医疗AI行业2025年深度洞察：价值分歧与数据资产化破局路径

在经济周期压力引发各行业普遍回调的背景下，医疗AI领域尽管尚未全面实现规模化盈利，却依然保持着强劲的高增速发展势头。最新市场调研数据显示，2024年中国医疗AI解决方案市场规模已达到164亿元，并预计在2030年扩大至353亿元，期间年复合增长率（CAGR）高达13.63%。

这一庞大且持续增长的市场不仅吸引了更多创业者涌入，也推动了大量医生投身于AI的科学研究与产品研发。如今的医疗AI已不再是单一学科的产物，而是计算机科学、工业工程与临床医学等多学科深度交叉融合的结晶。

聚焦2025年，医疗AI领域最显著的变化可归结为两大核心趋势：大模型的突破式演进与医疗机构的规模化参与。

2025年年初，DeepSeek发布的DeepSeek-R1模型为产业带来新浪潮。在参数高效微调（PEFT）、混合专家架构（MoE）等创新技术的支持下，DeepSeek有效降低了大模型的部署与应用门槛，促使医院管理者开始主动规划并建设相关基础设施。

动脉智库统计数据显示：截至2025年5月，国内第三方榜单排名前100的医院已全部完成大模型基础设施的部署。其中，有38家医院在通用模型基础上进一步开展研发，共打造出55个符合自身临床需求的垂直医疗模型，内含22个专科模型。

同时，医生群体对大模型的实践热情也远超传统AI工具。即便在深圳市卫健委推行算力集中采购政策（旨在避免单个医院过量采购导致的算力浪费）并限制医院自行采购，且医院普遍不愿数据出院的背景下，部分医生仍通过申请科研项目的方式绕过政策限制，坚持借助大模型进行临床科研探索。

2025年上半年医院参与开发的专科大模型（资料来源：公开信息）

值得注意的是，非Transformer架构的AI技术在临床中的应用也日益深化。过去它们主要集中于医技科、信息科等科室，赋能于问诊、检查、随访等环节；而随着手术机器人的崛起，大量AI应用开始涌现于治疗场景。

公开资料显示，胸外科、神经外科、心内科、骨科等涉及手术的科室均已出现大量辅助治疗型AI选项。本次调研中，超过90%使用过相关AI的医生给出了正向反馈，证实AI能够有效提升手术精准度，并显著降低并发症发生概率。

人工智能在医疗领域细分场景应用全景（资料来源：动脉智库）

政策层面的支持力度也在持续加大。《关于优化全生命周期监管支持高端医疗器械创新发展的举措（征求意见稿）》公开征集了关于多病种AI、大模型等新兴技术准入方式的意见，率先为大模型的发展指明了方向。

与此同时，《关于促进和规范“人工智能+医疗卫生”应用发展的实施意见》提出了24个重点应用建设方向，明确要求到2027年建立一批卫生健康行业高质量数据集和可信数据空间，形成一批临床专病专科垂直大模型和智能体应用，实现基层诊疗智能辅助、临床专科专病诊疗智能辅助决策和患者就诊智能服务在医疗卫生机构的广泛应用，基本建成一批医疗卫生领域国家人工智能应用中试基地，打造更多高价值应用场景，从而带动健康产业高质量发展。这些政策的出台进一步清晰勾勒了医疗AI的发展路径。

总体而言，现阶段的医疗AI正享受着资本、政策与医生协同带来的红利，预计至少在未来3年内将为行业高速发展提供充足动力。然而，要将这些资源转化为持续价值，医疗AI仍需进一步降低研发成本，妥善解决“价值分歧”问题，并在商业模式与支付方创新上取得突破。

价值分歧困境：患者疗效与科室效益的艰难平衡

尽管AI在多方协力下发展迅速，但作为独立产品形态出现的AI器械或软件始终难以实现商业化突破。根本原因在于，医疗AI在不同部署环境下产生的价值存在差异，医院很难精确核算其综合效益，这在一定程度上阻碍了其商业化进程。

此外，应用AI所产生的诊疗效益未必能直接转化为医院价值。多数情况下，只有在符合医院管理核心利益时，AI才会被优先配置，因此部分服务于医生或患者的智能应用可能在采购决策中被忽视。

