風險預測決策支持等，對數據實時處理和倫理合規要求極高。因此，除了對相關法律法規的學習和理解，對于大模型的訓練還需要來自真實臨床試驗沉淀下來的數據，不僅從中學習相關專業的知識，更需要學習相關專業的干預和反饋機制，也就是習得實時處理的能力。例如，當發現風險的時候，需要人工智能服務提供預警的同時，可以在大模型的賦能下同時進行相關的風險處理動作。有了“動作”的學習，人工智能服務才能跳脫出數字客服或超大知識庫給出的響應式服務，進而升級為有主動執行能力的管理式服務，真正為申辦方提供有責任感的“數字員工”而不是單純的數據管理工具。如太美醫療科技發布的文思智能（W

98、iz.AI）平臺，其能力基座除海量的專業知識、法律法規、公開數據外，還有其十余年 5000 余項臨床研究項目運營經驗，為其人工智能臨床試驗服務奠定了核心競爭力?；诔錾木C合實力，文思在實際業務場景中擁有強大的落地能力，以賦能 SaaS 和服務在各應用場景中發揮智能化的管理職能，而非單一的智能問答。除了數據基礎外，對于人工智能服務的全面性和統一性也至關重要。臨床試驗流程涉及多中心、多執行方、多監管方、多數據種類且長周期，人工智能服務需要保證數據及文件的橫向和縱向一致，也就是來自不同中心，尤其是涉及不同語言種類的數據和文件的橫向一致；以及來自同一受試者或試驗中心從始至終的數據和文件的縱向一致。因

99、此，對于相關的產品而言，不僅要覆蓋全場景，更需要有效的統籌。這一訴求，在大模型的加持下也可以更好地被滿足。如太美醫療科技早在 2019 年便推出了 Trails 平臺，整合針對臨床試驗的全流程 40 余款 SaaS 軟件及數字化服務，進行統一性管理。在文思人37工智能平臺的加持下，顯著提升了 Trails 平臺的融合和調動能力，讓全流程不僅高效，而且更加智能。再如藥物研發領域，有了大模型的賦能也為多年的人工智能應用再添利器。首先，大模型的應用增加了 AI 結果的可解釋性，從而提升信任度，讓使用者可以明白并判斷其可靠程度，從而提升 AI 服務的接受度。其次，大模型顯著降低了專業知識的理解和應用門

100、檻，極大提升相關步驟效率?？梢?，效率的提升在行業已有共識。但研發的能力驗證還在路上，目前還未有通過 AI 研發的藥物走到上市階段，這也讓行業對其態度逐步謹慎。目前，在藥物研發領域，相較于效率和應用工具，企業更愿意為價值結果付費。不過，盡管如此，藥物研發領域依然充滿了積極的信號。如據2024 醫療人工智能研究報告數據，2023 年及 2024 年（截至 2024 年 9 月 5 日）期間收集到 MNC 與制藥企業之間的合作共 55 起，其中 24 起合作研發或授權交易是與 AI 藥物研發類企業簽署，占比高達 43.64%。此外，同數據收集時間段內，英偉達共參與投資超過 70 起，所有投資無一例外

101、，均與 AI 相關，而其中至少投注 AI 制藥企業 14 家，醫療其他領域企業 8家。2025 年 2 月英偉達還聯合美國弧形研究所、斯坦福大學、加州大學伯克利分校、加州大學舊金山分校等科研人員聯合推出開源生物學 AI 大模型 Evo2，其完整版擁有高達 400 億參數，包含 12.8 萬個物種的 9.3 萬億個核苷酸，成為史上最大開源 AI 生物學模型。該模型精通生物學的基本語言（DNA、RNA 和蛋白質），能夠一次分析長達一百萬個核苷酸的序列長度。作為基因組基礎模型，具有生成整個基因組、預測突變、理解非編碼 DNA 的能力，可廣泛應用于生物分子研究，精準醫學、藥物研發，合成生物等領域。而就

102、在同一天，清華大學人工智能產業研究院（AIR）與北京水木分子聯合發布了升級版生物醫藥多模態開源基礎大模型 BioMedGPT-R1。該模型用 DeepSeek R1蒸餾版本模型更新百億參數規模的開源 BioMedGPT 中的文本基座模型，在 USMLE 美國醫師資格考試上達到了 67.1%正確率，效果逼近人類專家水平。該類大模型有望顯著提升 AI 制藥效率及降低其研發門檻。未來，相信在多類醫療大模型的助力下，AI 制藥的巨大價值將加速體現，行業亟待一款AI 研發藥物上市，激發 AI 制藥釋放巨大的潛力市場。3.3.23.3.2 C C 端健康管理端健康管理-打造輕中重個性化服務打造輕中重個性化

103、服務另一個院外擁有高吸引力的大模型落地場景是面向 C 端的健康管理服務。輕量級服務：做群眾的 AI 健康助手。自 2016 年健康中國 2030發布以來，國民對健康的重視程度持續增強，并逐步從“疾病治療”向“疾病預防”前移、從“被動治療”向“主動健康”轉變。隨之而來的就是更多的健康服務需求，例如亞健康狀態改善、日常偶發性不適的咨詢、體檢報告解讀、藥物及疾病知識學習、個人健康檔案管理及疾病預防等。38傳統的醫療體系顯然難以支撐該類激增的健康服務需求，因而大模型的應用可很大程度解決健康服務能力供給不足的情況，目前行業已有不少理想的解決方案。例如訊飛醫療，推出首款面向居民的 AI 健康助手應用訊飛曉

