每经记者：张宏 每经编辑：魏官红

2025年，一名来自湖北宜昌的58岁患者在人工智能辅助下，检测出胃部一处隐匿的“黏膜内高分化腺癌”。随着相似案例越来越多，人工智能在医疗中的作用逐渐显现。

今年，“智能经济”首次被写入《政府工作报告》。“十五五”规划纲要将“人工智能+”民生福祉重大工程纳入数字中国核心任务。2025年8月，国务院印发《关于深入实施“人工智能+”行动的意见》，要求探索推广人人可享的高水平居民健康助手，有序推动人工智能在辅助诊疗、健康管理、医保服务等场景的应用，大幅提高基层医疗健康服务能力和效率，“十五五”规划纲要将相关内容纳入专栏。

3月25日—29日，“2026中关村论坛年会”在北京举办。年会期间，围绕AI（人工智能）医疗当前的渗透率、应用中的堵点以及AI医疗能在哪些环节发挥作用，《每日经济新闻》记者（以下简称NBD）专访了国务院参事、北京协和医学院卫生健康管理与政策学院长聘教授刘远立。

打开网易新闻 查看精彩图片

""

刘远立在论坛现场参加圆桌对话 图片来源：每经记者 张宏 摄

明确谁来支付、如何支付是AI医疗产业发展的核心问题

NBD：目前，AI医疗的渗透率如何？

刘远立：当前市场仍呈现多元化竞争态势。AI医疗产品主要分为to C（面向消费者）和to B（面向医疗机构）两大类别，核心问题是谁来买单、如何买单。

表面上看，优质产品的市场接受度取决于消费者或医疗机构的采用意愿，但其背后的关键驱动因素还是医保。医保对患者和医疗机构的决策，尤其是对后者，具有决定性影响。

我国医疗机构具有公立属性，但其生存与发展高度依赖业务收入，而业务收入中六成以上来源于医保支付。因此，AI产品若能纳入医保报销目录，则具备市场基础；若未能纳入，医疗机构就会审慎评估。

即便产品纳入医保目录，其定价水平与补偿标准仍是关键变量。任何优质医疗技术的应用均伴随成本支出，医疗机构必须进行严谨的成本效益分析。

当前，我国公立医院面临收支失衡的挑战，在此背景下，公立医院面临显著的资金压力。因此，人工智能产品必须证明其能够实现“价值医疗”——即在提升医疗质量、减少并发症、改善患者预后的同时，降低医疗机构的总体运营成本。尽管医疗质量、成本控制与公益性常被视为“不可能三角”，但若无法证明技术能够突破这一困局，医疗机构将难以做出采用决策。

当前，部分人工智能产品的市场推广过于强调技术先进性与研发投入规模。然而，更应关注其商业模式的可持续性。若缺乏医保的及时纳入与合理成本补偿机制，技术落地将面临“最后一公里”的障碍。

因此，在市场经济条件下，优质医疗技术的推广应用，关键在于建立健全支付机制，明确谁来支付、如何支付。这是当前AI医疗产业发展中需要重点解决的核心议题。

在某些领域，AI全科医生能力不逊色于受过正规训练的医生

NBD：此前有相关新闻，医生使用人工智能辅助诊断发现了患者影像资料中的病灶点。你认为现在AI在医疗的哪类环节中能更好地发挥作用？

刘远立：这毫无疑问。当前医学人工智能的持续迭代优化主要依赖两大基础：知识库与数据库。凡是涉及知识层面的环节，特别是在公开发表的医学知识领域，AI的能力已显著超越单个医生。无论是健康知识普及、宣传，还是常见病、多发病的诊疗——输入症状和基本检测指标后，AI能快速给出判断。简单来说，现在AI全科医生的能力，在常见病、多发病方面，已经不逊色于受过正规训练的全科医生。

但若涉及多模态数据，比如结合临床检验结果、影像资料，再综合患者病史等信息来诊治疑难杂症，AI目前仍有明显不足。

不过，有两点值得重视。第一，尽管存在诸多缺陷，人工智能发展的最大特点就是迭代速度极快。只要有充足的算力支持，配合高质量的知识库和真实世界数据用于训练，技术会持续进步，潜力相当可观。第二，这种潜力并非被动等待就能实现，需要我们主动参与。

因此我认为，医学人工智能产品某种程度上应被视为公共产品——创造出的优质技术能够迅速惠及全球民众。而产品质量的高低，又与每位患者、每位医生、每位专家是否愿意贡献临床经验和真实世界数据密切相关。越是资深专家，越有责任分享经验、贡献数据，才能推动这一公共产品的优化迭代。潜力、责任与使命，三者应当融为一体。

基于此，在医疗健康人工智能大模型的开发中，应当建立医疗健康领域的数据治理联盟，推动数据共享与协同创新。英国的UK Biobank（英国生物样本库）已为全人类贡献了三十多个新靶点，中国同样有能力建立属于自己的China Biobank（中国生物样本库）。

此外，还应推动构建全球联盟。一方面共同开发模型，另一方面更重要的是建立科学、权威的评测体系——不仅听取中国专家的意见，也应汇集各国专家的专业判断，这样才能确保产出的产品质量过硬。

推动将已完成原始诊疗任务的数据用于大模型训练

NBD：先使用，才能有数据；要使用，又要先证明其价值；而要让产品有价值，又要先有数据。这其中存在矛盾吗？

刘远立：这叫做医疗健康“可信数据空间”，国家数据局有相关文件可以查阅。其核心机制包括几个方面：首先要明确数据权属，其次要让各方有动力共享数据价值，底层则是数据治理工作。各数据持有方需要先把数据治理好，确保数据真实、可靠、可用，同时愿意参与分享，而对于分享创造的价值，他们也能获得相应回报，以此激发分享动力。

具体而言，临床诊疗过程中会产生大量数据，这些数据已经完成了原始诊疗任务，可以通过进一步治理提升其质量、增强结构化程度，从而直接用于大模型训练。因此，数据治理是第一步，使用是第二步，价值分配则是后续环节。