■ 短期视角：医院与医生利益多数不一致

从科室容量考量（态度中立）：当出现患者排队时（常见于影像科），对单一环节的优化理论上能提升整体效率，帮助医生接诊更多患者；若未出现排队，科室引入AI后患者数量不变，医生工作负担减轻，但AI带来的效率提升在短期内难以转化为实际效益。

从应用功能考量（反向）：医院若以评级为目的采购AI，可能忽视应用的实际能力、互操作性等因素，而这些因素直接关系到医生的使用体验。

从模型自主学习考量（反向）：医院希望医生能整理诊疗过程中产生的数据，用于院内模型的自主学习；然而，将个人经验数据用于训练模型不符合医生的短期利益，部分医生对借此贡献自身数据持有抵触情绪。

■ 长期视角：医院与医生利益多数趋同

科室层面（一致）：更优质的手术质量能为医院赢得声誉，吸引更多患者，从而可能同步提升科室效益与医生收入。

科研层面（一致）：AI节省的时间可助力医生开展更多科研教育工作，既提升医生个人影响力，也增强医院整体科研实力。

自主学习（中立）：模型学习医生习惯后，可在后续使用中提供个性化设置（尤其在手术操作中），同时提高手术效益与效率，进而转化为科室效益。但对资深医生而言，将积累的经验无偿整合成AI能力，虽提升了科室水平，却可能削弱个人竞争力，故部分医生不愿将相关数据用于AI训练。

成本考量（反向）：AI的规模化应用可能降低医院对医生数量的需求，从而对医生岗位或薪资构成潜在压力。

■ 患者视角：患者与科室利益可能不一致

患者体验（一致）：AI能优化疗效与手术过程，为患者带来更好预后，在DRG支付模式下增加结余，进而提升医生及科室收入。

患者支付（反向）：部分流程优化缩短了治疗时间并降低了费用，但可能因改变编码、减少科室协作而降低科室收入。

从上述分析可见，部署AI后的短期内，医院与医生的利益在多数情况下并不一致；短期部署往往利于医生而非医院，且投资回收期难以准确估算。在当前经济环境下医院现金流普遍紧张，管理者更倾向于选择风险可控、回收期短的创新技术，因此虽能接受AI落地，却难以为其支付高昂费用。

至于长期效益，实际调研显示：2020年至2021年间开始在临床科室部署专科AI的医院，已有部分实现了科室效率与就诊人数的双重提升，医生诊疗流程与AI应用深度融合。

然而，不同科室在短期与长期的效益计量各不相同，受宏观政策、医院硬件、管理者观念、AI能力边界及支付方等多重因素影响，需独立考察。在本报告中，我们将深入胸外科、心内科、神经外科、放疗科等科室，逐一剖析具体临床环境下的AI应用与商业化进展，探寻化解医疗AI商业化难题的新思路。

科室深度分析：胸外科

作为三级医院中患者诊疗量较大、临床压力与工作强度较高的科室，胸外科天然存在对医疗AI的需求，以期提升科室运行效率与诊疗质量，减少医生日常工作中的冗余环节。

同时，胸外科诊疗过程中产生的数据易于标准化，尤其在肺外科领域，CT、DR等肺部影像数据非常适合用于深度学习训练，这使得胸外科成为医疗AI最早赋能的场景之一。

胸外科门诊情况及人工智能分布（资料来源：调研访谈）

调研显示，国内三级医院胸外科使用频率较高的AI主要集中在辅助诊断、辅助穿刺、手术规划与术中导航等方面，其中肺外科应用最为成熟。

诊断阶段，基于低于100层CT影像样本的人机对照实验，医生独立判别肺结节平均耗时5～10分钟，而在人机协作模式下仅需1.6～2.2分钟，理论上可缩短2.8～8.4分钟，效率提升范围达56%～84%。当CT层数增加时，效率提升比例还有进一步增长空间。

