在医疗领域，一个广为人知的挑战被称为“不可能三角”：即在就医时，患者很难同时享受到快速的就诊速度、低廉的医疗费用以及高水平的医疗服务。这一概念由美国耶鲁大学教授William Kissick提出，他指出，在既定的约束条件下，一个国家的医疗系统很难同时实现医疗服务质量的提升、医疗服务的可及性增加和医疗服务价格的降低。然而，随着人工智能（AI）技术的兴起，这一长期存在的难题似乎找到了解决之道。AI技术在医疗领域的应用，不仅提高了医疗服务的效率，还有助于降低成本，并有可能提升医疗服务的整体质量。这使得“不可能三角”的平衡变得触手可及。

AI医疗的实用主义转向

2016年，人工智能（AI）在医疗领域的应用开始引起关注。当时，AI更多地被视为一种未来的可能性，而非现实的工具。一些初创公司和研究机构开始尝试将AI技术应用于医学影像分析、疾病预测等领域，但这些尝试大多停留在实验室阶段，距离临床应用还有很长的路要走。2018年，随着深度学习技术的突破，AI在医疗领域的应用逐渐增多。一些AI辅助诊断系统开始在部分医院试点运行，用于辅助医生进行肺结节识别、糖尿病视网膜病变检测等任务。尽管这些系统在提高诊断效率方面显示出潜力，但由于缺乏大规模的临床验证和监管批准，其应用范围仍然有限。2020年，新冠疫情的爆发加速了AI在医疗领域的应用。为了应对疫情带来的挑战，医疗机构开始探索利用AI技术进行疫情预测、病例追踪和资源调配。同时，AI在远程医疗、在线问诊等方面的应用也得到了快速发展。

如今，AI医疗进入了一个新的阶段。随着技术的成熟和监管政策的完善，越来越多的AI医疗产品获得了监管机构的批准，开始在临床实践中发挥作用。例如，在肝病管理方面，AI图像识别技术被用于评估炎症性肝病的严重程度，帮助医生制定更精准的治疗方案。在呼吸疾病管理中，AI驱动的咳嗽监测工具，如Hyfe AI技术，正在帮助医生更好地理解和管理哮喘、慢性阻塞性肺疾病（COPD）等疾病。对于心力衰竭患者，AI与可穿戴设备的结合，使得医生能够在症状出现前预测病情变化，提前进行干预。AI医疗的实用主义转向已经成为不可逆转的趋势。从最初的实验室研究到现在的临床应用，AI正在逐步融入医疗实践，成为医生的有力助手。

AI赋能肝病精准诊断与个性化治疗

在2025年3月于北京召开的第34届亚太肝病学会年会上，AI在肝病领域的应用成为大会热点。多项研究显示，AI在肝病筛查、诊断、治疗及患者管理等方面均展现出巨大的潜力，为AI辅助肝病临床诊疗提供了有力支持。例如，卷积神经网络（CNNs）在肝脏影像分析中，能够鉴别肝脏病灶并评估纤维化程度，准确率超过90%；机器学习（ML）通过整合肝功能检测数据，优化了风险分层和治疗反应预测；深度学习（DL）模型则显著提升了病理学分析水平，降低了活检结果的判读差异，提高了纤维化与恶性肿瘤的分类精度。

此外，AI在肝细胞癌（HCC）预后评估中也展现出卓越性能。一项基于机器学习-基因组学评分（MLGS）的研究分析了15个HCC队列的转录组数据，构建了MLGS模型，该模型在多个独立队列和全癌队列中均表现出高准确性，为HCC患者的预后预测和个性化治疗带来了新的希望。2025年3月20日，欧洲药品管理局（EMA）的人用药品委员会（CHMP）发布了首份基于人工智能（AI）的资格认定意见（QO），针对一款名为AIM-NASH的工具。该工具旨在帮助病理学家分析肝脏活检扫描图像，以在临床试验中确定脂肪性肝炎（MASH）的严重程度。AIM-NASH基于AI系统，使用机器学习模型，经过59位病理学家的10万条注释数据训练，比现有临床试验标准更可靠地确定MASH疾病活动度。

AI助力呼吸疾病全程管理

在全球慢性呼吸疾病患者日益增多的背景下，AI正逐步渗透到呼吸科的各个环节，从辅助诊断到慢病管理，再到精准影像分析和预后预测，展现出强大的应用潜力。

以慢性阻塞性肺疾病（COPD）和哮喘为例，AI技术的引入使得疾病的早期诊断和个性化治疗成为可能。上海市肺科医院开发的LungSmart系统，通过整合超过1.5万种药品信息和百万级医学知识库，依托智能搜索引擎，实现了多维度数据的深度挖掘与关联分析，为医生提供全链条建议，提升了诊疗效率和准确性。

