财湃新闻 在日常就医场景中，不少患者都有过类似的经历：身体出现不适后辗转多个科室就诊，不同科室的医生往往聚焦各自专科领域的病症特征，难以快速完成跨学科的综合判断，导致病情迟迟无法得到明确诊断。随着人工智能技术在医疗领域的渗透应用，这一长期困扰医患双方的痛点正在迎来新的解决路径，AI辅助诊疗工具的普及正在为减少误诊、提升诊断效率提供有力支撑。

　　国家卫健委医政司公布的AI辅助诊断系统在基层医院试点推广的阶段性评估结果显示，部署AI辅助诊断系统后，试点基层医院在常见病诊断方面的准确率从82.5%提升至93.7%，误诊率降低超过30%，双向转诊的合理性也有显著提升。目前在基层推广的AI辅助诊断系统主要覆盖三个领域：影像学诊断（肺结核、肺结节筛查等）、心电图分析（心律失常识别等）和常见病辅助决策。系统通过分析患者的症状描述、检查结果和病史信息，为基层全科医生提供鉴别诊断建议和治疗方案参考。

AI辅助诊疗的实际应用场景拓展

　　近年来，人工智能正在快速进入医疗领域，从医学影像分析，到智能问诊，再到疾病风险预测，AI正逐渐成为医生身边的新工具。2026年中关村论坛“人工智能+产业”论坛上，有企业介绍其研发的AI医生可覆盖超1.13万种疾病的精准诊断，辅助诊疗准确率达95.1%。在不同的医疗细分场景中，AI的赋能价值正在逐步显现。

　　坐落于重庆西部科学城的金凤实验室，打造了多模态智能化远程病理会诊平台。该平台汇集卞修武院士领衔的100余位专家，接入46家基层医院。脑胶质瘤诊断原需一周，如今在人工智能辅助下仅3天即可出具诊断建议，平台累计完成疑难病理会诊570余例。广东省中医院建设了覆盖皮肤病、心血管疾病等多学科的名老中医辅助诊疗大模型矩阵，该院研发的禤国维国医大师诊疗大模型覆盖10余种常见皮肤病，投用以来已辅助诊疗决策2917次，核心病种诊断准确率达95%以上。

　　在传染病防治领域，人工智能赋能的相关工具也在发挥作用。“智感哨”发热预检分诊智能体与“感证通”传染病循证助手集中亮相，为基层医疗机构发热患者科学分诊、传染病早期识别提供智能支撑，助力基层首诊能力提升。此前发布的“智感AI医生迪迪”依托北京地坛医院感染学科专家团队可实现智能症状评估、精准就医指导、检验报告专业解读等全场景服务。多场景人工智能体的先后亮相，将权威感染专科经验转化为普惠智能工具，补齐基层传染病筛查短板，用人工智能赋能分级诊疗，让前沿防控能力下沉至临床一线，推动优质医疗资源更加便捷地触达患者。

AI赋能传统医学的发展进程

　　2026年10月18日，在2026世界传统医药大会上，《人工智能赋能全球传统医学发展报告（2026）》发布，报告认为人工智能赋能传统医学已进入快速发展期。报告显示，在人工智能赋能传统医学领域，2000年以来全球公开相关专利达3030项，中国以80.4%的公开量和84.2%的授权量稳居首位；相关论文产出方面，1990年至今全球发表的SCI文献中，中国贡献了约47%。

　　智能四诊仪推动诊断信息客观化与标准化，AI通过数字孪生机器人等助力优质医疗资源下沉，AI辅助活体成像为经络提供现代科学观测证据，人工智能正逐步应用于传统医学的多个环节，为破解传统医学传承难、阐释难、标准化难等瓶颈提供了契机。全球传统医学联盟副主席兼秘书长秦怀金介绍，总体看，人工智能赋能传统医学已经走出概念阶段，在这一领域，全球治理框架加速成形，主要经济体和区域机制相继推进传统医学合作与人工智能治理；技术演进伴随通用人工智能发展同步展开，应用形态由单一环节走向覆盖诊疗全流程的协同。