104、醫，依托星火醫療大模型億級高質量權威醫學知識數據庫，為用戶打造個人數字健康空間，覆蓋“看病前、用藥時、檢查后”三大核心健康場景，提供癥狀自查、藥物查詢、報告解讀和個性化健康檔案管理等服務。目前，訊飛曉醫 APP 已覆蓋高頻常見疾病 1600 余種、常見癥狀 2000 余種、常見藥品 4000余種、常見檢查項目 6000 余項，用戶滿意度達 98。醫渡科技基于自研大模型推出私人健康顧問“醫渡健康”小程序，已與“惠民?！睒I務深度結合，利用先進的生成式 AI技術和多模態理解能力，面向超過 500 萬名公司的“惠民?！庇脩籼峁┙】底稍?、癥狀導診、報告解讀、健康檔案、健康隨訪等專享服務。此外，京東健康也

105、積極豐富大模型在C 端的應用場景，2024 年 7 月推出的面向消費者的 AI 健康智能體“康康”，近半年已經累計服務超 3000 萬人次，問題解決率高達 70%，為人們帶來 AI 健康管理工具的同時也為線上醫療服務構建了多生態的入口；“手機測血壓”產品已經為超過 150 萬人次提供了服務，受到了廣大用戶的廣泛好評，充分展現了健康 AIToC 應用領域的市場潛力。治療及服務：提供長城式服務。面向 C 端的健康管理服務中，還有一大極具落地吸引力的應用場景，那就是慢病管理。隨著我國慢病患者人數攀升，目前醫保用于慢病治療的費用居高不下，占據醫保開支大頭?？墒?，即便如此我國慢病管理現狀也并不如意。究其

106、根本，慢病的治療不僅僅需要藥物，更需要生活方式的干預，而后者需要極高的人力成本及時間，本就供給不足的現有醫療體系對其難以覆蓋。圖表 19 輕量級及治療級健康管理服務對比資料來源：調研訪談，動脈智庫整理首先，慢病管理需要多團隊的有機協作，醫生提供藥物干預方案、營養師提供專業飲食方案、專業教練提供運動方案，以及健康管理師進行主動隨訪、心理咨詢師在有必要時介入等。統籌多方協作已經為慢病管理樹立了較高門檻?？善潆y點還不僅如此，生活方式的干預是一個長期過程、是一個全新生活習慣培養的過程，也就意味著慢病管理團隊需對患者進行長程式的陪伴，其對應的高人力成本也是慢病管理落地的一大阻礙。最后，純人力的慢病管理，

107、很容易觸及服務能力的天花板，而就我國目前醫生、營養師、專業39運動教練及健康管理師等服務團隊的數量對于龐大的需求群體而言，存在極大的人力缺口。正因如此，醫療大模型在慢病管理場景的應用展現出極大的價值。針對該類應用場景的大模型，需要“閱讀”醫學、營養、運動、心理等領域的專業知識，更需要“融合”它們，這依賴于復合的交叉專業團隊之間的緊密合作，針對特定的疾病進行治療方案的梳理及管理邏輯的建立，從而創新出有效的大模型算法。多模態數據的理解、輸入和輸出能力也必不可少。應用于慢病管理領域的大模型往往需要接受用戶通過語音、文字、圖片（如食物拍照）及穿戴設備傳輸的不同格式的數據（如血糖、血壓和心率等）。以圖片

108、為例，大模型需要具備抓取圖片中食物的能力，并且能理解其成分、估算其重量甚至識別烹飪方式，最終測算食物的熱量及營養素比。這對于涉及營養指導的生活方式而言非常關鍵，而此能力打造的門檻也很高。專注于醫學減重領域的南大菲特，經過十余年的沉淀，一直持續提升“食物圖片”到“食物數據”的精準度，目前依托企業自研的“三師共管 AI 大模型”，該項人工智能技術已在其智能化健康管理服務中體現出極高的價值，并獲得了優異的市場反饋。此外，對于人工智能的應用也有新的理解，一改傳統認知里被動應答的模式，慢病管理場景應用的大模型需要“主動干預”，才能真正幫助用戶進行生活方式干預、建立新的健康習慣。有了醫療大模型的賦能，可以

109、極大解放人力，這不僅能夠提升單個管理師的管理能力上限，也能助力提供更好的服務。例如，在大模型的輔助下，用戶可以有更好的“實時應答”體驗，并且可以確保服務“溫度”，沒有情緒的波動。不僅如此，大模型在個性化方案實施上也更有優勢，可以基于用戶情況實施輕量級到治療級不同干預程度的管理方案。循著以上的要求，行業也已然出現了成功的商業化案例。如南大菲特，為肥胖伴有代謝綜合征、糖尿病、多囊卵巢綜合征及青少年肥胖等患者提供人工智能生活方式干預?！叭龓煿补?AI 大模型”融合了 200 余位專家的經驗，其多模態底座賦能管理團隊基于用戶自產及來自監測設備的健康數據，主動給出實時的專業管理意見，真正為用戶打造了有溫

