人工智能大模型在医疗健康领域发展态势研究报告

2025/07 蚂蚁集团研究院中国信息通信研究院云计算与大数据研究所 编制说明 2024年3月，全国两会的政府工作报告明确提出了“人工智能+”战略蓝图，强调大模型技术与产业界的深度融合。医疗健康行业作为大模型应用的重要战略领域，正成为推动人工智能产业发展的关键赛道。根据国际咨询机构BCG的测算，医疗是人工智能大模型第二大应用场景，预计2027年占比达到18%。医疗大模型凭借其在处理复杂医学知识、提升诊疗效率、推动医学创新等方面的显著优势，已成为各国抢占人工智能制高点的重要抓手。 本报告从政策、技术，产业三个维度深入分析医疗大模型的发展现状。梳理了全球政策支持与监管要求，解析了模型架构创新、训练方法优化、多模态融合等关键技术英破，探究了医疗大模型产业生态全景与区城化集群效应。同时，报告绘制了以应用广度和技术能力深度为维度的热力图，重点分析了医疗服务、医学科研、医院管理等场景热点，并通过AI智能体，患者健康管理、医学教科研等典型应用案例，系统阐释大模型技术在医疗健康行业的深度应用与价值创造。展望未来，医疗大模型将在多技术融合创新、跨模态协同处理等方向持续演进，从重直化专用工具向通用智能平台跃迁，推动医疗服务模式从被动治疗向主动预防转变，构建覆盖全生命周期的智慧医疗生态体系，为实现高质量医疗服务供给和全民健康水平提升提供强有力的技术支撑。 牵头编写单位： 蚂毁集团研究晓，中国信息通信研究院云计算与大数据研究所 参与编写单位： 四川大学华西医院，浙江大学医学院附属邵逸夫医院，上海交通大学医学院附属瑞金医院，北京邮电大学，北京航空航天大学，上海明品医学数据科技有限公司，北京鹰瑾科技发展股份有限公司，中国信通院华东分院，中国信通院上海工创中心 编写组专家： 李振华，张俊杰，刘军伟，宋碧玮，卢传斌，程志云，马冬冬，甄帅冯丽韵，朱东纬，石钊宁，闵栋，冯天宜，武雅文，韩林月，宋薇珊黄进，王增，胡兵，徐国斌，蔡秀军，丁勇，庞晓燕，朱立峰刘硕鹏，白惊安，曹凌尚，高子其，姚娟娟，王少伟，高柳村，吴晓磊张长飞，郑忠斌，方金武，王道洋 目 编制说明1 一、医疗大模型概述5 （一）医疗大模型发展概述（二）医疗大模型应用价值 二、医疗大模型发展分析13 （一）医疗大模型政策支持14（二）医疗大模型技术创新18（三）医疗大模型产业现状梳理20 三、医疗大模型应用分析24 （一）场景热点分析25（二）典型应用案例29 四、医疗大模型产业发展趋势43 （一）产品创新重塑医患交互与服务体验44（二）行业合作模式演进催生产业生态重构45（三）多技术融合驱动医疗智能基础设施创新与升级46 五、医疗大模型发展建议47 （一）医疗大模型风险与挑战48（二）医疗大模型产业健康发展的建议49 医疗大模型概述 一、医疗大模型概述 （一）医疗大模型发展概述 自二十世纪末起，人工智能技术开始应用于医疗健康领域，经历了从专家系统到机器学习、深度学习的渐进式发展。随着自然语言处理与生成式人工智能技术的突破，医疗大模型不断选代升级，凭借其强大的数据处理能力和跨场景泛化性，逐步渗透至疾病预防、诊断、治疗及健康管理等医疗全流程，成为推动医疗资源普惠化、服务精准化、管理高效化的核心驱动力，改变了医疗健康领域的服务模式、技术路径和产业格局，引领全球医疗健康产业进入智能化跃迁新阶段。 1.医疗大模型技术持续突破，场景深度融合 早期医疗人工智能系统主要采用垂直化设计范式，围绕单一医学任务构建专用模型。这类模型通带基于特定类型数据（如影像、文本等）进行训练，在标准化场景中可实现较高精度，但其能力边界受限于狭窄的领域知识范国。由于医疗场景的强领城特性，模型跨机构迁移时面临数据分布差异、设备参数波动等挑战，需要针对目标场景重新标注数据并选代调参。同时，医疗数据的强隐私属性导致训练样本获取困难，而专业医学标注需要临床专家参与，进一步加剧了小模型在军见病诊疗、多模态联合诊断等复杂场景中的应用瓶颈。