以东北某三甲医院为例，该院肺外科医生每日需完整翻阅约60组患者影像，阅片速度慢且易漏诊。AI赋能后，系统平均每日会筛选出数个需特别关注的影像（该院通常为5—6个），部分医生采取详看标注影像、略看非标注影像的策略，整体诊断效率提升约73%。该系统上线约4年，结合术中AI的应用，该科室门诊量已增长约40%。

手术阶段，AI的价值创造主要体现在复杂手术规划与穿刺角度实时指导。复杂手术规划方面，年轻医生在处理风险较高的病灶（如贴近血管的病灶）时易发生失误，AI可对穿刺路径进行优化，降低操作风险。穿刺角度方面，医生需在立体人体中精准复现二维影像上的“虚拟角度”，并应对呼吸、体位等动态干扰，很难快速定位有效穿刺角度，AI能辅助医生实时判断角度是否符合手术要求。

AI穿刺的价值资料来源：公开信息、调研访谈

在AI辅助穿刺实践中，某三甲医院数据显示：使用AI赋能的机器人组在调整不超过2次的定位成功率（76.5% vs. 25.0%）、穿刺平均调整次数（1.62±1.71次 vs. 4.39±3.69次）、患者接受的CT扫描次数（5.47±2.59次 vs. 8.39±4.69次）等方面均显著优于传统人工穿刺组。

三维重建方面，哈尔滨医科大学附属第一医院引入AI实现精准肺段切除后，患者3年生存率提升约20%，并发症显著减少（顽固性咳嗽下降约40%、疼痛下降约20%、总体并发症下降约30%）。住院时间上，该院引入AI前平均住院日为12天，现缩短至5天，效率提升约58.3%。

理论上，胸外科AI的商业价值取决于其为科室带来的经济效益。目前其价值呈现三种模式：增效、提质与流程优化。其中，增效主要提升科室价值，提质主要提升患者价值，流程优化则部分利于医生、部分利于患者。

在科室实际诊疗成本低于DRG组付费标准的前提下，提效模式对科室收益有积极影响，但幅度有限。这是因为科室整体效率提升遵循木桶原理，上限由最薄弱环节决定。即便问诊、手术环节效率提升超过50%，但若术前检查过长或医生排班不合理，仍会制约最终效率。

提质模式对患者价值提升显著，对科室价值的提升则视情况而定。当科室床位饱和且诊疗成本低于DRG付费标准时，缩短平均住院日能增加医保支付结余；若床位有空余，AI赋能仅能通过降低单病例成本（如减少并发症、降低再入院率）获取有限结余。

流程优化模式常因具备显著患者价值而实现更高综合价值（患者价值+科室价值），但可能不利于DRG下的科室绩效考核。

以后纵隔神经纤维瘤为例，传统路径下胸外科医生需进行胸部增强CT，明确肿瘤位置、大小及与血管、气管、椎间孔的关系。若肿瘤侵入椎间孔，则需加做胸部MRI，并联合神经外科评估风险，患者总花费约5万元。

AI三维重建技术成熟后，部分AI能基于CT影像重建重要神经，直接判断切除风险。由于无需神经外科参与，患者总花费下降，诊断流程缩短。但在DRG支付下，传统路径涉及两个术式，可分成两部分报销；而新流程仅涉及一台手术，报销费用减少。

此情境下，新流程有利于患者却不利于科室，相关AI的短期商业价值受限。但从长期看，其价值质变可能性依然存在，这与DRG支付规则的未来调整紧密相关。

数据资产化：隐藏的医疗AI可持续增长破局路径

从医疗AI在临床专科与支撑环节的应用来看，其虽能创造一定价值，但多数不足以说服支付方进行直接支付。因此，在未来一段时间内，医疗AI仍需探索更深入的应用场景，更直观地改善患者检查与手术收益。

然而，更深度的探索意味着更高的研发成本。要维持医疗AI的可持续发展，行业必须找到更优的研发路径，有效控制支出，以更低成本产出更高效的AI。此外，成本降低还能影响产品定价，从而在更广泛的医疗场景中拓展市场空间。

