錨定技術、數據、倫理三輪驅動，近年來猶如雨后春筍般涌現的醫療大模型，表明醫療領域正成為人工智能最具應用潛力的商業藍海之一。受訪業內人士表示，由于模型生成內容的準確性直接關系患者生命安全，推動醫療大模型落地應用，仍需增強決策透明度和可解釋性，打破數據整合與質量瓶頸，以確保診斷建議的可靠性。同時，在隱私保護與倫理規范等方面也需要做更多工作。

　　從“可用”邁向“可靠”

　　逐步解決“幻覺”難題

　　“醫療大模型應用空間廣泛，其落地方向包括：做醫生的成長工具，通過醫療大模型的使用降低醫生的培訓成本；做患者的管理工具，借助醫療大模型打造直接面向消費者的AI健康智能體；釋放醫生時間和精力，讓醫生更多參與到審核環節，而非全流程操作。”京東健康探索研究院首席科學家王國鑫說。

　　醫療大模型的“可用”與“幻覺”問題的逐步解決密切相關。在技術層面，傳統AI大模型由于數據噪聲和知識盲區容易產生“幻覺”，一旦模型在生成內容時出現偏差，醫療場景中的錯誤推斷將導致嚴重后果。

　　對此，技術人員正在通過多種方式消除大模型“幻覺”：一是設立“安全圍欄”，限制模型處理超出能力范圍的問題；二是廣泛使用外部工具，以實時內容為核心，補充人工智能對當前情境的理解；三是從模型底層能力入手，例如在推理過程中不斷自我驗證，從不同的角度交叉驗證自己的結論。

　　“前兩種方式是抑制幻覺，后一種是實現推理過程白盒化，即便有錯誤也可以被人識別。”王國鑫向記者介紹，目前，這三種方式相互配合，可在一定程度上抑制“幻覺”問題。

　　以國家兒童醫學中心、復旦大學附屬兒科醫院推出的全新升級版DS-小布醫生2.0系統為例，復旦大學附屬兒科醫院副院長張曉波介紹，在抑制大模型“幻覺”方面，依托自建的“兒科增強檢索知識庫”，能夠精準匹配權威醫學知識，提升診療推理能力。

　　如何進一步提高醫療大模型在復雜臨床環境中的安全性和可信度？北京大學信息科學技術學院研究員楊仝建議，可從模型內外組合防御。

　　“通過對抗訓練提高模型魯棒性、利用數據預處理削弱對抗攻擊效果、引入公平性約束減少算法偏差等方式，提升模型自身安全性。同時，在模型與用戶間部署獨立的安全互聯系統，實時檢測并攔截異常輸入數據，過濾敏感或惡意請求，并對模型輸出進行審核和糾錯。”楊仝說。

　　DeepSeek助力

　　高質量數據成關鍵支撐

　　降低技術門檻、優化模型部署效率……作為國產開源大模型，DeepSeek為醫療大模型落地提供了重要突破口：醫院可采用“大模型基座+小樣本微調+專業知識融合”的方式，直接基于DeepSeek進行微調。

　　“這并非傳統意義上從零訓練，而是僅需較小數據和計算資源就能快速開發適用于自身場景的AI應用。”張曉波介紹。但她也認識到，想要訓練出高質量醫療大模型，仍需綜合運用大規模高質量數據資源。

　　為提高對復雜病例的精準識別和推理能力，DS-小布醫生2.0系統依托醫院大數據管控平臺，整合電子病歷、實驗室檢查、醫學影像、基因組學數據、可穿戴設備監測等多模態數據，實現標準化存儲、統一管理與高效調用。通過數據治理技術，如數據清洗、語義解析和智能標注等，確保數據的準確性、時效性和一致性，并結合專家審校，精準提取臨床關鍵信息。

　　作為同樣致力于將AI技術應用于三甲醫院的科技企業，麒麟合盛網絡技術股份有限公司董事長兼首席執行官李濤表示，DeepSeek是通用模型，要使其具備醫療能力，必須利用大量專業知識進行增量訓練，特別是結合醫院自身病例、知識庫，如特定醫院的罕見病病例數據、特定地區的特殊病例數據等，進一步優化與微調模型，使其能夠更好地適應特定場景需求。

　　受訪業內人士表示，醫療大模型最需要的真實醫療數據是臨床專家的應用數據以及臨床醫生的培訓數據，這部分數據往往是以多模態的形式存放在不同的醫療機構。

　　“先進的數據蒸餾技術能大幅提升模型表現。”楊仝建議，統一數據格式，提高數據互操作性，并請醫學專家深度參與數據蒸餾過程。

　　“專家團隊要準確記錄患者的癥狀、體征、診斷過程、治療方案以及治療效果等信息，并對其中的關鍵信息進行標注和解讀，通過人機協同優化模型診斷能力。”李濤表示，可通過開展醫學研究項目，邀請專家共同參與，收集更多有價值的醫療數據。

　　完善治理體系

　　筑牢安全與倫理防線

　　在將大模型應用于醫療的過程中，倫理風險始終受到業界重點關注。中國工程院院士、清華大學臨床醫學院（北京清華長庚醫院）院長董家鴻分析，大模型本質上是一種統計模型，難免會產生事實錯誤、邏輯錯誤等，模型的“黑箱”特性使醫療決策邏輯難以被理解，增加了倫理審查的難度。

　　受訪業內人士表示，醫療大模型倫理風險治理的復雜性源于其需要同時考慮醫學倫理與科技倫理兩個維度，所處視角不同，且均涉及復雜而廣泛的問題，并存在彼此交叉，亟待“多維”規范。

　　第一，在醫療等需要透明度的領域，大模型需提高解釋性，幫助用戶理解決策過程和建立信任，并通過使用多樣化的數據集和開發新算法，確保模型在不同人群中的公平表現，消除潛在的偏見與歧視。

　　楊仝表示，最新的大模型具備強大的思維鏈能力，可將診斷推理過程逐步細化并清晰呈現。借助這一能力，可要求模型輸出詳細且結構化的推理步驟，解釋每個診斷或建議背后的邏輯依據。同時，基于細化后的思維鏈，模型可與醫生、患者展開多輪互動式溝通，進一步解釋診斷邏輯與決策理由。

　　第二，應構建貫穿技術全生命周期的倫理治理閉環，以“科技向善”為原則打造智慧醫療新范式。

　　“在搭建DS-小布醫生2.0系統中，我們將倫理治理深度嵌入技術創新鏈條的實踐范式，構建了醫療AI臨床應用的知信行量表，通過對332名醫務工作者的抽樣調研，系統梳理倫理治理議題。在實際運行中構建接受度和滿意度的雙向反饋通道，使系統迭代與患者信任間形成正向循環。”張曉波說。

　　第三，醫療數據大多涉及患者隱私，大模型未來的發展趨勢必將強化數據隱私保護措施。

　　“應提升醫療人員對數據合規性和隱私保護的意識，確保在AI應用過程中遵循倫理標準。”董家鴻建議，利用數據加密、匿名處理和差分隱私技術，防止未授權訪問和數據泄露，并采用區塊鏈、隱私計算等新興技術，增強數據治理的透明性和可追溯性。（經濟參考報 記者 李文哲 龔雯）

本網站轉載的所有的文章、圖片、音頻視頻文件等資料的版權歸版權所有人所有。如因無法聯系到作者侵犯到您的權益，請與本網站聯系，我們將采取適當措施。