更为严峻的是，医学数据所固有的多模态特征与小型模型有限的单模态处理能力之间存在结构性矛质，难以支撑临床决策所需的综合推理，制约了早 期医疗人工智能系统在真实世界中的广泛应用及其有效性。 随着预训练技术与算力基础设施的突破，目自2019年韩国国立首尔大学DMIS-Lab开发的首个生物医学语言表示模型BioBERT问世以来，医疗键康人工智能开始迈入大模型时代。通过构建超大规模参数架构并引入自监督学习技术，模型得以从海量异构医疗数据中自动提取跨模态特征表示。随着模型训练的参数量的增长，模态间融合技术的进一步发展，结合多源异构医疗数据的引入，医疗大模型展现出跨模态医学知识融合与迁移学习的显著优势。 医疗大模型从最初专注于医疗文本分析的语言模型，扩展到涵盖多模态数据处理能力，包括语音、影像、基因序列等多元化医疗信息形式，显著增强了对复杂医疗系统进行建模与预测的能力，其技术演进可以大致归纳为以下三个阶段， 阶段一：实现多模态融合，邀发应用潜力。大模型通过整合来自不同渠道和格式的多模态医疗数据，包括电子病历、影像资料、基因序列等，实现对复杂医疗信息的全面理解和分析。通过深度学习算法，模型能够识别出数据中的潜在模式，为疾病预测、诊断和治疗方案提供科学依据。浙江大学孔德兴数授团队参与研发的“亥步”多模态医疗大模型，拥有干亿级别的参数，能够同时处理文本、文档、图片和视频等多种数据格式。未来，基于多模态数据和多模态大模型能力所开发的医疗产品与应用，将进一步推动医疗领域向智能化与个性化服务方向发展。 阶段二：重构诊疗服务模式，助力精准医疗。医疗大模型通过深度整合临床知识库与患者个性化数据，基于自然语言处理与多模态推理能力，可同步解析患者主诉、影像特征及实验空指标，生或个性化诊疗路径建议。此外，基于人工智能的辅助决策系统也开始广泛应用于临床实践中，帮助医生史快捷、准确地做出诊断，并制定最合适的治疗计划。上海交通大学计算机学院LOCCS实验空王烁教授团队研发的“明岐”多模态大模型，凭借高精度，可解释、多专家协作等创新优势，赋能中南大学湘雅三医院国家临床重点专科消化内科克罗恩病等罕见病诊断，不仅提升了医疗服务的质量和效率，也为个性化医疗奠定了基础。 阶段三：从“单点工具提质增效”迈问“群体智能驱动生产力跌迁”。未来随看物联网技术和5G网络的发展，医疗设备之间将实现史加高效的连接和数据交换，使得基于大模型的暂智能分析和服务能够跨越单一设备限制，传统的“单机智能”设备通过接入大模型平台，实现跨设备的知识共享与决策优化，形成一个覆盖院内全流程的智能化、协同化医疗生态系统。 2.医疗大模型赋能医疗健康关键领域的苹新与应用 医疗大模型的应用正以前所未有的广度和深度赋能于医疗健康行业的各个领域，促进了医疗流程的优化与效率提升，为个性化医疗、精准治疗以及新药开发开辟了新的道路，以强大的数据分析能力、深度学习算法和多模态处理技术，在优化患者医疗信息处理、提升患者就医体验，以及提高药物研发效率等多个方面展现出了巨大的潜力。 在综合处理患者医疗信总方面，医疗大模型通过整合症状分析、报告解读等功能，显著提升了 就医流程的科学性和便捷性。在症状分析环节，温州医科大学附属第一医院引入“基于人工智能的临床辅助决策支持系统”，能够基于患者的自然语言猫述，通过对话式交互识别症状、关联医学知识库，精准匹配科空和医生，并辅助医生快速识别复杂或率见病症；在报告解读环节，蚂蚁集团发布的“蚂蚁医疗大模型”具备原生多模态能力，可以处理和理解音频、视频、围像、文本等多模态数据，可识别解读药品及上百种复杂的医学报告。“蚂蚊医疗大模型“通过对历史病案的分析与理解，为患者提供了更加透明和易于理解的医疗信息，促进患者积极参与自身健康管理，提升患者整体治疗结果。 在提升患者就医体验方面，医疗大模型通过其强大的数据处理和理解能力，给出治疗建议，优化医疗服务流程，提高诊疗效牵和准确性。