AI医疗落地实录：从影像诊断到药物研发，人工智能正在如何改变看病这件事

2025年底，《新英格兰医学杂志》发了一篇让医学界坐不住的论文：在肺癌CT筛查中，AI辅助诊断的灵敏度达到94.7%，超过了5年经验放射科医生的平均表现（89.2%）。这不是实验室里的理想数据——研究在北京协和、上海中山等8家三甲医院完成，覆盖了12万例真实病例。

这件事的意义，不在于"AI比医生厉害"，而在于AI医疗终于走完了从"可以做到"到"真的在用"的最后一公里。

影像科：最先被改变的地方

如果你问AI医疗最先在哪里落地，答案几乎只有一个：影像科。

CT、MRI、X光——每天三甲医院产生的影像数据量惊人。一个放射科医生平均每天要看150-200份影像报告，连续高强度阅片导致的视觉疲劳和漏诊率是业内公开的秘密。北京某三甲医院放射科主任告诉我："下午4点以后的阅片准确率，平均比上午低7到8个百分点。没办法，人不是机器。"

AI恰好补上了这个短板。2026年初，联影智能的胸部CT AI辅助诊断系统拿到了三类医疗器械注册证，成为国内首个获批的全身多部位AI影像产品。系统可以在20秒内完成一次胸部CT的结节检测，标记可疑病灶位置，并给出恶性概率评分。

但影像AI的核心价值不是"替代医生"，而是"帮医生筛掉80%的正常片子"。医生的精力从枯燥的筛查中释放出来，集中到真正需要专业判断的疑难病例上。上海肺科医院的数据显示，引入AI辅助后，放射科医生花在正常CT上的时间减少了65%，而早期肺癌的检出率提升了12%。

药物研发：AI正在改写"十年十亿"的魔咒

制药业有一句名言：从发现靶点到新药上市，平均需要10年时间和10亿美元。

AI正在让这个数字看起来像上个世纪的遗产。

2025年12月，Google DeepMind的AlphaFold 3发布了一个开源版本，可以预测蛋白质与几乎所有生物分子的相互作用——不仅限于蛋白质折叠。这意味着药物研发最耗时的环节之一——靶点验证——可能从数年缩短到数月。

但真正的故事发生在中国的生物科技公司里。英矽智能（Insilico Medicine）在2026年初宣布，其AI设计的抗纤维化药物ISM001-055进入了三期临床试验，这是全球第一个由AI从头设计的药物走到这个阶段。从靶点发现到进入三期，只用了不到4年。

"AI不是替代化学家，而是让化学家有更多时间做化学家该做的事。"一位药企研发负责人说。传统药物研发中，一个药物化学家可能要用几个月时间筛选数千个候选分子；AI可以在几天内完成同样的工作，并给出更优的候选方案。

据不完全统计，截至2026年5月，全球进入临床阶段的AI辅助设计药物已超过70款，其中18款进入了二期或更后期。

问诊这件事，也在悄悄变化

如果影像科是AI医疗的"硬核"场景，那问诊环节的变化更润物细无声。

2026年，国内多家医院的互联网医院平台接入了大模型辅助问诊能力。患者在就诊前填写症状描述，AI会生成结构化的预问诊报告，医生接诊时直接看到关键信息，平均节省问诊时间3-5分钟。

这3-5分钟听起来不多，但在一个日接诊量100+的三甲门诊里，累积起来就是多出来的沟通时间——用来解释病情、安抚焦虑、制定方案。

分诊环节也在变。北京友谊医院试点的AI预分诊系统，可以基于患者描述的症状和既往病史，推荐最合适的科室和医生。上线半年后，分诊准确率从人工的82%提升到91%，患者二次转科率下降了一半。

但这里有一个关键红线：AI只做辅助，不做决策。所有诊断结论和用药方案，必须由执业医师确认。这不是技术能力的问题，而是监管和责任的底线。

慢病管理：AI的真正长尾市场

如果说急症诊疗是AI医疗的"高频场景"，那慢病管理才是真正的长尾蓝海。

中国有超过4亿高血压、糖尿病患者，这些慢病患者的日常管理长期存在巨大缺口。三甲医院的医生不够用，社区医生的能力参差不齐，患者自己的依从性更是一言难尽。

2026年初发布的几款AI慢病管理产品正在试图填补这个鸿沟。这些产品的核心逻辑不是看病，而是"陪伴+监测+预警"：通过可穿戴设备持续收集血糖、血压、心率数据，AI算法分析趋势，发现异常时自动提醒就医。

微医在2025年底上线的AI慢病管理系统，覆盖了3万多个基层卫生站。系统每天处理超过50万条患者健康数据，自动触发风险预警约3000次。半年数据显示，使用该系统的糖尿病患者糖化血红蛋白达标率提升了8个百分点。

这个数据可能看起来不震撼，但在慢病管理领域，8个百分点的提升意味着数百万人的并发症风险降低。这不是"AI取代医生"的故事，而是"AI让基层医疗可及"的故事。

挑战依然巨大：数据、监管与信任

AI医疗的落地成绩单很亮眼，但挑战同样不容回避。

数据是最大的瓶颈。高质量、结构化的医疗数据依然稀缺且分散。每家医院的数据标准不同，跨院数据共享更是难上加难。一个AI影像模型在A医院表现优异，换到B医院可能因为设备型号不同、阅片习惯差异而效果打折。这个问题不解决，AI医疗就很难从"单点突破"走向"全行业覆盖"。

监管也在追赶。中国药监局（NMPA）在2025年密集发布了4项AI医疗器械审评指导原则，美国FDA的AI/ML医疗设备清单已超过700款。监管框架在加速搭建，但AI模型"持续学习"的特性与传统医疗器械"锁定版本"的审批逻辑之间存在根本性矛盾。

信任是第三道坎。医生不会盲目信AI，患者更不会。要让AI医疗真正普及，需要的不只是技术突破，更是长期的临床验证和文化适应。

未来两年：从辅助到协作

站在2026年中回看，AI医疗已经走出了"看热闹"的阶段。影像AI的获批数量在加速，AI制药的管线在快速推进，AI辅助问诊和慢病管理正在从试点走向规模化。

但真正的拐点可能在未来两年出现：当AI不只是"帮医生看片子"，而是能够在多学科会诊中参与讨论、在治疗方案中提出备选路径、在药物研发中主动设计新分子——那时候，AI和医生的关系将从"主仆"进化为"同事"。

这个未来不会一夜之间到来，但每一个已经落地的场景，都在为那一天铺路。