2023年之前，“数据治理”作为AI研发的硬性成本，很难在此环节实现“降本”。但随着国家数据局的成立，数据作为“生产要素”的身份开始凸显，变革由此开启。

当前阶段，“数据”要素对AI发展的影响较算力、算法更为直接和深远。它不仅取决于企业对该要素的投入，还依赖于医疗机构、研究机构的数据治理速度，以及医疗健康数据伦理的探索——即研发者对数据的使用方式。

若能提升数据治理效率，降低优质数据集的制作成本，并实现优质数据的多重复用，医疗AI产业的应用广度及算法鲁棒性都将大幅提升。

数据集建设难点资料来源：调研访谈、东软医疗

2020年4月，国务院发布《关于构建更加完善的要素市场化配置体制机制的意见》，正式将数据确立为第五大生产要素，明确提出“健全数据要素流通规则”。2023年国家数据局成立后，“数据资产化”进程加速，医疗健康数据由此真正步入探索实践阶段。

围绕健康数据资产化的数据复用路径多样，此处重点探讨场内交易与可信数据空间。

医疗数据的场内交易是国家层面的公允数据流通方式。高效流通的前提是具备丰富的供给与充足的需求。当前需求旺盛，但供给相对不足。

将原始数据转化为可交易的健康数据标的，供给方通常需完成数据收集、治理、律所评估、资产确权、平台交易五个环节。其中，数据治理、律所评估与资产确权共同构成了数据资产的生产成本。

1. 数据清洗环节。机构在建立数据资产前需确定数据集内容，收集原始数据并进行清洗。以影像数据资产为例，三甲医院医生标注一张胸部CT的成本约为50元-60元/张。一个包含1000例患者的数据集，其数据治理成本约为5万—6万元。

2. 完成数据治理后，供给方需聘请律师事务所进行合规评估，确保数据资产来源合法。各律所收费标准相近，费用与数据内容无关，仅按数据体量与评估次数计费。一般而言，单次数字资产评估费用在5万—6万元之间浮动。

3. 资产确权环节，供给方需在交易所进行资产确权，获取用于公示和交易的数据资产证书。此步骤成本相对较低，不同交易所收费差异不大，通常均在数千元内。

三个环节总成本约10万元左右。对部分机构（尤其是医疗机构）而言，在单个健康数据资产交易次数有限的情况下，生产成本可能超过交易收益，且需承担数据相关风险，因此短期内供给受限，导致医疗数据资产市场供给稀缺。

部分信息科医生表示：当前数据交易为医院带来的收益不足以激励其承担相应风险。因此，多数医院仍处于观望状态，期待医疗数据交易市场的进一步发展。

部分上架线上交易所的健康数据交易标的（资料来源：公开信息，统计截至2025年7月10日，非完全统计）

可信数据空间是一种基于共识规则的数据流通利用基础设施，旨在连接多方主体，实现数据资源的共享共用。相较于区块链、隐私计算等技术，其突破性在于构建了一个蕴含数据共享信任机制的特殊环境，为不同主体、行业和区域营造安全可信的数据流通生态，促进数据有序流动。

具体而言，可信数据空间可保障数据资源在接入、使用、溯源全过程的“可信”能力，通过对接入主体、数据、产品服务及技术组件进行严格认证，确保空间内主体身份可信、数据可用、产品与服务安全可靠。同时，借助数字合约与使用控制策略，对数据流通全过程实施实时管控，切实保障各方数据权益。

在医疗健康领域，该技术的价值在于帮助医疗机构、药企、保险机构、科研单位等各方在遵循共同规则的基础上，安全共享患者诊疗数据、临床研究数据等各类医疗数据，打破数据孤岛，推动医疗数据的深度整合与利用。

医保行业的可信数据空间（数据来源：公开信息，江苏省数据集团）

在医疗健康数据交易市场未成规模前，可信数据空间可承担小规模数据交易，促进空间建设主体的数据复用。

总体而言，可信数据空间领域已有积极探索与实践，但整体发展仍处起步阶段，特别是“大模型+数据空间”的结合，因技术复杂度高与成本约束，相关应用案例较为稀缺。要真正推动可信数据空间的健康发展，还需形成统一的技术路线与标准体系，并解决大模型与数据空间技术融合的难题，构建安全、高效、公平的数据流通环境。