医疗是 AI 落地最受关注也最审慎的领域之一：一方面，影像阅片、药物研发、病历处理等环节对效率的需求真实存在；另一方面，医疗直接关系生命安全，任何错误都代价高昂。本文系统梳理 AI 辅助诊断、医学影像识别、AI 药物研发、电子病历与医疗大模型等主要方向，明确"AI 辅助、医生负责"的人机协作边界，概述监管审批与合规框架的趋势，并客观讨论商业化进展与数据、隐私、可信度等挑战。本文不列举具体审批文号与日期，相关政策以监管部门当日发布为准。
这是落地最成熟的方向之一：系统对 CT、X 光、磁共振、病理切片等影像做初步筛查与标记，提示疑似病灶位置，供放射科与专科医生复核。价值在于减轻海量阅片压力、减少漏看，并在基层缺少资深医生时提供第二意见；诊断结论仍由医生作出。
结合患者病史、检验结果与指南知识，系统可提示鉴别诊断方向、用药相互作用与复查建议，辅助医生在复杂病例中减少疏漏。它输出的是"参考信息"，而非自动开方或最终诊断。
在药物发现早期，AI 可用于靶点梳理、候选分子结构筛选与性质预测，缩短从海量化合物中缩小范围的过程；临床试验设计与文献综述也是常见辅助环节。药物最终仍须经过严格的临床试验与审批流程。
医疗大模型用于病历结构化（把非自由文本整理为规范条目）、就诊小结生成、院内知识问答与患者随访沟通草稿，帮助医生把时间还给诊疗。涉及患者隐私的数据通常需要脱敏与私有化部署。
| 方向 | AI 的作用 | 不可替代的环节 |
|---|---|---|
| 医学影像 | 初筛、标记、提示疑似病灶 | 医生结合临床综合判读 |
| 辅助诊断 | 提示鉴别方向与风险点 | 确诊、沟通与治疗决策 |
| 药物研发 | 筛选候选、预测性质、辅助设计 | 临床试验与监管审批 |
| 病历与大模型 | 结构化、小结、知识问答 | 医疗责任与患者照护 |
这些方向往往不是孤立使用：影像系统接入院内影像归档与传输流程，病历大模型对接电子病历系统，药物研发则与实验室自动化平台配合。多模态模型开始尝试同时读懂影像、检验报告与病史文本，减少医生在多个系统之间反复切换的负担，但所有输出仍须回到临床证据与医生判断。
当前所有成熟应用都定位为"辅助"而非"自主决策"，这一边界由临床责任逻辑决定：
可以把 AI 理解为放大医生能力的"工具"，如同听诊器与检验设备，而不是替代医生的"自动诊疗机"。
这种协作模式也决定了人才要求：医生需要学会向系统提问、判断输出是否合理；技术团队则要理解临床流程与医学术语，不能只在实验室里追求纸面指标。人机协作的成熟度，本质上取决于双方能否在真实诊疗流程中顺畅配合。
医疗 AI 属于受严格监管的软件医疗器械，各国均在建立或完善分类审批路径，整体趋势包括：
具体分类目录、申报流程与已获批产品名单更新频繁，读者应以监管机构与医院采购公示的当日信息为准。
影像辅助筛查、病历结构化、药物早期筛选等环节在部分医院与药企形成了常态化使用；企业服务模式多为按科室部署、按调用量或订阅收费，并与院内信息化系统对接。整体仍处于从试点走向规模推广的阶段。
对患者而言，看到"AI 诊断"宣传不必迷信也不必恐慌：AI 目前是医生的辅助工具，就诊时的主诉、病史沟通与遵医嘱仍是关键，对系统给出的结论应向主治医生确认。对医疗从业者而言，理解工具能力边界、参与规范制定、保留人工判断，是这一阶段最务实的姿态。更多基础概念可参考 什么是人工智能，模型能力背景见 主流大模型对比，流程自动化思路见 AI Agent 专题。
从更长周期看，AI 医疗的价值不在于"替代医生"，而在于把重复性文书与初筛工作自动化，让有限的医疗资源向疑难病例、慢病管理与健康预防倾斜。对行业观察者而言，应同时关注技术进展与监管、支付、数据三条配套线，缺一条都难以形成规模化落地。
不能。当前合规产品只提供辅助参考，确诊与处方必须由执业医生完成，AI 不具备独立诊疗资格，也不承担医疗责任。
在特定影像类型上，系统在提示疑似病灶、减少漏看方面有价值，但判读需要结合病史与临床，最终诊断由医生作出，二者是协作关系而非比赛关系。
AI 主要缩短早期筛选周期、降低试错成本，但临床试验、审批与生产环节仍需长期投入，短期内不会让药品价格大幅下降。
合规场景下须经授权并脱敏，通常院内私有化部署不对外流出；具体应以就诊机构的隐私说明为准，患者有权了解数据用途。
医疗责任由医疗机构与执业医生承担，产品方按合同与法规承担相应责任；这也是监管要求人工复核的根本原因。
远未如此。AI 只在影像初筛、病历整理等局部环节辅助，绝大多数诊疗判断仍由医生完成，技术落地是渐进过程。
底层模型能力见 主流大模型对比；智能体如何辅助临床流程见 AI Agent 专题；相关公司动态浏览 公司库，基础疑问见 AI 常见问题解答。