110、度的陪伴式生活方式干預。經過 10 年的打磨與沉淀，企業已經成功助力超過 3.5 萬的用戶減重成功，達成了 4 周減重 4.2kg、8 周減重 7.4kg、12 周減重 11.12kg 的優異成效。此外，大模型的賦能讓企業也實現了輕量級管理完全 AI 化、治療類的專業管理中實現服務能力 4-5 倍的提升。2024 年，國家衛健委聯合 16 個部門發布“體重管理年”活動實施方案，將體重管理提上新的高度，并鼓勵人工智能在體重管理中的應用。此政策為在慢病管理的醫療大模型企業發展注入了新鮮的驅動力。過去，人們對人工智能始終報以謹慎態度，對于 AI 提供的健康建議信任度不高?，F在，DeepSeek 的爆

111、火極大地推動了市場教育成熟，加之政40策鼓勵及行業專業級管理方案展現的優異成效，相信未來大模型在 C 端健康管理擁有非常大的想象空間。商業化付費方多樣化?；卺t療大模型的健康管理人工智能方案有著多元化的商業化落地方式，通過政府、企業、醫療機構、體檢機構等合作或采購是商業化初期企業常采用的模式，一方面這樣的模式更容易在早期獲得規模更大的落地應用，另一方面該過程也是為產品背書的必經過程。未來，當產品的產品力及市場知名度足夠高后，隨著合規路徑和與醫生的協作機制更加明確，直接 toC 的商業化模式將為企業帶來更大的市場空間。本章小結：大規模商業化滲透，需要完成痛點驗證解決“想用”的問題、足夠大的市場規

112、模解決“想做”的問題、技術和數據基礎堅實解決“能做”問題、有公信力的價值驗證方式解決“好用”的問題，最后還需要政策支持解決“讓用”的問題。在院內應用場景中，圍繞醫生診斷的嚴肅醫療場景，影像類大模型滲透率最高，其中又以放射類影像最高，據調研，滲透率近 40%。院內應用與其他輔助環節的醫療大模型，除了“產品”特性還兼具“基座”價值，因此其可靈活地作為所有人工智能產品“管理臺”，也可進一步賦能開發。目前，醫療大模型有三個主要賦能途徑，即賦能企業既有產品升級、賦能企業研發新的產品和通過開源或技術合作賦能生態發展。應用于院外場景的醫療大模型，由于受政策約束更少，市場化特質更加明顯。行業正努力從提供效率工

113、具到提供價值，迎合市場為結果而非過程買單的傾向，推動商業化落地加速。4142第第四四章章 未來趨勢未來趨勢4.14.1 大模型是企業剛需，大小模型協作是市場需求大模型是企業剛需，大小模型協作是市場需求大小模型并非替代關系，而是協作。醫療大模型興起之后，給了醫療行業更多人工智能應用的想象空間，但并不意味著它將全面替代小模型，至少在短期的幾年內。其實行業已經出現了相關跡象，醫療大模型和小模型的有機配合可以更好地適應各個應用場景的不同需求。大小模型多維度差異。大模型及小模型在訓練數據、適用場景和訓練成本及應用成本方面都有著差異。對于訓練數據，大模型通?？梢越邮芏喾N模態的數據集，在訓練中采用混合學習模

114、式，例如在基層的基礎能力訓練中運用無標注的數據進行無監督學習，再在具體任務操作層面，應用標注過的數據進行訓練以達到更精準的表現；小模型則往往需要經過嚴格標注的數據且僅限于一種數據形態。圖表 20 醫療大模型與小模型的部分維度對比對于模型具體執行的任務，小模型針對單一的特定任務，例如對一張肺部影像圖片中結節的輔助診斷。大模型橫向可以對更多的因素進行判斷、縱向也可以執行更多的任務，例如其可以判斷影像屬于哪一個部位并給出相關潛在健康問題的輔助診斷，與此同時還可以助力完成從輔助判斷、報告書寫再到報告解讀的全工作流。再觀模型的訓練成本，就單一任務領域而言，小模型訓練成本更低。但在多任務場景，大模型似乎更

115、具性價比，各任務訓練可共用一個技術基座，且當訓練達到一定量后，大模型展現出的零樣本學習能力也有助于降低單個任務的學習成本。大模型是企業剛需，大小模型協作是市場需求?？梢?，對于企業而言，大模型的“剛需”明顯，一方面可以助力其人工智能產品（無論是大模型還是小模型產品）性能提升，另一方面，一個好的大模型基座也將降低新產品打造門檻，加速企業產品全鏈路布局、助力整體成本優化。但具體應用大模型、小模型或是兩者共同使用，取決于市場需求。如病理領域，在宮頸癌篩查的項目中，應對僅來自宮頸液細胞液的樣本的輔助診斷，一款專門針對宮頸細胞輔助診斷的小模型能有效解決問題，并且能比大模型的應用更具性價比優勢。但對于三甲醫