TidalSense公司开发的N-Tidal是为COPD和哮喘患者提供的、由AI驱动的数字诊断平台；利用新型传感器技术，N-Tidal可对呼吸波形进行实时几何分析，从而在数分钟内从静态呼吸的角度对肺功能进行高灵敏度量化。该产品的使用非常简单，经过75秒的静态呼吸，数据通过自动4G传输，云端实时生成生物标记，AI进行数据分析，并得出直观的结论，全程不超过5分钟。

在影像分析方面，AI技术的应用同样取得了显著进展。比如联影智能CT肺结节智能筛查系统，利用AI对肺部CT影像进行分析，帮助医生快速、准确地识别肺结节等病变，可在2 分钟内完成重建、智能检出、报告书写与胶片排版，医生只需在阅片电脑上确认诊断结果与报告内容，最后一键归档、打印胶片，总时间约为5min，相较于传统工作流节省约70 %时间。

AI引领心血管风险预测新时代

AI在心血管疾病领域的应用也取得了显著进展。AI技术被广泛用于疾病风险预测和筛查，特别是在心电图（ECG）分析方面表现出色。例如，AI+ECG模型能够从标准12导联心电图中识别出高风险患者，即使在临床医生判断为正常的情况下也能准确预测死亡风险。此外，AI+ECG模型在房颤识别方面的准确率达到79.4%，在肥厚型心肌病（HCM）检测中表现优异，AUC值高达0.96，特别是在40岁以下患者中表现更佳。在心脏瓣膜病的诊断中，AI技术同样展现出强大的能力。研究表明，AI结合数字听诊器在检测瓣膜性心脏病方面的准确率显著高于传统方法，能够有效识别主动脉瓣狭窄、主动脉瓣反流和二尖瓣返流等疾病 。此外，AI+ECG模型在预测左心室射血分数（EF）降低方面也表现出色，AUC值达到0.93，准确率为85.7%，并能提前识别出EF正常但实际存在心功能下降风险的患者。

在心力衰竭管理中，AI与可穿戴设备的结合，使得医生能够在症状出现前预测病情变化，提前进行干预。例如Peerbridge Health研发的AI设备Peerbridge Cor，这是目前唯一获得专利的3导联、2通道无线AECG可穿戴设备，采用埃因托芬三角设计，并配备专有算法计算派生的12导联，能够以低成本对心脏健康进行诊断和监测。其创新的远程监控解决方案能够及时准确地进行诊断，即使是对无症状患者也同样有效，提供了一种比传统方法更为便捷和经济的选择。

从“炫技”到“解题”——医疗AI的“有用”之道

在医疗AI领域，真正“有用”的路径并非追求炫目的技术展示，而是聚焦于对真实场景的深刻理解与精准切入。无论是辅助医生、服务患者，还是提升系统效率，唯有立足于医疗行业的实际痛点，才能实现技术的有效落地。以下是当前医疗AI应用中被验证为有效的三大路径类型：

• 临床流程型：嵌入诊疗流程，提升效率与质量

• 典型案例：全诊医学构建的AI医生助手，覆盖“问诊-书写-决策-随访”全流程，已在多家医院实现病历自动生成、门诊智能导诊等应用，每日调用量超7万次。
• 关键特征：高频使用、刚需驱动、可量化的效率提升。
• 监管优势：不直接参与诊断决策，监管压力相对较小，便于快速迭代和部署。

• 科研驱动型：辅助医学研究，推动知识创新

• 典型案例：灵犀医疗自研平台搭载全球3.5亿项医学证据，能够辅助医生快速生成科研方案、营养处方等成果。
• 关键特征：数据密集型、模型驱动、强调知识发现。
• 商业模式：类似于AI+CRO，基于大模型技术提供服务，注重服务质量和交付效率。

• 健康管理型：面向C端，提供个性化健康服务

• 典型案例：健海科技提出“AI健康教练”的概念，通过AI实现从数据采集、风险识别到行为干预全流程闭环，提升慢病与产科患者的依从性与满意度。
• 关键特征：以患者为中心、强调行为改变、注重长期关系。
• 商业模式：面向C端，由患者支付费用，强调服务的价值和体验。

结语