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。

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 " 规划纲要在专栏中提出 " 人工智能 +" 民生福祉，具体内容包括推广高水平居民健康助手，扩大智能辅助诊疗在基层医疗机构的应用。

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。

明确谁来支付、如何支付

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，尤其是对医疗机构，具有决定性影响。

我国医疗机构生存与发展高度依赖业务收入，六成以上来自医保支付。因此，AI 产品若能纳入医保报销目录，则具备市场基础；否则医疗机构就会审慎评估。此外，即便 AI 产品纳入医保目录，其定价水平与补偿标准仍是关键变量。

当前，我国公立医院面临收支失衡的挑战和显著的资金压力。因此，AI 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，医疗机构将难以作出采用决策。

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。

AI 医疗发展需要数据共治

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。您认为现在 AI 在医疗的哪类环节中能更好地发挥作用？

刘远立：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 全科医生在这些方面的能力，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——其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，这样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。

数据治理是第一步

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：这叫作医疗健康 " 可信数据空间 "，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，也能从其创造的价值中获得相应回报，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。

每日经济新闻