问题——医疗资源结构性矛盾与诊疗质量同质化需求并存。我国人口老龄化加快，慢病管理、肿瘤早筛、康复随访等需求持续上升；同时，优质医疗资源仍相对集中，基层机构普遍面临人才不足、诊疗经验差异大、工作负荷重等压力。如何保证安全的前提下提升诊疗效率、减少漏诊误诊、推动诊疗规范化，已成为医疗高质量发展绕不开的课题。 原因——技术与产业条件趋于成熟，智能化从概念走向应用。程东认为，人工智能在医疗健康领域加速落地，主要得益于三上支撑：其一，算力与云基础设施持续升级，使大模型训练与推理更可行，计算成本下降也带动了应用扩散；其二，临床数据、诊疗指南、科研文献等医学知识持续沉淀，为规模化训练提供基础，同时也对数据质量与合规流转提出更高要求；其三，医工协同更紧密，算法团队与临床专家围绕真实场景联合攻关，让工具从“能用”走向“更好用、更管用”。 影响——临床效率与精度同步提升，但安全门槛更高。影像判读、病理切片分析、检验报告解读等高强度、重复性工作中，智能系统可实现稳定的全天候运行，快速捕捉细微异常并量化提示，有助于降低疲劳和经验差异带来的波动。以肺部影像筛查为例，系统可提高对早期微小病灶的敏感度，为继续检查与干预争取时间。在复杂疾病分型和治疗决策支持上，智能工具能整合既往病例、指南要点与最新证据，帮助医生更快形成诊疗思路。程东强调，智能化的定位是“增强”而非“替代”，核心仍是服务医生决策与医患沟通。但医疗直接关系生命安全，模型在准确性、可解释性与稳定性上必须更严格；若出现“编造答案”等问题且缺乏约束，后果可能十分严重。 对策——坚持专业化模型路径，以合规数据与标准体系打牢基础。业内普遍认为，通用模型在跨领域知识与交互上有优势，但医疗场景严谨、专业、容错低，更需要走专业化大模型路线：一是围绕疾病筛查、报告解读、用药审查、健康管理等任务进行专项训练，明确可验证、可追溯的能力边界；二是建立覆盖数据采集、脱敏、授权使用、质量评估与安全审计的全流程治理机制，实现数据“可用不可见、可控可计量”；三是完善临床验证与准入评价，建立多中心、分层级测评体系，明确适用人群、场景与风险提示；四是推进多模态融合，将影像、检验、病理、基因及病历文本等纳入统一分析框架，提升整体评估能力；五是推动边缘侧部署并适配基层设备，减少对网络条件的依赖，提高响应速度与可及性，让基层机构用得上、用得稳。 前景——从单点辅助走向体系化服务，普惠仍需打通“最后一公里”。受访专家判断，未来一段时间，医疗智能化将从单环节工具升级为贯穿预防、诊断、治疗与康复的连续服务体系：在公共卫生与早筛领域，通过风险评估与随访管理提高早诊早治比例；在慢病管理领域，强化个体化干预与长期依从性支持；在新药研发与真实世界研究中，提高证据生成效率。同时也要看到，落地关键不在于“参数更大”，而在于治理更严、验证更实、责任更清。只有把安全、合规、可解释作为硬约束，把临床价值与患者获益作为硬指标，技术创新才能真正转化为医疗服务能力。
智能技术进入医疗“深水区”，比拼的不只是算力与模型规模，更在于是否尊重临床规律、守住安全底线、建好治理体系。只有把创新落到可验证、可监管、可推广的医疗服务能力上，才能让提效增准真正惠及医生与患者，并为“健康中国”建设提供更持久的支撑。