116、院的組織病理醫生而言，通常其需要看所有器官的切片并判定所有可能的腫瘤，讓其購買幾十種針對不同器官的、不同腫瘤的小模型，在具體場景做相43關的調用顯然沒有為其配置一款涵蓋所有器官、所有腫瘤種類的大模型來得更易用。綜上所述，在醫療人工智能應用中，大模型對于各技術研發企業而言至關重要，對其產品力和市場力都是核心的競爭力。但大、小模型如何有效協同，如何平衡好企業商業化和市場需求，需要企業通過對具體應用場景的痛點進行充分驗證后給出相應的協作解決方案。4.24.2 技術突破降低研發門檻，數據鑄造大模型核心競爭力技術突破降低研發門檻，數據鑄造大模型核心競爭力技術降低醫療大模型研發門檻，推動生態發展。Deep

117、Seek 的爆紅極大促進了醫療大模型的市場教育，行業對大模型應用的緊迫感也到達了歷史新高點，再加上其開源的特性，讓眾多企業和醫療機構似乎在一夜之間便都加入了大模型的行列，但人工智能是否真正滲透和融入、真正要助力創造更好的醫療環境，又是另外一件事。其是，行業還有不少、不如 DeepSeek“有名”的、非語言類（如圖片、語音類等）的人工智能技術也在不斷獲得突破并宣布開源，他們共同推動了整個人工智能生態的發展。落腳于醫療行業，由于它的嚴肅性、安全性及隱私性要求，它比任何行業都更需要垂直類的專業大模型。目前，醫療行業諸多垂直大模型，均運用 DeepSeek、通義千問、豆包等通用大模型作為其基礎能力訓練

118、的模型，再通過自有的醫療數據集，通過人工智能技術進一步搭建醫療垂直大模型、訓練其在醫療相關場景的能力。這可以助力企業避免從零打造大模型，更快、更低成本打造自有產品?？梢?，行業技術的不斷突破可以顯著降低產品的研發門檻，但是大模型要擁有出色的性能以在應用場景落地，其關鍵核心還是在于數據。高質量數據：合規、精準、閉環。合規是高質量數據的底線，這也是企業不得不承擔的高成本部分。其次，數據的精準標注，以更好地被模型學習也十分關鍵，這就需要與用戶共研，如與臨床大專家共研診療類產品、與頭部藥企共研藥物研發類產品等。類似“名師出高”的邏輯，這樣高質量的數據更能保證醫療大模型的高性能。此外，高質量數據還有一個核

119、心要素，就是數據的閉環，它是指醫療專業數據與使用數據的醫療行為數據的閉環、指產品投入使用后的有用反饋并將之再投入研發中有效利用的閉環。閉環的數據一方面可以進一步幫助模型提升性能，更接近于真實用戶的準確性，甚至賦能其“達之不能”；另一方面，可以在任務結果范疇之上，為任務流程范疇提供更接近于真實用戶的人工智能服務，從而帶來主動服務的、有責任感的管理性質的服務，而非單純的被動應答、精準搜索的智能知識庫服務。例如在健康管理的應用場景中，合規、精準又閉環的高質量的數據可以助力打造出一個擁有主動干預意識、為健康干預結44果負責的治療級醫療大模型，而非一個專業的健康咨詢助手；在臨床試驗的應用場景中，高質量數

120、據可以助力打造出一個可以主動進行項目管理、風險管理等的類似數字員工級的專業臨床試驗流程管理大模型，而非一個單純的流程記載工具。綜上所述，飛速發展的人工智能技術，降低了醫療大模型的研發門檻，開源的通用底座可以讓企業避免從零的產品打造。但目前，醫療大模型的性能的木桶短板依然在數據，獲得合規、精準且閉環的高質量數據是為產品鑄造核心競爭力的關鍵。4.34.3 昂貴只是大模型的早期特征，普惠化是迭代的方向昂貴只是大模型的早期特征，普惠化是迭代的方向醫療大模型發展早期，大模型價格昂貴。大模型的訓練需要強大的算力支持，此外垂直醫療大模型所需的數據往往也需要一定的獲得及處理成本，加之部署環節所需的硬件設施價值

121、不菲，醫療大模型目前總與昂貴掛鉤。但相信這只是早期的特征，隨著算力基礎建設的夯實、國產芯片的突破、數據使用的規則逐步健全、人工智能技術的進步、市場教育提升等多方面發展因素助力，大模型正朝著“普惠化”的方向迭代。普惠化是市場需求，更是大模型的使命。對于不同應用場景的大模型，由于其性質差異，普惠化的“程度”也自然不同，總的來說，就是較原有應用場景的運行模式更具性價比，而原有應用場景的運行成本越高，也就意味著醫療大模型能夠發揮的空間更大。從市場的角度而言，普惠化能夠更好地促進產品推廣，推動醫療大模型從小規模示范落地到實現大規模的商業化應用。目前，醫療大模型更多以“助手”角色為主，定義為為醫療服務各環