浙江省卫生健康委与蚂蚁集团联合打造的数字健康人“安诊儿2.0”，不仅能够模拟名医专家的诊疗思维，依据循证医学，为患者提供拟真电话、健康咨询睡眠日记等全病程辅助管理服务，还可以结合AR，数字人等技术，为不熟悉就医流程的线下就医患者提供导诊、挂号、陪诊等多项服务。通过全新的交互形式，医疗大模型正在改变传统的医疗模式，使其更加个性化和智能化，从而提升者的满意度和信任感。 在药物研发与应用方面，医疗大模型通过深度学习海量生物医学文献与化合物数据库，显著加速了关键信息的挖掘效率，极大推进了分子制药技术的发展。在药物作用机制研究领域，湖南大学、中南大学、湖南师范大学、湘潭大学的研究团队联合提出的多尺度生物医学知识指导大语言模型Y-Mol，通过整合3,300万份PubMed文献和生物医学知识图谱，构建多尺度指令数据集，显著提升基因网络分析和疾病通路识别的效率；在分子结构预测与设计领域，浙江大学的研究团队基于LLM的AMP-Designer方法，仅用11天就设计出18种广谱高效的抗图肽（AntimicrobiaPeptides）。以上突破性发现标志着人工智能技术正从药物研发的辅助工具演变为药物发现的核心驱动力。 在当前智能化与数字化飞速发展的时代，医疗大模型成为提升社会健康服务水平的核心动力，并逐步从辅助工具转变为驱动医疗行业创新的重要力量，重塑传统医疗服务模式，持续推动整个医 人工智能大模型在医疗健康领域发展态势研究报告 疗健康行业的进步与发展，为改善人类健康福证做出更大贡献。 （二）医疗大模型应用价值 医疗大模型作为人工智能技术与医疗健康领域深度融合的产物，从微观到宏观均展现出巨大的应用价值。在患者服务方面，大模型提供了更便捷、个性化的医疗服务和健康管理工具；在医院运营方面，大模型提高了诊疗效率和精准度，降低了运营成本；在行业治理方面，大模型促进了分级诊疗制度落实，推动医疗资源平等普惠，降低社会整体医疗成本。 1.医疗大模型赋能患者全流程智能医疗健康服务体验 医疗大模型通过智能化服务重塑患者就医全流程体验，从诊前的智能导诊到诊后的健康管理实现医疗服务的便捷化与精准化。 （1）诊前：健康评估与精准导诊 通过智能问诊系统，大模型为患者提供初步的健康状况评估。患者只需在平台上描述自身症状，大模型便能基于海量医学知识与临床案例，进行智能分析，提供可能的病因解释与就医建议。与传统问诊不同，大模型能够理解患者的自然语言表达，识别关键症状信息，即使是患者用非专业术语地方方言描述的症状，也能准确理解并给出专业反馈。在导诊环节，大模型结合患者症状严重程度、地理位置和医保政策等多维因素，智能推荐最适合的就医机构和科室，提高患者首诊科室的准确性，减少患者在医院内的多次转诊，节省就医时间，改善患者初始就医体验。 （2）诊中：智能陪诊与诊疗协同 大模型的智能陪诊功能为患者提供“数字化医疗顾问”服务。在患者与医生沟通过程中，大模型能实时分析医生的诊断意见和用药建议，以通俗易懂的方式问患者解释专业医学术语，确保患者充分理解自身病情和治疗方案。 此外，部分模型配备医疗知识库检索功能，当患者对医生的诊断存有疑问时，可即时查询相关医学知识，获取权威解释，增强患者对诊疗方案的信任度，尤其对于老年患者和医学知识欠缺的群 体具有显著价值，有效提升了治疗依从性，对慢性病等需要长期治疗的疾病管理更为重要。 （3）诊后：个性化健康管理与随访 就医结束后，大模型根据患者的诊疗记录、用药情况和生活习惯，生成个性化的健康管理方案，提供个性化的随访频率和内容。例如，对于高血压患者系统会定期提醒血压监测；对于术后恢复期患者会重点关注伤口意合和功能锻炼情况。大模型赋能的健康管理服务持续性打破了传统医疗中就诊与日常生活的割裂，提升了医疗服务的连续性，使患者在离开医院后仍能享受专业的健康指导。 2.医疗大模型助力医疗机构降低运营成本 医疗大模型通过优化医疗资源配置、提升医务人员工作效率，显降低医疗机构的运营成本实现经济效益与医疗质量的双重优化。 （1）智能分诊：优化医疗