作者｜港股研究社 琴声奏响时
尽管，打破看得好病、看得起病和看得上病这个“不可能三角”，无法一蹴而就，但是在人工智能浪潮的推动下，“不可能”也在逐渐向“可能”转变。
近日，国家医保局在相关新闻发布会上表示，目前已编制发布17批立项指南。其中，为了支持相对成熟的AI辅助技术进入临床应用，国家医保局在放射检查、超声检查等项目中设立“AI辅助”扩展项，即同样的价格水平下，医院可以选择培养医务人员进行诊疗，也可以选择使用AI参与诊疗行为，而且现阶段不重复收费。
如此一来，AI辅助诊断被列入医疗服务价格构成，不仅向大众发出了关于AI医疗应用的积极信号，同时也为AI辅助技术的临床应用铺平了道路。
“不可能三角”里，AI辅助先解决“看得上”
正如巴克莱一份报告提到的“AI路线图”那样，我们正处于人工智能三个阶段之一的AI助理时代，这个阶段主要是对聊天机器人和一些早期AI助理的广泛应用。
而在相对更严肃且应用场景更复杂的医疗领域，基于医学本身的高精度以及充满不确定性的特点，AI技术应用的首发场景更聚焦于“辅助角色”。
目前，在诊断方面的应用主要有病史采集、体格检查辅助、建议辅助检查、初步诊断、病历书写等，以上场景主要由聊天机器人介入，获取关键信息进行辅助判断，从而协助医生完成病历整理和书写，不仅能提升医疗全过程的效率，还能降低人为错误，提高患者安全性。
以百度推出的灵医大模型为例，其通过API或插件嵌入的方式，在200多家医疗机构中展开应用，显著提升了诊断的准确性和效率。而腾讯借助医疗大模型推出的AI辅助临床决策方案，可以帮助医生快速分析临床资料，从中提取关键信息，以做出诊断和治疗决定。
这其中，医学影像辅助诊断更是商业化应用潜力最大的方向之一。一方面可以将AI与CT、X光机相结合；另一方面可以促成网上问诊再到实际成交的转化。
而阿里健康开发的肺结节筛查系统就是很好的例子，该系统可以在秒级别内对CT图像进行分割、定位、分类和风险评估，辅助医生诊断肺癌。此外，据京东披露，其旗下京东健康皮肤医院基于大模型的AI辅诊准确率超过95%，专病随访服务患者付费转化率已达20%。
手术应用方面，AI辅助技术也是潜力无限，可以覆盖术前规划与训练、术中辅助、术后监控与康复三个阶段。
术前规划与训练阶段，AI可以通过对患者影像数据的分析，生成三维模型，帮助制定更为精确的手术方案；而在术中辅助阶段，基于AI的导航系统能够实时显示患者的解剖结构，帮助外科医生更准确地进行操作；术后阶段，AI则可以帮助监测术后感染情况，及时提供干预措施，改善患者的康复效果。
具体应用方面，比如马斯克的Neuralink项目，该项目通过脑机接口技术，连接大脑与外部设备，能够治疗神经系统疾病并恢复感觉和运动功能。手术中，机器人可以高精度植入微型电极，减少对大脑组织的损伤。
整体来看，AI辅助技术在诊断和手术两大场景中的实际应用已经逐渐具象化。随着AI技术的加持，医疗救治全过程的效率明显提升，“不可能三角”中的“看得上”一角也开始得到显著改善。
“看的好”背后的风险，仍亟待解决
“不可能三角”中颇为重要的一角——“看的好”却仍然面临着不少的难题和挑战。毕竟医疗工作是一个高度专业化的领域，医生和护士们都经过了长期的专业学习和实践经验积累。
目前，在辅助医疗领域被广泛应用的大模型就在可靠性和准确性上遭遇挑战。以GPT-4为代表的多模态基础模型就存在“幻觉”或“事实编造”问题，即可能输出错误的、不准确的、不真实的信息。