122、節降本增效。因此，普惠化也是最直接的價值體現。而就醫療大模型本身的使命而言。緩解醫療資源供給緊張、解決醫療資源分布不均等是其誕生的重要使命之一。如果昂貴的大模型一直只能在頭部的大型醫院真正落地應用，與該使命顯然是背道而馳的。多因素驅動醫療大模型普惠化。如報告第一章所述，我國正快速建設算力，加上以華為為代表的國產芯片性能不斷突破，已經在產品研發成本優化方面有了成效。此外，人工智能技術的快速發展和應用，推動醫療大模型不斷優化單位算力下的性能，使用成本也展現出降低的趨勢。加上醫療服務各環節對人工智能應用的認知逐步提升、相關產品和數據應用的政策逐步完善等，產品市場推廣的成本相信也會有所優化。在多方的發

123、展和進步下，將進一步促進醫療大模型普惠化，推動醫療大模型快速滲透，更好助力醫療服務各環節。4546第第五五章章 企業案例企業案例5.15.1 訊飛醫療訊飛醫療-星火醫療大模型從基層出發賦能醫療全產業鏈星火醫療大模型從基層出發賦能醫療全產業鏈醫療大模型第一股，堅持用人工智能賦能醫療。訊飛醫療（股票代碼：02506.HK）自2016 年成立以來始終以人工智能技術為核心驅動力，通過“技術突破+場景深耕”雙輪驅動模式推動醫療行業智能化轉型。依托在語音識別、自然語言處理及深度學習等領域的技術積淀，訊飛醫療構建了覆蓋醫學知識圖譜、診療推理和健康交互的“一體兩翼”技術框架，并通過“智醫助理”等人工智能創新產

124、品實現規?；涞?。經過 8 年積淀，訊飛醫療于 2024 年底在香港聯交所成功掛牌上市，成為醫療大模型第一股。目前，訊飛醫療基于星火醫療大模型打造了賦能政務、醫院和居民的多元化產品矩陣，提供健康風險預警、健康早篩、輔助診斷及治療、診后管理與慢病管理等 AI 服務。訊飛醫療在大模型領域持續加大核心技術研發投入，成果顯著。2023 年 10 月，發布訊飛星火醫療大模型及個人健康助手訊飛曉醫。2024 年 6 月，星火醫療大模型升級，在醫療知識問答、復雜語言理解、文書生成、診斷治療推薦、多輪交互及多模態交互等六大核心場景能力大幅提升。同期，訊飛曉醫推出個人數字健康空間。10 月，星火醫療大模型 2.

125、0 發布，并推出星火醫學影像大模型，結合安徽省影像云平臺的億級影像數據，打造智慧醫學影像助手，覆蓋智慧質控、智慧診斷和智慧讀片全流程。2025 年 3 月，發布基于深度推理技術的星火醫療大模型 X1，并與訊飛曉醫的個人數字健康空間融合，在知識反思和循證推理等關鍵技術上取得突破，顯著提升模型在醫療場景中的準確性和專業性，在醫療健康領域關鍵任務場景上的核心效果持續保持業界領先地位。圖表 21 訊飛星火醫療大模型資料來源：訊飛醫療47以基層場景切入，作為訊飛醫療的強項應用場景，圍繞其打造的“智醫助理”在大模型加持下，全面升級，為基層醫療人員提供效率和能力工具，并實現上級醫療機構對基層的遠程指導、提升

126、衛生健康主管部門的監督能力、基層信息系統互連互通程度以及優質醫療服務可及性。截至 2025 年 4 月，大模型賦能下的“智醫助理”已覆蓋全國 31 個省市的682 個區縣的 73000 萬余個基層醫療機構。圍繞醫院端，訊飛醫療基于大模型打造了全棧 AI 應用工具，現已落地 500 余家醫療機構，助力提升診療效率、優化管理流程。此外，基于星火醫療大模型，企業還與四川大學華西醫院聯合發布的“華西黌醫”醫學大模型、與首都醫科大學北京安貞醫院共同打造心臟超聲診斷決策系統、與山東大學齊魯醫院共同發布全病程管理大模型、與國內領先的醫療科研團隊首發國家“四大慢病”重大專項核心成果全球首個 1 型糖尿病專病大

127、模型等。針對廣大的 C 端群眾，企業打造的“訊飛曉醫”在大模型的鍛造下也展現出更優的性能并獲得更高的好評率。2024 年 6 月 27 日，訊飛曉醫升級數字健康空間。2025 年 3 月 3日，星火醫療大模型 X1 發布，深度推理功能上線并正式應用于訊飛曉醫，與個人健康檔案的融合更加深入?；谛腔疳t療大模型 X1，訊飛醫療已完成面向多端的全場景產品矩陣升級。未來，企業將繼續堅持“頂天立地”的創新發展路徑，持續在底層技術突破和場景化創新的雙驅動下，不斷拓寬人工智能服務邊界，為每個醫生打造專業的 AI 診療助理，為每位居民提供全生命健康周期的 AI 健康助手。5.25.2 數坤科技數坤科技-多模態

128、大模型構建數智醫院醫療大腦多模態大模型構建數智醫院醫療大腦數坤坤為醫療 AI 鑄造專業底座。以影像切入并持續領跑醫療 AI 的數坤科技，三年前將影響力拓展到醫療全場景，發布“數坤坤多模態醫療大模型”（以下簡稱“數坤坤”），旨在為整個醫療健康行業的 AI 應用提供專業底座。近年來，數坤坤持續迭代，目前已然成為一個集文本、圖片、視頻等多模態融合的垂直醫療大模型，并已成功應用于影像、超聲、全院和基層等場景，助力數智化升級。數坤坤獲廣泛認可，實現多場景落地。目前，數坤坤已完成國家網信辦算法備案；獲得了大模型評測榜 CMB 和 MedBench 雙榜第一、北京市科委舉辦的行業大模型創新應用大賽一等獎、醫

