北京AI医疗迈入大规模临床验证新阶段

6月9日，一场医疗人工智能阶段性成果发布会在北京亦庄举行。眼底照片可以同时筛查眼病和慢病风险，心血管超声系统已经进入上千家医疗机构，覆盖多种专科疾病的智能助手开始从大型医院下沉到基层。与过去频繁出现的实验室演示不同，这批项目给出了医疗机构数量、覆盖地区和服务人次。

这意味着，北京医疗人工智能正在跨过第一道门槛：从“模型能不能做出来”，转向“系统能不能进入真实诊疗流程”。

但进入医院，不等于形成稳定业务；使用人数增加，也不等于医疗价值已经得到完整证明。医疗人工智能真正的考场，才刚刚从发布会转移到诊室、社区和支付体系之中。

从能不能用，到能不能复制

此次发布的信息中，最值得注意的并不是某个模型的准确率，而是多个项目已经开始跨地区、跨层级复制。

北京同仁医院牵头研发的眼病与慢病筛查系统，已经部署在数百家体检机构和上千家社区卫生服务中心，累计服务超过3000万人次，并进入海外多个国家。北京安贞医院的心血管超声辅助系统已应用于全国1000余家医疗机构，服务约130万名孕妇。北京协和医院推出的专科智能助手超过110项，覆盖罕见病、影像、肿瘤和重症等领域。

这些数字至少说明，部分医疗人工智能已经不再停留在单家医院、单个科室和短期试验阶段。“落地”这一结论基本成立。

更重要的变化，是北京正在试图建设一套公共支撑体系。其核心并不是再训练一个更大的模型，而是把算力、医疗数据、临床测试、安全管理和推广渠道连接起来。过去，一项技术从论文走向医院，往往需要逐家寻找数据、合作科室和测试机会；中试基地试图把这些分散环节变成相对标准化的通道。

这种模式可能改变医疗人工智能的竞争重点。

当通用模型能力逐渐接近，真正稀缺的资源将不再只是算法工程师，而是经过治理的数据、能够长期合作的医院、进入诊疗流程的权限，以及真实世界中的持续反馈。谁能够完成“发现问题、接入数据、临床验证、形成产品、跨院复制”的闭环，谁才更可能建立长期优势。

因此，未来更有价值的项目未必是功能最多的系统，而是能够解决一个明确问题的工具。例如缩短影像报告时间、减少漏诊、提高基层医生判断能力、提升慢病随访效率，或者降低临床试验招募成本。医疗场景并不缺少功能展示，真正缺少的是可核算的结果。

真正的门槛，是付费、责任和持续效果

目前公布的信息证明了部署规模，却仍不足以完整证明商业闭环。

第一个问题是付费。

医院使用一套智能系统，通常需要承担软件、设备接入、数据治理、维护和人员培训成本，但患者未必会为“使用了人工智能”单独付费。北京部分医疗服务价格项目已经明确，采用人工智能辅助时，可以按照原有医疗项目收费，但不能与主项目同时额外收费。

这意味着，单纯依靠“每使用一次收取一次费用”的模式，在不少场景中并不容易成立。系统必须证明自己能够帮助医院节省人力、提升检查数量、降低质量风险，或者带来新的服务能力。否则，试点结束后，医院很难持续承担成本。

第二个问题是责任。

医疗人工智能输出错误时，由医生、医院、设备厂商还是软件提供方承担责任，目前仍需要在不同场景中进一步明确。尤其是会直接影响诊断和治疗的系统，不能只展示一次测试中的准确率，还需要说明误诊和漏诊分别发生在什么人群中，模型更新后效果是否变化，医生如何复核，以及系统出现异常时如何追溯。

国际监管方向也越来越清晰。美国正在强调医疗人工智能从研发、上市到更新使用的全周期管理；欧盟将部分医疗人工智能视为高风险系统，要求高质量数据、风险控制、信息透明和人工监督。竞争正在从“谁先发布产品”，转向“谁能长期证明安全有效”。

第三个问题是持续效果。

某项系统在大型医院训练成功，并不代表它进入基层医院后仍能保持相同表现。设备型号、数据质量、疾病分布和医生操作习惯都可能发生变化。真正有价值的规模化，不是把同一套软件安装到更多电脑上，而是在不同医院持续得到可靠结果。

因此，判断一项医疗人工智能是否真正落地，可以看三个结果：医院是否愿意续约或扩大使用，医生是否在没有行政推动的情况下持续使用，以及系统能否提供诊疗质量、效率或成本改善的数据。