2025年，一名來自湖北宜昌的58歲患者在人工智能輔助下，檢測出胃部一處隱匿的“黏膜內高分化腺癌”。隨著相似案例越來越多，人工智能在醫療中的作用逐漸顯現。

2025年8月，國務院印發《關于深入實施“人工智能+”行動的意見》，要求探索推廣人人可享的高水平居民健康助手，有序推動人工智能在輔助診療、健康管理、醫保服務等場景的應用，大幅提高基層醫療健康服務能力和效率。“十五五”規劃綱要在專欄中提出“人工智能+”民生福祉，具體內容包括推廣高水平居民健康助手，擴大智能輔助診療在基層醫療機構的應用。

3月25日~29日，“2026中關村論壇年會”在北京舉辦。年會期間，圍繞AI（人工智能）醫療當前的滲透率、應用中的堵點以及AI醫療能在哪些環節發揮作用，《每日經濟新聞》記者（以下簡稱NBD）專訪了國務院參事、北京協和醫學院衛生健康管理與政策學院長聘教授劉遠立。

明確誰來支付、如何支付

NBD：目前，AI醫療的滲透率如何？

劉遠立：當前市場仍呈現多元化競爭態勢。AI醫療產品主要分為to C（面向消費者）和to B（面向醫療機構）兩大類別，核心問題是誰來買單、如何買單。

表面上看，優質產品的市場接受度取決于消費者或醫療機構的采用意愿，但其背后的關鍵驅動因素還是醫保。醫保對患者和醫療機構的決策，尤其是對醫療機構，具有決定性影響。

我國醫療機構生存與發展高度依賴業務收入，六成以上來自醫保支付。因此，AI產品若能納入醫保報銷目錄，則具備市場基礎；否則醫療機構就會審慎評估。此外，即便AI產品納入醫保目錄，其定價水平與補償標準仍是關鍵變量。

當前，我國公立醫院面臨收支失衡的挑戰和顯著的資金壓力。因此，AI產品必須證明其能夠實現“價值醫療”，即在提升醫療質量、減少并發癥、改善患者預后的同時，降低醫療機構的總體運營成本。盡管醫療質量、成本控制與公益性常被視為“不可能三角”，但若無法證明技術能夠突破這一困局，醫療機構將難以作出采用決策。

當前，部分人工智能產品的市場推廣過于強調技術先進性與研發投入規模。然而，更應關注其商業模式的可持續性。若缺乏醫保的及時納入與合理成本補償機制，技術落地將面臨“最后一公里”的障礙。

因此，在市場經濟條件下，優質醫療技術的推廣應用，關鍵在于建立健全支付機制，明確誰來支付、如何支付。這是當前AI醫療產業發展中需要重點解決的核心議題。

AI醫療發展需要數據共治

NBD：此前有相關新聞，醫生使用人工智能輔助診斷發現了患者影像資料中的病灶點。您認為現在AI在醫療的哪類環節中能更好地發揮作用？

劉遠立：當前醫學人工智能的持續迭代優化主要依賴兩大基礎：知識庫與數據庫。凡是涉及知識層面的環節，特別是在公開發表的醫學知識領域，AI的能力已顯著超越單個醫生。無論是健康知識普及、宣傳，還是常見病、多發病的診療，輸入癥狀和基本檢測指標后，AI能快速給出判斷。簡單來說，現在AI全科醫生在這些方面的能力，已經不遜色于受過正規訓練的全科醫生。

但若涉及多模態數據，比如結合臨床檢驗結果、影像資料，再綜合患者病史等信息來診治疑難雜癥，AI目前仍有明顯不足。

不過，有兩點值得重視。第一，盡管存在諸多缺陷，人工智能發展的最大特點就是迭代速度極快。只要有充足的算力支持，配合高質量的知識庫和真實世界數據用于訓練，技術會持續進步，潛力相當可觀。第二，這種潛力并非被動等待就能實現，需要我們主動參與。

因此我認為，醫學人工智能產品某種程度上應被視為公共產品——其創造出的優質技術能夠迅速惠及全球民眾。而產品質量的高低，又與每位患者、每位醫生、每位專家是否愿意貢獻臨床經驗和真實世界數據密切相關。越是資深專家，越有責任分享經驗、貢獻數據，這樣才能推動這一公共產品的優化迭代。潛力、責任與使命，三者應當融為一體。

基于此，在醫療健康人工智能大模型的開發中，應當建立醫療健康領域的數據治理聯盟，推動數據共享與協同創新。英國的UK Biobank（英國生物樣本庫）已為全人類貢獻了三十多個新靶點，中國同樣有能力建立屬于自己的China Biobank（中國生物樣本庫）。

此外，還應推動構建全球聯盟。一方面共同開發模型，另一方面更重要的是建立科學、權威的評測體系，不僅聽取中國專家的意見，也應匯集各國專家的專業判斷，這樣才能確保產出的產品質量過硬。

數據治理是第一步

NBD：先使用，才能有數據；要使用，又要先證明其價值；而要讓產品有價值，又要先有數據。這其中存在矛盾嗎？

劉遠立：這叫作醫療健康“可信數據空間”，其核心機制包括幾個方面：首先要明確數據權屬，其次要讓各方有動力共享數據價值，底層則是數據治理工作。各數據持有方需要先把數據治理好，確保數據真實、可靠、可用，同時愿意參與分享，也能從其創造的價值中獲得相應回報，以此激發分享動力。

具體而言，臨床診療過程中會產生大量數據，這些數據已經完成了原始診療任務，可以通過進一步治理提升其質量、增強結構化程度，從而直接用于大模型訓練。因此，數據治理是第一步，使用是第二步，價值分配則是后續環節。