129、療賽道第一名，新華網評選的“2024 新質生產力發展優秀案例”等認證。此外，數坤科技攜手華為發布了數坤坤大模型智算一體機，開箱即用能更好適配醫院和基層的各種場景，已成功落地北京老年醫院、東部戰區總醫院、深圳人民醫院，以及寧夏中衛、廣西南寧、蘇州市吳中區、北京市昌平區等基層醫療機構。48圖表 22 數坤科技多模態大模型-數坤坤資料來源：數坤科技數坤坤賦能下，眾多 AI 應用產品力升級。在數坤坤的鍛造下，數字人體 4.0 幫助影像科實現從診斷、教學、科研以及科室管理的全面數智化升級。通過輔助臨床診斷“看得清，判得準”、自動報告生成與質控以及系列科研助手功能，全面重塑影像科工作生態。在數坤坤加持下，

130、數智超聲升級 3.0 版本，助力超聲科數據化，帶來超聲科管理、科研、質控、隨訪的全面升級。在醫院全院數智化建設中，有了數坤坤為基座，醫院可獲得數智醫療服務、數智患者服務和數智管理服務，醫院的運行效率和服務水平得到大幅提升。此外，在基層數智化建設中，數坤坤還賦能推出了“數字醫生智能體團隊”，形成醫防融合+慢病管理的閉環，為基層提供“強基力量”，彌補基層醫療資源短缺的同時，也將國家分級診療政策落到了實處。數坤坤多模態大模型，持續探索醫療 AI 應用邊界。未來，數坤科技將繼續基于數坤坤，聯合各方力量，持續推動 AI 在醫療領域更廣泛、更全面的應用，讓更多人享受到前沿科技帶來的優質醫療服務。495.3

131、5.3 脈得智能脈得智能-大模型賦能超聲大模型賦能超聲 AIAI 性能對標病理，打造無創時代性能對標病理，打造無創時代頂尖院士團隊+豐富運營經驗，完成商業化閉環。2018 年，集合了國際一流人工智能技術團隊和擁有深厚醫療運營管理功底的創始團隊，脈得智能科技（無錫）有限公司（下稱“脈得智能”）成立并確定“超聲人工智能”為企業重要戰略之一，旨在通過企業強大的原研能力，推出性能對標臨床病理的輔助診斷產品，打造無創時代。頂級的研發與運營團隊讓脈得智能短短幾年已成功突破 AI 商業化難題，實現億級營收并保持高速增長。從甲狀腺切入，系列產品逐步開花。脈得智能成立之初便自建超大規模金標準數據庫，為其研發提供

132、堅實的數據基礎。該數據庫整合了來自覆蓋超聲、病理、基因組學等臨床方向；高達上千萬條金標準數據。在此數據庫的支撐下，在與華西醫院等頭部教學醫療機構的有機產研合作中，脈得智能于 2025 年 3 月獲得全國首個能給出良惡性建議甲狀腺結節超聲影像輔助診斷軟件三類證。該軟件實現高達 96%的甲狀腺結節良惡性判別準確度，與組織病理結果高度一致；其應用不但大幅度減少了不必要的細針穿刺活檢，更是促進甲狀腺超聲檢查前移至臨床科室，極大提升患者體驗感的同時開創了新的商業化落地場景。產品優越的性能及商業化邏輯推動產品迅速完成商業化閉環，目前已成功落地 500 余家醫院、輻射上千家機構、實現千萬級營收。圖表 23

133、脈得智能“甲狀腺結節超聲影像輔助診斷軟件”性能簡介資料來源：脈得智能完成了產品性能與價值在甲狀腺領域的落地驗證，脈得智能將基于此成功經驗持續推動系列超聲 AI 產品落地。目前，脈得智能已完成覆蓋全身、共 18 個超聲 AI 輔助診斷軟件布局，接下來將重點推動 AI 在乳腺領域的臨床級超聲輔助診斷軟件應用。一體兩翼，打造國產 AI 原研企業。除了領跑影像超聲 AI 領域外，基于基因組學的 AI生信分析是脈得智能的另一大發展方向，目前已實現過億營收，并有呼吸系統病原體微生物高通量基因檢測整體解決方案完成落地。未來，企業將繼續以其自建的超大規模金50標準數據庫作為“一體”，兩大重要發展方向為“兩翼”

134、，堅定朝著“建設全球醫療人工智能最強大原研企業”的愿景穩步向前，通過更多人工智能的革新為醫院、醫生和患者創造新的價值。5.45.4 透徹未來透徹未來-打造敏感度打造敏感度 100%100%的臨床應用級病理大模型的臨床應用級病理大模型深耕病理，打造臨床應用級大模型。從病理影像 AI 切入并領跑該賽道的透徹未來，在成立之初便致力于打造臨床應用級的人工智能產品，賦能病理科數智化升級。2023 年，病理大模型透徹大腦 Thorough Brain 發布，推動透徹未來全線產品登上更高臺階。目前，基于 Thorough Brain 迭代的大模型產品透徹洞察 Thorough Insights 4.0 支持

