医院如何找到大模型落地的优先场景？（附视频）

医院如何找到医疗大模型落地的“优先场景”？

2025年5月22日，在由HIT专家网主办、集团协办的“”上，多位医院CIO与来自联想集团与医疗ISV企业的技术专家就DeepSeek应用分享了各自经验，解放军总医院大数据研究中心原主任做专家点评。会议由HIT专家网创始人、总编辑朱小兵主持。

薛万国认为，面对DeepSeek等新技术与新应用，医院信息部门的底层思考逻辑仍是不变的，也即从两个层面建立关联性思考：其一为医疗层面，质量与安全是不可逾越的红线，必须作为首要考素；其二是技术层面，不仅要明晰大模型的能力边界，更要深入理解其基本原理，从而认知其内在局限性，以及由此对IT基础设施提出的全新要求等。“从这两个层面形成有机联动，以系统性思维审视问题，能帮助我们更好地探索大模型应用的优先场景。”

“DeepSeek带来的最大变化是降低了部署门槛。医疗机构‘跳一跳’可以摸到的算力要求，为AI应用注入了强心剂。”中山大学附属第一医院信息数据中心主任余俊蓉说，从《》介绍的84个应用场景中来看，AI将成为解决医疗机构原有问题的新助手。

不过，在这些应用场景中涉及诊疗服务的内容，都谨慎地带上了“辅助”二字。余俊蓉认为，现阶段AI无法超越人类智能，一方面存在幻觉、提问逻辑与人不同等问题，对于疑难杂症等复杂情况，AI无法提供建设性的建议；另一方面，医生的职业直觉、诊后复盘等素质，也是AI的短板所在。

“我们亟需建成人工智能时代的人机协同机制。”余俊蓉表示，在探索医疗AI应用时，医院信息部门应重点关注：

一是回归医疗。将AI用于提升效率、发现风险、增加医生与患者相处的时间。二是有效引导。使用者应形成“AI会产生差错”的直觉和意识，及时纠错；同时应从规则、流程、伦理审查三方面，加强AI生成内容核验。三是严谨训练。加强提示词工程，训练AI拆解复杂问题，形成逻辑链。四是整体融合。训练AI时的提问方式和实际应用存在很大差异，用户五花八门的问题、影像的数据质量及操作手法等，都会影响AI的辅助诊断结果。因此，需要从加强医生培训等环节入手，重新构建“AI+医疗”的工作方式。

目前，在业务场景方面紧盯需求痛点，中山大学附属第一医院上线了部分DeepSeek应用，包括报告智能生成、病历内涵质控、行政总值助手等。其中，基于AI智能语音的超声检查报告生成，提供近百个半结构化报告模板，效率提升超过30%。“对教学医院而言，这个应用改善了医生、患者和学生的体验，同时提高了报告质量。”余俊蓉介绍，此方案还创新应用到病理报告初写中，而考虑到收音效果、医生能力培养等因素，医院暂未在门诊和住院场景中应用语音生成病历。

薛万国在点评环节表示，生成式AI的技术原理，决定了其必然存在可解释性差、易产生幻觉、结果存在一定的不确定性等局限。“医疗AI落地实践，应以医疗安全为前提，优先考虑对医疗安全影响较小的业务场景。”

在“能否将医疗AI应用于病历生成”这一问题上，武汉大学中南医院信息中心副主任易跃雄分享了医院针对住院医生管理患者多、病历书写负担重、病历修改任务重等痛点问题，正在多个科室试用的人工智能生成住院病历实践经验。

该项目包括两个阶段：首先，信息中心将大模型技术结合院内大量疑难病例及科研数据进行本地化训练，通过人工微调校正，构建中南医院医疗大模型；再将中南医院医疗大模型与ASR（语音转译技术）模型结合，实现高质量快速生成各类住院病历。

“对住院病历场景进行拆解是非常重要的基础工作。我们依据首次病程病历、出院小结病历、住院查房病历对使用频率、引用量、对话信息等要求差异，设计这三类病历生成流程。”易跃雄介绍，三类病历生成包含数据获取、首次加工、补充内容、生成结果等过程，但在数据来源和流程细节上会有所区分。“比如，住院小结病历和首次病程病历相比，更注重内容对患者的宣教作用，且支持科室灵活设置提示词；而住院查房病历则强调及时性和快速。”

保证语音生成病历内容的准确性，在输入和输出两个阶段都要“费心思”。针对AI生成文本可能出现的幻觉问题，信息中心建立了“知识注入+规则约束+反馈优化”的三重防线。在建设高质量语音采集及识别模型方面，医院采用高降噪收音设备，再将ASR语音转译技术与对话内容NLP质控相结合，可实现对转录文本的智能校正、时序对齐、补充、标注反馈以及关键信息提取。在提高病历生成准确率方面，信息中心基于大语言模型的语义理解能力，识别非结构化文本的基础错误，并建立内置2000余条质控规则的规则库，对生成内容进行实时动态质控。

