从南方医院的智慧微光，照见医疗AI规模化创新之路|内科|医生|医疗机构|南方医院|微光

过去，县域基层医疗机构，往往难以对肾病等专科疾病进行准确判断，导致患者错过最佳就诊时机。

但现在，基层医生只要打开“智肾”大模型，输入检查指标，几分钟即可生成一份基于权威指南和大量真实病例生成的辅助诊疗建议。

作为我国首个慢性肾脏病综合管理大模型，“智肾”的背后整合了南方医院海量的临床数据，并结合侯凡凡院士团队的诊疗智慧，将其转化为可复用的能力，因此才让每一位基层医生都成为“肾病专科顾问”，让原本有限的医疗资源跨越了地域的鸿沟。

“智肾”的成功，也让我们有了新的思考，要如何让更多“智肾”在不同科室、不同层级医院中落地生根？答案或许不在于某一个应用本身，而在于支撑这些应用生长的土壤。

走进南方医院

那些被AI重构的医疗场景

我们先走进南方医院，寻找AI落地医疗的真实注脚。

在肾内科病房，“智肾”的故事之所以动人，是因为我国慢性肾脏病患者数量庞大，但知晓率极低，基层医生往往因缺乏专科知识而力不从心，大量患者在初诊时已是晚期，如今这个巨大的早期干预窗口，正在被AI悄然填补，这就是“智肾”真正的力量。

通过“智肾”提供的轻量化智能问答系统，如今化州、吴川等地的社区医生拥有了与一线城市看齐的诊疗能力。它不仅能辅助医生进行复杂的病情评估，还能通过个性化饮食指导模块，像营养师一样管理患者的餐桌。

而行至病理科，AI带来的变化则更为清晰。过去，医生需要在显微镜前耗费3到5分钟，在一张玻片的上万个细胞中寻找潜伏的病变细胞。而现在，宫颈细胞学人工智能辅助诊断系统已将这一过程压缩至秒级。AI先行扫描全片，自动标记出可疑视野，医生得以快速定位病灶区域，大幅缩短了病理诊断时间，这等于是为患者争取了宝贵的确诊时间。

同样的故事，也发生在感染内科。由于慢性肝病患者群体庞大，若缺乏规范管理，易发展为严重并发症，而当前肝癌筛查体系存在公众早筛意识不足、基层筛查能力薄弱。为此，南方医院感染内科构建了科学的肝癌筛查评分体系，并嵌入小程序，深入社区“彩虹小屋”，将早期诊断率从23.2%提升至67%，这证明了AI在公共卫生层面的巨大价值。

在南方医院，我们已经看到，AI与临床的深度融合无处不在，而每一个创新场景都要依赖南方医院深厚的临床经验和强大的AI研发能力，若想让它们走出三甲医院，复制到全国各级医疗机构，成为医疗体系的规模化创新，这条路到底要如何走？

医疗AI规模化落地

要如何的破壁？

南方医院的探索，其实是中国医疗AI发展的缩影，在经历了从概念验证到单点AI应用的快速演进，越来越多的医院已经在医疗场景中引入了AI辅助工具。但这些点状的创新，要迈向规模化落地，还需要闯过几道难关。

首先，是数据孤岛形成的壁垒。医院的不同科室引入的AI系统，往往来自不同厂商，数据格式不统一、接口不兼容，形成一个个孤立的“信息茧房”，无法实现数据互通共享。同时，各类医疗数据分散存储，大量有价值的数据无法形成完整的AI训练语料，导致AI模型训练缺乏充足支撑，难以精准优化，而不同科室的AI应用之间也无法协同工作，赋能全面诊疗的效果就大打折扣。

其次，是算力建设的浪费。与数据孤岛相伴而生的，就是算力的“烟囱式”建设。不少医院的科室在引入AI系统时，都会配套购置专属服务器，导致算力重复部署，不同科室的算力无法共享，大量算力资源处于闲置状态，造成算力资源的浪费。再者，多模型、多智能体之间无法协同调度，就无法根据临床需求动态分配算力，这也进一步降低了算力利用率。

第三，是专业人才的短缺。医疗AI的落地，离不开“医疗+AI”复合型人才的支撑，但目前国内多数医院都面临着人才缺口。懂临床的缺乏AI技术储备，懂技术的不了解临床痛点，成为了一种常态。

最后，是应用落地之难。大部分医院现有的业务系统繁杂，不同厂商的AI应用接口不统一，想要将AI应用融入临床，需要进行大量的开发工作，不仅周期长、成本高，还容易出现系统兼容问题。

归根结底，医疗AI要走向规模化落地，就必须告别单点式的部署模式，转而拥抱标准化、集约化的平台架构。我们认为，一个能够统筹管理算力、统一治理数据、灵活调度模型、低门槛开发应用的“超级底座”，才能真正实现医疗资源和诊疗技术的“平权”，让医疗AI为更多的患者创造福音。

HAIP：为医院装上“AI操作系统”

没错，问题的症结既然在平台架构层，解题的思路也就清晰可见。

近日，在广州举行的“AI驱动智慧医院建设新范式高峰论坛”上，南方医院与华为联合发布了医院通用人工智能平台——HAIP。正是这些问题的答案。

简单讲，HAIP的全称是Hospital AI Platform，定位是医院的“AI操作系统”。它将医院的算力、数据、模型、应用统一纳管，让分散的AI能力整合成一个可以共享、可以进化、可以向基层输出的全院统一底座。

可以肯定的是，HAIP的诞生标志着中国医疗AI建设开始从“单点部署、零散应用”的烟囱式模式，迈向“统一规划、全域协同”的新阶段。

因为，HAIP解决的核心问题，恰困扰医疗AI落地的几重困境。比如，在破解数据孤岛方面，HAIP通过ModelEngine人工智能工具平台实现全模态数据融合平台和智能标注流水线， AI数据湖提供全院统一的数据视图，将各类医疗数据统一管理，构建AI训练的“数据粮仓”，提升数据利用效率，让沉睡的数据转化为可复用的知识资产；在解决算力浪费方面，HAIP构建了100%国产化的AIDC算力底座，通过“昼推夜训”的潮汐调度机制，DCS AI容器底座实现算力切分和任务智能调度，动态分配算力资源，大幅提升算力利用率；在降低运营门槛方面，HAIP具备自然语言生成智能体能力，医生无需编写代码，只需用日常语言描述需求，就能快速生成专属AI助手，缩短应用上线周期；在保障系统兼容方面，HAIP采用开放架构，可与医院现有业务系统平滑融合，不改变医生的作业习惯，保障医疗服务的连续性。

而这一切的最终目标，则是实现医疗资源的普惠化。在HAIP的架构设计中，大型三甲医院作为中心端负责训练模型，基层医院部署轻量级的边缘设备。中心端训练好的模型可以一键下发给所有基层设备，让县级医院、社区卫生服务中心不需要自己购买昂贵的算力设备，也不需要自己训练模型，就能自动获得和三甲医院同步的AI能力升级。这正是“智肾”从南方医院走向基层医院背后的技术逻辑。