“以ChatGPT为代表的AIGC (Generative AI)大行其道，掀起了生成性大语言模型的发展浪潮。这股浪潮席卷了医疗行业，行业内的“百款大战”正在迅速兴起。
医疗行业一直被认为是人工智能应用的最佳场景之一。一方面，AI医疗的应用可以减轻医生的工作量，提高工作效率；另一方面也可以提高基层机构的诊疗水平，改变医疗资源分布不均衡的状况。
但最后一波人工智能并没有在医院快速落地，更多的应用集中在影像领域，但也面临着商业转化率低的挑战。AIGC这次能渗透进医院吗？
AIGC技术在医疗行业落地
近日，在2023腾讯全球数字生态大会上，腾讯健康发布了大医疗模型，以及智能问答、家庭医生助手、数字医学影像平台等多场景AI产品矩阵。
腾讯杰出科学家、腾讯实验室主任郑介绍，医学模型的研发基于腾讯全链路自研混合元素模型。这个基座模型拥有超过1000亿的参数规模和超过2万亿令牌的预训练语料库。具有较强的中文写作能力、复杂语境下的逻辑推理能力和可靠的任务执行能力。在此基础上，继续增加覆盖285万医疗实体和1250万医疗关系的医疗知识图谱，覆盖98%的医疗知识。
同样是最近，金隅医药(603882)打造的临床检验和病理诊断人工智能平台开放创新平台。SH)，正式上线。这是国内体检行业首个人工智能开放创新平台。通过共享计算能力、算法、数据和模型，平台可以为创业公司、医疗研究机构、个人开发者、行业专家等用户提供服务。，并满足开发者从数据培训到人工智能应用部署的全流程开发需求，包括数据处理、开发培训、模型管理、在线部署。开发者可以在平台上使用公共数据集进行模型训练，也可以获得包容价格的计算能力，支持各种模型的数据处理和开发。
目前，随着AIGC技术的热浪席卷，医疗行业不断有新产品出现或酝酿。
8月17日，全程管理平台Micropulse发布——国内首个健康管理领域大语言模型应用CareGPT。据介绍，与通用大语言模型产品不同，这款基于国内开源大语言模型自主研发的健康管理应用产品，主要致力于发挥健康管理在真实医疗服务场景中的价值，实现预防、咨询、预约、康复的全周期智能健康管理能力。
8月24日，在平安健康中报业绩会上，平安健康董事长兼CEO方对第一财经记者等媒体表示，公司去年在内部开始了生殖式AI用于辅助治疗的研究和培训，目前已经在儿科进行了实验，效果令人满意。今年上半年，家庭医生和专科医生的咨询、诊断、诊疗、服务四大环节被进一步拆解为几十个子环节。对于每个环节，医生、AI技术人员和算法专业人员在模拟场景中共同训练“平安GPT”。“预计到年底，AI会在我们的人力替代率、成本替代率、时间替代率上有很大的进步。”
带来了哪些新的突破？
在最后一波人工智能中，图像是最热门的探索方向。
“我们面临着医学、教学、科研这‘三座大山’。除了医学影像诊断，我们还有教学和科研的任务。我们非常希望AI能够被赋能，提高工作效率。”中山大学附属第一医院妇产科超声教授、主任医师谢宏宁曾对第一财经记者表示。
据亿欧智库统计，2023年AI医学影像市场规模为24亿元。截至2023年7月5日，已有70款人工智能医学影像产品获得国家美国食品药品监督管理局批准的三类证书。这些产品从诊疗流程上涵盖了辅助诊断和辅助治疗两大类。拿到三类证书，就意味着有了向患者收费的资格，也就打开了生意的大门。
然而，在业内人士看来，这样的市场规模仍然小于该行业一年的R&D投资。
《亿欧智库2022》调查显示，45.9%的影像医生认为目前的AI医学影像产品中实用产品较少，43.1%的影像医生认为目前的AI医学影像产品不能很好的嵌入到现有的医学影像诊断流程中。所以AI医学影像产品的功能拓展和优化还有很大的提升空间。
有业内人士对第一财经记者表示，AI影像确实起到了一定的辅助诊断作用，但在疾病的综合诊断和预测方面还存在一些不足。原因之一是采集的数据是单维的而不是多模态的数据。
AIGC技术具有问答、生成、归纳、对话能力，它的出现让医疗行业的智能化发展再次充满期待。
“原来的AI医疗产品，你训练它做一件事，它呈现的最终结果只能做这件事，无法和医生深入讨论。但在大模式下，AI医疗不再只是给出简单的结果。也可以像专家一样和医生深入探讨。”金隅医药副总裁、信息管理中心总经理李英华告诉第一财经记者，很多医院其实都在应用人工智能辅助。大模型的出现带来了人类和计算机自然语言的无障碍交互，可以调动各种能力解决多种场景。预计未来一两年，基于大模型的AI医疗应用会越来越多。未来不仅在医院，AI家庭医生还可以帮你做初诊，推荐专科医生，分析化验报告等。想象力是无限的。
目前开发成熟的AIGC医疗产品的障碍是什么？
有业内人士表示，目前医学人工智能的发展仍然面临三大挑战:数据、算法和计算能力。人工智能的发展需要大量高质量的数据，但我国大部分医疗数据存储在各级医疗机构，业务系统相对独立，数据共享难度较大。存在明显的“数据孤岛”现象，可用于训练的真实场景数据集有限。即使获得了大量的医疗数据，如何对离散的海量医疗专业数据进行处理、统计和分析，并通过模型进行有效整合，也成为了另一个挑战。医疗行业的严谨性要求模型的准确性更高，这对算法和计算能力提出了更高的要求。最后，医疗人工智能成果开发存在大规模落地的困境，数据和算法模型的产、供、销缺乏产业链资源支撑，成为制约人工智能在医疗行业落地的重要因素。
即便如此，在大模式下，AI医疗的商业化前景依然被寄予厚望。
在李英华看来，在大模式下，AI医疗确实可以促进医疗资源下沉，这也是AI医疗应用最有价值的一点。
“目前临床医生和病理医生都很稀缺，而且分布不均。为了真正推动医疗资源下沉，实现90%的大病不出县，AIGC医疗可以发挥很大的作用，帮助培养更多的医生。同时，AIGC医疗可以覆盖更多的医疗场景。虽然大医疗模型的训练成本更好，但在应用上的边际成本越来越低，这也有助于产品的进一步推广。”李英华说。"