尽管，英伟达高级科学家Jim Fan认为这是源于大模型与传统网络搜索之间的区别，而AI领域的专家Karpathy也认为AI幻觉不算是一种缺陷，并将大模型称之为“造梦机”。
然而，AI诊断辅助工具或治疗建议LMM的准确性问题依然不容忽视。若医生基于这些不准确的信息做出医疗决策，将直接威胁患者的健康，并可能削弱医生的专业判断力。
准确性不足是一方面，而技术的复杂性也导致责任归属变得模糊化。
由于AI辅助系统进行决策时往往依赖于复杂的算法和大数据分析，而具体的算法和数据溯源存在不确定，这种“黑箱”特性使得追溯具体决策逻辑时难度骤增。因此，当AI医疗方案导致患者受损时，很难确定是技术故障、算法缺陷还是数据问题导致的错误判定。
而且，医疗过程中涉及的多方参与者也使得责任划分更加复杂。毕竟，AI医疗辅助系统的开发、部署和使用过程中，往往有多个参与方，包括AI技术供应商、医疗机构、医护人员和患者等。
而AI技术供应商内部又细分为数据采集、算法设计、故障测试等多个环节，每个环节在系统开发和应用过程中都扮演着不同的角色。如何明确界定这些角色和责任，成为了一个亟待解决的问题。
因此，为了尽可能提升医疗大模型的可信度，AI技术应用的风险管理需要贯穿AI全生命周期，包括预设计阶段、设计开发阶段、部署阶段以及贯穿这几个阶段的测试和评估活动，以全面识别、分析、评估、管理、治理AI应用风险。
AI医疗，平衡“三角”的关键
抛开“看得上”和“看得好”两角来看，“看得起”也十分关键。而人工智能与医疗行业的深度融合，正在成为推动我国医疗体系实现“AI普惠”的重要力量。
正因为不确定性、信息不对称，以及涉及范围广等特点，医疗系统的复杂性使得医疗普惠一直在路上。而数字化技术的应用能弱化行业信息差特性，并加快三医协同治理，促进中国式现代化医药卫生体制不断完善。
不仅如此，在医药终端领域，AI大模型、生物数据库等数字技术正深刻影响着药物研发的各个阶段，从早期发现到动物实验、临床试验，均展现出巨大潜力。
这些技术不仅显著提升了研发效率，缩短了研发周期，还促进了生物医药创新从跟随式、同质化模式向突破性、引领性方向的转变。
因此，AI技术的深入应用有望引领行业跳出传统思维框架，围绕患者需求进行资源与服务的高效整合，最终孕育出一系列既具备健康价值又彰显普惠特性的优质产品。
尽管AI技术与医疗领域的深度融合已成为大势所趋，但目前众多企业仍在经历转型期的挑战与阵痛。据阿斯利康全渠道总经理刘谦透露，2024年上半年，无论是医院市场还是零售市场，医药经营企业普遍面临着销售增长与利润增速的双重放缓。
在此背景下，面对日益激烈的行业竞争，利用AI技术赋能平台，打破传统商业模式中的“不可能三角”，推动企业的持续健康发展，已成为行业内广泛认同的发展路径。
从市场规模增长来看，AI医疗的市场潜力确实不容小觑。前瞻产业研究院数据显示，中国AI医疗市场规模从2019年的27亿元快速增长至2023年的88亿元，年复合增速达34%。
而且，AI医疗行业企业数量一般，行业仍处于快速发展初期，行业格局尚不稳定。这对于刚入局和已入局企业来说，蓝海市场的机遇正待挖掘。
因此，随着越来越多的企业入局，AI技术的革新力量将得到充分体现。长远来看，AI不仅可以是医疗服务的辅助工具，更能是推动医疗体系升级的关键力量。未来，医疗行业中存在的“不可能三角”，也将被AI所平衡。