此外，为贴合临床业务流程，信息中心将AI模块与业务系统充分集成，采取轻量化交互设计，医生可一键唤醒，无需切换界面；无缝对接多系统，避免信息孤岛；多终端适配，高效处理复杂文书，覆盖全场景需求。易跃雄介绍：“目前基于人工智能生成住院病历已覆盖妇产科、骨科等8个病区，生成数量超过1200份，平均耗时降低80%，病历质量总体提升45%。”

病历自动生成，是更靠近医疗核心业务的场景。薛万国认为，医院在探索这一场景时，应注意三个问题，一是通过“预训练+微调+强化训练”等方式，解决病历生成过程中专科术语多、病历类型多等问题；二是确保大模型、智能体能与院内医疗数据进行高效集成，三是通过规则等方式，解决模型幻觉问题。

DeepSeek的出现，降低了医疗机构的模型可及性，但医疗机构跨越“算力瓶颈”仍面临成本高、异构算力资源适配复杂等问题。另一方面，人工智能应用与ICT基础设施的配套协同、针对医疗业务场景定制化开发和优化智能体应用，对普遍缺乏AI经验的信息部门来说，是不小的挑战。

“我们提出‘混合式AI’的概念，也即：混合式AI算力形态、混合式AI算力架构和混合式AI模型使用，助力医疗机构落地AI应用。”中国区政企业务医疗行业总监姚宇轩说。

据介绍，对DeepSeek各尺寸模型调研显示，DeepSeek R1 32B表现优异，足够完成知识库查找、逻辑推理和简单计算任务，可支持大部分医疗场景中的AI应用。

在混合式AI算力形态方面，联想为不同场景、不同规模的用户，提供可选择的AI算力支撑方案：联想AIPC搭载开机即用、可构建个人知识库的“个人AI助手”，通过顾问智能体模块进行任务分配，实现智能体间协作。对于小型医院或科室，联想AI工作站作为“科室AI中心”更具性价比。它预装一体化集成的AI应用“工具箱”，可通过顾问智能体拆解临床任务，支持创新临床AI应用。对于中大型医院，联想AI服务器/AI一体机可作为“医院AI底座”，提供宽幅配置、多元算力、安全稳定的性能支撑。

在混合式AI算力架构方面，联想对模型部署所需的GPU方案进行测试。对于医疗机构采购国产化算力产品需求，联想混合AI管理平台可对算力资源进行调度、监控，支持多种主流操作系统及开发框架，支持国产及非国产多品牌异构管理及扩展，为用户提供从规划咨询到实施落地再到后期运营的一站式服务。

在混合式AI模型使用方面，联想智能体开发平台可对多种大模型进行统一管理，测试评估并发数、token数等指标，并支持知识库的私域化构建和低代码开发。联想大模型训练平台可为医院提供选型择优、训练推理优化、安全管控等模型开发工具。“从早期模型应用、模型微调，到制作专病模型、智能体管理等AI应用场景，联想都有对应的产品满足用户所需。”姚宇轩介绍，联想集团已与70余家医疗机构产生业务协同，创新合作生态。

汇医慧影首席技术官、研发中心总监袁学贵介绍了与联想合作，通过自监督学习配对的图像和文本的多模态大模型训练方法，在降低标注成本的同时提升模型的效果。基于此方法训练的可交互式四肢DR影像报告生成模型，可实现患者影像图文的多模态分析和转化，构建包含局部病灶描述的影像报告数据集。

薛万国在点评中指出，大模型为传统IT架构带来了挑战。医院信息部门在考虑资源配置时，涉及诸多因素：其一，模型因素。选择何种模型以及何种尺寸的模型仍是开放性问题。“目前，我们对模型的探索尚处初步阶段，不同尺寸的模型在资源开销上差异显著，需要进一步探索和测试。”其二，应用场景。如病历生成、智能问答、病历质控等场景对计算能力和复杂度的要求差异很大，并发数也各不相同，这些都会对资源配置产生影响。其三，开发需求。部分医院除了应用场景外，还有大模型训练、智能体生成等开发需求，又将对IT资源提出新的需求。

“上述因素相互混杂，导致医院在IT基础设施的选择上存在很大的弹性。期待联想与医疗机构携手持续探索，为医疗AI的落地应用打造坚实稳健的IT架构。”薛万国说。

点击文末“阅读原文”，观看视频回放