医院是应用大模型最好的场景，但不是商业化的最好场景

一如当年深度学习的火热，新兴的大模型正以肉眼可见的速度席卷医疗行业。不到半年时间，已有不少头部医院上线这项新兴技术，主动开启了医疗人工智能次世代的探索。

此形势下，不少研究机构都对医疗大模型的前景给予肯定。一如ChatGPT、 Sora的胜利，他们相信医疗大模型能比深度学习更快实现规模化落地，更有效地推动医院智能发展。

然而，医疗决策恪守循证原则，使得现有的垂直大模型无法复制通用大模型成就之路。一方面，现阶段的AI能够处理的模态有限，很难做到同一个真正医生那样通过综合信息进行综合决策，亦无法准确独立地给出做出决策的具体过程。

另一方面，医疗机构非常重视数据的隐私保护，数据能不出院就不出院。这意味着需求方必须斥资自配算力，才能满足大模型的正常运营。

IBM Watson的退场曾对整个生命科学领域予以警示：在面对一种可能的新兴技术时，我们不能单单借助非医疗行业的“主观印象”判断该技术的颠覆性及可用性，还需考虑其应用于医疗领域后，如何切入诊疗流程、如何面临审评审批、如何实现商业化等实际问题。

那么，如今的医疗大模型是否能够突破这些考验，找到属于自己的商业化道路？

无论是过去的机器学习、后续的深度学习还是如今的生成式AI及大语言模型，AI的本质都是一种“工具的工具”，通过“赋能”谋求实现价值的路径。

要让这样一个新的工具在医院生根，必须找到其服务的工具，并尽可能“无感”地融入医生的工作流中。繁忙的工作中，医生不会喜欢在使用某项软件时还要先调用另一软件作为支持。

此外，“高频”也是医疗大模型发挥价值的必要条件。一个理想的医疗大模型应能自行提取、处理、分析各类数据，实时质控医院各个医疗流程，并以最小成本满足医生所有非诊疗外需求。如果大模型不能高频地做好这些工作，就谈不上为医院赋能，自然没有医院会为其买单。

偌大的医院之中，寻找满足上述要求的场景并不困难。实际上，NLP时代的人工智能们已为大模型应用的落地打好样板。

预问诊是一个典型的大模型可以发挥额外效力的场景。过去，互联网技术与NLP一直在合力帮助医生脱离这一耗时但必要的流程，但受限于智能化程度，很多时候算法不能清晰地提取患者的主诉，也不能精准回答患者就医过程中遇到的问题。

相比之下，大模型的逻辑分析优势能够很好地从多轮对话中整合数据，提取有用的信息，进而给出符合患者意图、完整有效的建议。

病历书写亦是一个大模型可以高频发挥价值的场景。在医生的日常工作中，病历的理解与书写是一个极为重复耗时的过程，而大模型能将医生从这些繁琐的工作中抽离出来，帮助他们发挥更大的价值。

虽然这些应用早已存在于医院之中，但并不妨碍大模型以更高效率、更低价值的方式将其重做一遍。同时，也正是因为医生熟悉这些场景，大模型才能在不改变工作流程的前提下深度融入其中，谋求规模化落地。

既然文本类的医疗垂直大模型可以借用已有的成熟场景与需求快速实现突破，那么多模态的医疗垂直大模型是否也能在机器学习深度覆盖的影像领域中生根？

在回答这个问题前，我们首先需要确定此类大模型应用在医疗场景中所扮演的角色。

如果它希望替代现有影像科、临床科室的AI辅助诊断工具，那么短期之内显然不会有太大作为。

辅助诊断产品与辅助治疗类产品严格依赖于临床证据，要求算法能够复现给出的结果，并能给出相应的证据。以目前垂直大模型的应用情况，它虽能够根据输入需求给出一个确定的输出结果，但同一需求的多次输入时常缺乏一致性。换句话说，当输入影像过于复杂且追求精度时，大模型无法精准复现给出的答案。