135、包括胃、腸、食管、胰腺、肺、前列腺、乳腺、子宮內膜、宮頸、泛器官淋巴結等十余種高發腫瘤器官病理智能分析，精準定位癌變區域并自動完成疾病分型；在大型醫院的臨床病理應用中，敏感度接近 100%、特異性超過 94%，為行業打造了臨床應用級病理大模型。數據與技術雙驅動，突破大模型準確度天花板。自 Thorough Brain 發布以來，透徹未來不斷探索其性能邊界，在與臨床真實需求與反饋的不斷碰撞中，Thorough Brain 2.0找到了病理大模型訓練的更優解，突破了傳統自監督學習大模型的天花板。圖表 24 透徹未來病理大模型產品 Thorough Insights資料來源：透徹未來Thorough

136、 Brain 2.0 創新性地結合了無監督、弱監督和有監督學習，大模型基座及下游任務訓練均使用了由病理專家標注的金標準數據，這對公司人力和財力都提出了更高的要求。此次創新不僅成功將 Thorough Insights 的精準度提升到臨床應用級別，更是極大提升了模型泛化能力，使 Thorough Insights 不僅在大醫院應用中有出色表現，更是在中小型醫院等病理切片染色差異度較大的場景依然有敏感度接近 100%，特異性超過5190%的優越性能。此外，Thorough Brain 2.0 通過混合專家模型及模型量化蒸餾等系列技術的加持，讓臨床擁有更高性能病理大模型的同時無需升級自有硬件。目前，

137、Thorough Insights 僅需家用級顯卡就能實現落地應用。憑借其優異性能和極高性價比部署成本，Thorough Brain 已經實現 100 余家醫療機構的部署，真正助力“高年資病理經驗”下沉，打造病理大模型“平民化”時代。多模態融合，賦能病理科全鏈路工作流程。除 Thorough Insights 外，以 Thorough Brain為核心組件，透徹未來還推出了結合大語言模型和病理視覺大模型的透徹機器人Thorough Copilot，為病理醫生提供實時智能問答助手，結合輔助診斷結果提出進一步檢查建議等。未來，透徹未來將繼續基于多模態大模型 Thorough Brain，不斷拓寬大

138、模型產品應用場景與能力邊界，尋找智能病理判別、診斷、預測和解決方案的最優解。5.55.5 南大菲特南大菲特-引領醫療級科技型人工智能慢病管理服務引領醫療級科技型人工智能慢病管理服務十年沉淀，領跑數智化慢病管理。在政策指引下、民眾健康意識推動下，加強慢病管理，推動健康干預，由“被動治療”向“主動健康”前移達到了前所未有的迫切程度。早在 2014年，洞悉并篤定生活方式干預對慢病管理價值的創始團隊，集結了專家醫生、專業營養師及運動管理師等多學科人才，成立了南大菲特醫療健康科技有限公司（以下簡稱“南大菲特”），旨在為人們帶去醫療級的科技型慢病管理服務。經過十年的沉淀，南大菲特不斷完善自主構建的 AI+

139、陪伴式“三師共管”生活方式干預模式，憑借其優異的管理成效領跑數智化慢病管理?！叭龓煿补艽竽Ｐ汀?0 倍擴容服務能力。2023 年，南大菲特發布了“三師共管大模型”賦能健康管理全流程提質增效。該模型擁有文本、圖像、視頻和語音多模態輸入和理解能力，其數據基座除了海量的專業知識，更是包含了數萬用戶通過監測設備自產的健康數據、來自 50 余家合作醫院的臨床脫敏醫療數據、體檢數據以及專業有效的慢病管理方案。這些通過十年經驗沉淀的高質量數據鑄造了“三師共管”的核心壁壘，賦能其極大程度解放人力，十余倍擴容企業的服務能力。以“三師共管”為底座，企業搭建了 AI 智能體中臺，作為管理方案控制器，并在之上自建了滿

140、足用戶、醫生、營養師、健康管理師等多方參與者的應用端，其主動式、長程陪伴式的醫療級慢病管理獲得了 4 周減重 4.2kg、8 周減重 7.4kg、12 周減重 11.12kg 的優異成效。此外，大模型賦能下的AI+陪伴式“三師共管”生活方式干預模式在肥胖防治的應用項目更是在 2024 年被中疾控評為體重管理優秀案例。52圖表 25 南大菲特“三師共管大模型”資料來源：南大菲特商業化加速，攜手生態提升全民健康。目前，南大菲特擁有 3.5 萬成功患者案例、在 SCI等期刊發布高質量文獻 6 篇并參與發表了專家共識 2 篇。大模型極大擴容服務能力的同時，也推動商業化進程進入加速期，現已與 50 余家