　　《人工智能赋能全球传统医学发展报告》由全球传统医学联盟发起并支持，是该联盟的首份研究报告，未来该联盟将会持续发布系列报告。报告总体框架共分为五章十四节，系统梳理了人工智能与传统医学融合的全球战略、应用现状、风险挑战与未来对策。针对传统医学长期受困于传承难、阐释难、标准化难三大瓶颈，报告认为人工智能提供了一条破局路径，正推动四个关键转化：首先，把医生个人的隐性经验转化为可存储、可复用的显性知识。第二，把整体观、辨证论治转化为可计算、可验证的表达。第三，把舌象、脉象等主观的判读转化为客观量化数据。最后，推动药物研发从经验循药走向理性设计。

医疗AI应用的现实局限与边界

　　尽管AI在辅助诊疗领域展现出亮眼的数据表现，但高准确率背后仍存在诸多现实局限，其准确率高，并不意味着在真实诊疗环境中一定可靠。很多AI模型的高准确率来自实验室测试，在这种情况下，数据通常经过整理和标注，病例信息比较完整，疾病类型也相对明确。但真实医院环境中的患者并不会像医学教材一样描述症状，有人会用生活化的语言描述感受，还有患者可能因为年龄、语言习惯或紧张无法准确表达自己的情况，这些不确定因素都会增加AI判断的难度。

　　此外，整体准确率也可能掩盖不同疾病之间的差异。对于常见疾病，AI可以通过大量数据学习规律，因此表现较好。但面对罕见病和复杂疾病时，AI的能力可能明显下降。2026年一项关于大语言模型辅助罕见病诊断的综述分析发现，AI辅助罕见病诊断中将正确诊断排在首位的比例约为43.3%，说明尽管AI具有辅助诊断潜力，但在面对罕见和复杂疾病时仍存在较大提升空间。技术带来的还有伦理困境，罕见病患者更容易遭遇漏诊，由此造成健康权益上的不公平。

　　临床判断远比数据库搜索复杂，医疗诊断不只是简单的“匹配答案”。医生不仅需要分析检查结果，也会观察患者的状态，这些信息往往难以被数字化。中国卫生法学会副会长郑雪倩指出，如果这一代医生都依赖AI，而这些AI的训练数据本就来自上一代医生积累的经验，那么到下一代医生接班时，如果没有自己的研究与经验积累，他们还能否具备独立诊断的水准。除了准确性，医疗AI还有一个重要问题：算法可解释性不足，人工智能模型通常通过大量参数建立预测关系，它可以给出答案，却不一定能清楚说明为什么得出这个答案，一旦AI判断错误，相关的法律责任划分目前仍没有明确的界定标准。

　　在AI医学影像辅助诊断领域，还存在“假阳性悖论”的现象，总准确率很高，和阳性结果大多不可信，两个结论同时成立。这一现象并非AI技术缺陷，而是所有低患病率筛查项目都存在的底层统计规律，在健康人群中开展筛查时，阳性预警的实际可信度会大幅降低。从公共卫生的角度看，假阳性的代价是必要的，对于筛查工具而言，“不漏诊”永远是第一优先级，假阳性是为了实现这个目标必须付出的成本。

　　不少基层试点医院的医生反馈，AI系统在应对自身经验不足的复杂病例时帮助最大，特别是对于一些不典型的疾病表现，系统的提醒功能有效避免了漏诊。不过也有医生担忧过度依赖AI可能弱化自身的临床思维能力，建议将AI定位为辅助工具而非决策替代。医学影像AI从来不是用来替代医生的，它的价值是帮医生“查漏”，把那些容易被人眼忽略的小病灶找出来，提醒医生重点关注，AI更不容易“漏掉病灶”，但更容易“看错、误报”，医生不容易误报，但有可能遗漏微小恶性结节，二者配合才能实现效率与安全的平衡。

(编辑：徐松丽)