即便确有人工智能企业能够攻克上述技术难题，也还会市场准入环节中停滞一段时间。这是因为现有的审评审批文件中并未涉及大模型相关产品的审批要点。

过去影像AI企业为通过深度学习产品的审批曾与器审中心进行了长达数年的磨合，新的算法即便能够快人一步，但估摸也需花上至少一年。

如果它定位于病理科等综合性科室或是科研场景中，那么这类大模型现阶段确实存在规模落地的可能。

目前，已有企业针对病理领域开发出相应的垂直大模型。这类大模型可根据图像事实给出结果，如组织分布情况、镜下检查描述等；或对医生病理诊断的结论进行建议（不能直接提供结论），理论上可以替代机器学习支撑的病理辅助诊断软件，提高医生诊断效率，降低诊断过程中漏诊误诊。

针对AI难以避免的“黑盒子”问题，有的病理垂直大模型企业还在大模型中加了一个额外的逻辑底层，用于排除大模型生成结果时可能出现的“幻想”及展示大模型的决策路径。通过这种方式，该企业可能可以解决人工智能的可溯源、可解释问题。

科研场景是目前多模态医疗大模型最有可能规模化落地的场景。

过去已经获证的基于深度学习的AI产品能够对肺、心、脑等特定脏器中的特定病灶进行精准勾画，而大模型打破了这一限制。

如今，一些影像AI企业开发的大模型可对任意医学影像中任意病灶进行勾画标注，有效提升了医学科研效率，且能使医生能够以低成本方式，快速执行一些非主流病种的研究。

由于文本大模型的能力特征与医院信息化需求高度契合，因而许多头部医疗IT企业借道自有的医院管理系统，迅速完成了大模型的部署。但对于非医疗IT头部公司及多模态大模型而言，他们没有这样一个落足点可供应用的快速落地，如何化解入局难题？

总结现有大模型公司布局方式，大家破局的方式大概可分为两种。如果要与老牌医疗IT公司竞争市场，许多企业可以把大模型做成一个独立的产品，外挂至信息化系统。这种方式虽会略微增加医生的操作负担，但由于不少软件也是通过这种方式落地，因而增加的繁琐流程仍在医生可接受的范围之内。

如果放弃医院作为大模型的直接支付方，大模型的落地更有难度，但也更具想象力。譬如，企业可以寻求医疗器械、商业保险等公司合作，围绕大模型构建生态，通过为终端提供智慧赋能的方式实现落地。通过这种方式，大模型的支付方由医院变成了B端，创业公司可以在快速规模化的同时规避一定的落地风险。

百度健康去年发布了一款基于大模型的AI药品说明书，它既支持患者阅读药品说明，亦支持患者通过文字、语音的方式向 AI 药品说明书进行提问。通过这种方式，患者不仅节省了阅读资料耗费的时间，还能直接获取准确的说明书信息，尤其利于不便阅读纸质读物的老年人。

不过，百度健康并不指望能够通过C端实现盈利。它在意的是使用过程中产生的“药企与患者重要的沟通渠道”。譬如，百度可帮助药企获取已有药物的用法、用量、用药禁忌的信息，进而指导后续药物的开发，进而从药企那里收获大模型的价值。

多模态大模型方面，一个典型的案例来自于国际光学科技企业EVIDENT与深思考的合作。具体而言，EVIDENT的显微镜、相机硬件产品与深思考的垂直大模型Dongni进行结合，双方联合打造了“慧眼”人工智能平台。该平台可以在显微镜下通过AI技术来辅助医生进行判读以及远程交流，为病理科医生提供便利的辅助工具，达到提质增效。

上文已经提到，多模态大模型想要直接进入临床场景几乎没有可能，但通过与设备厂商的合作，他们可以绕开各类准入环节发挥辅助价值，并在B端建立新的付费路径。

回到最初的问题，当下已有不少医疗大模型能够完成了规模化落地，且能实现了一定程度的商业化。但这些应用有些分散、未成体系、深度也有待提高，企业通过它们能够触及到的市场规模总额有限，因而还不足以证明这项技术已经找到了自己的商业化道路。

因此，对于众多医疗大模型公司而言，当下最重要的还是进一步强化大模型对于多模态数据的处理能力。理想状态下的多模态大模型，不应只是对各类医疗数据进行分类处理，更能提取各模态数据的关键之处，给出综合性的建议。

需要注意的是，绝大多数企业从接触到应用大模型不足一年，因此未能找到“杀手级应用”也是情理之中。

打通这条新的道路任重道远，好在他们还有充分时间。