141、醫療機構、市疾控以及美年大健康、京東健康等細分領域頭部企業達成合作。未來，企業將加快對四大慢病細分病種的覆蓋，并在 AI 賦能下推進健康管理不斷普惠化，持續用科技讓更多人從專業的慢病管理服務中獲益，用陪伴式數字化慢病管理提升全民健康水平。5.65.6 醫策科技醫策科技-“靈眸靈眸”為病理醫生提供臨床級能力工具為病理醫生提供臨床級能力工具醫工融合貫穿始終，打造病理“Tempus”。2021 年，杭州醫策科技有限公司（以下簡稱“醫策科技”）成立，秉承“行業+AI”的持久發展理念，醫工融合貫穿企業創始團隊集合、資本架構搭建、發展戰略制定等系列動作。醫策科技向臨床推出應用級病理診斷人工智能服務的同時也

142、為醫藥研發提供病理 CRO 服務，旨在打造病理界的“Tempus”，以自主醫藥研發病理 CRO 服務驅動，拉動一系列病理人工智能產品為更大的醫療診斷市場賦能。目前，企業打造的能夠識別 9 大器官 57 種腫瘤亞型的多模態病理大模型“靈眸”已于 2025 年 3 月獲得了 NMPA 頒發的二類醫療器械注冊證。三大優勢打造專業病理能力工具?！办`眸”是一個融合了文本、圖片和語音交互能力的多模態大模型。企業自建了涵蓋了海量病理專業知識、高質量經過標注的金標準圖像以及53百萬級專業提煉的圖文對的專業數據庫。高質量數據庫和先進人工智能技術的融合，使“靈眸”擁有精準診斷、可解釋性和可及性三大核心競爭壁壘。圖

143、表 26 醫策科技“靈眸”多模態病理大模型資料來源：醫策科技醫策科技構建了器官特異性特征金字塔（Organ-Specific FPN），采用分器官特征提取技術和層級自適應融合機制，全面感知細胞、結構、區域及全切片特征，賦予“靈眸”多器官精準診斷能力。此外，企業還創新構建了病理思維鏈框架（PathologyChain-of-Thought），采用逐層推理解析技術與可解釋性融合機制，精準還原病理診斷的臨床思維路徑，讓“靈眸”擁有病理診斷推理路徑可視化能力。最后，“靈眸”支持輕量級私有化部署，極大提升了大模型的可及性。三大優勢讓“靈眸”不僅能在定性分析中提供與病理醫生高度一致的診斷建議，更是在定量和

144、半定量分析中賦能醫生給出更精準的分析結果，是真正臨床病理剛需的能力工具。此外，“靈眸”也是企業自建的“數智化醫藥研發病理 CRO 平臺”的智能引擎，可在復雜的藥物和醫療器械研發任務中，針對多物種多臟器解剖學樣本數據進行多模態病理輔助診斷。通過定性、定量及半定量分析損傷、修復、炎癥等情況評估藥械研發的安全性和有效性，實現評價方案設計、樣本病理技術工作到智能評價報告生成的全流程數智化管理。以大模型為基礎，邁向精準診療。在病理領域扎根是醫策科技的第一步，未來，企業將繼續堅持深入的醫工融合，以大模型為基礎、依托多智能體技術，加入電子病歷、生化、影像、基因等多組學數據，助力腫瘤多學科協作（MDT）會診，

145、推動病理學從單一診斷向精準醫療躍升。54特別鳴謝（按調研訪談順序排序）：訊飛醫療研究院院長賀志陽博士、醫渡科技大模型產品總監張玉杰、脈得智能創始人兼董事長陳詠虹、脈得智能創始人兼首席科學家朱曉香院士、數坤科技 AI 大模型負責人劉堯、神州醫療副總裁兼人工智能研究院院長許娟博士、東蔓醫療創始人兼 CEO 李應武、東蔓醫療聯合創始人兼 CFO 羅禹澤、透徹未來 CTO 王書浩博士、京東健康探索研究院首席科學家王國鑫、太美醫療科技全球產研事業部負責人陸一鳴、南大菲特創始人兼 CEO 印輝、南大菲特聯合創始人張芷韻、醫策科技創始人&CEO 王曉梅。55免責申明：本報告的信息來源于已公開的資料和訪談，蛋

146、殼研究院對信息的準確性、完整性或可靠性不作保證。本報告所載的資料、意見及推測僅反映蛋殼研究院于發布本報告當日的判斷，過往表現不應作為日后的表現依據。在不同時期，蛋殼研究院可能發布與本報告所載資料、意見及推測不一致的報告。蛋殼研究院不保證本報告所含信息保持在最新狀態。同時，蛋殼研究 院對本報告所含信息可在不發出通知的情形下做出修改，投資者應當自行關注相應的更新或修改。版權申明：本文檔版權屬于蛋殼研究院/北京蛋黃科技有限公司，未經許可擅用，蛋黃科技保留追究法律責任的權利。蛋殼研究院（VBR):蛋殼研究院關注全球醫療健康產業與信息技術相關的新興趨勢與創新科技。蛋殼研究院是醫健產業創投界的戰略伙伴，為創業者、投資人及戰略規劃者提供有前瞻性的趨勢判斷，洞察隱藏的商業邏輯，集合產業專家、資深觀察者，盡可能給出我們客觀理性的分析與建議。研究人員：樊筱瑜 高級研究員張彩妮 高級研究員