2023年被称为中国医疗大模型元年。这一年，国内医疗大模型取得了诸多进展，并开始在医疗领域进行广泛应用。

近日，亿欧智库发布《2023医疗健康AI大模型行业研究报告》，报告指出，生成式人工智能操作难度低，更能够被医疗领域的专业人员接受并使用。根据亿欧预测，2023-2027年为医疗健康AI大模型集中爆发的阶段，市场规模将达70亿元+。

经过一年的发展，医疗大模型在技术、应用场景等方面都取得了明显的突破。在CHS2023第八届中国大健康产业升级峰会上，众多企业代表与专家分享了他们对医疗大模型的见解，这些见解为我们提供了有价值的结论。通过这些结论，我们可以洞察一些医疗大模型在医疗领域的应用前景以及面临的挑战。

大模型的历史可以追溯到2017年，当时Transformer结构的提出使得深度学习模型参数突破了1亿，这标志着大模型时代的开始。

2020年，OpenAI发布了GPT-3全新语言模型，模型参数规模一举突破千亿参数（1750亿）。2021年1月，Google重磅推出的Switch Transformer首次突破万亿规模。同年12月，Google再次推出1.2万亿参数GLaM通用稀疏语言模型，小样本学习打败GPT-3。

从这些发展可以看出，大模型的发展脉络是一个不断追求更大规模、更高参数的过程。随着技术的不断进步，大模型的参数量和性能也在不断提升。同时，大模型的应用也在不断扩展，涉及到自然语言处理、计算机视觉、语音识别等多个领域。

自大模型受到广泛关注以来，出现了较多关于医疗大模型的测试文章，但测试大多围绕GPT在回答美国执业医师资格考试（USMLE）的结果进行。在这个背景下，亿欧智库针对国内7个医疗大模型展开了测试。

此外，大模型在处理非标准化或模糊的临床情况时无法像经验丰富的医生那样作出最佳判断，主要由于缺乏医生的临床直觉、深度的情境理解、灵活的适应性和人际沟通能力。尤其是在中医的诊疗场景中，医学中常常存在不确定性和模糊性，医生能够基于经验和临床知识处理这些不确定性，做出最合适的判断。

如果AI系统在不同的临床环境和患者群体中表现出波动或不可预测的结果，它们的可靠性和信任度就会受到质疑。这可能导致误诊、治疗延误或不必要的治疗，增加患者的风险和医疗成本。

因此，确保医疗健康AI系统的稳定性和可泛化性是推广其临床应用的关键。这需要通过广泛的验证、持续的监测和严格的临床测试来实现，以确保系统在各种条件下都能提供准确和一致的支持。

除了对大模型的稳定性有严格要求外，医疗大模型的发展还面临多重挑战。因此，加强与医疗领域的合作，深入了解实际需求和应用场景，对于医疗大模型的进一步发展和应用至关重要。

今年9月，百度HCG AI产业部正式发布首个产业级医疗大模型。百度智慧医疗技术负责人黄海峰在CHS2023·科技创新主题论坛上指出，医疗行业大模型首先要有优质中文通用大模型底座作为支撑，并在知识增强、检索增强、上下文增强等技术的加持下，垂类模型的内容生成精度能够得到有效提升。其次医疗大模型需依托万卡算力集群与全生命周期模型开发工具链作为保障，不断调整模型表层的参数，更深层次优化模型相关的效果。最后是医疗行业的深度积累，不仅要有亿级Token医疗健康语科训练数据，同时也应具备超百种面向具体场景小模型任务的能力。

“产业级的医疗大模型的打造具备三方面的特点，重循证、多层次和全链路。”黄海峰总结道。

在医渡科技执行懂事、CEO兼联合创始人徐济铭看来，医疗垂类大模型面临的主要挑战包括算力的可及性，数据的安全应用性，算法的全栈工程技术和应对AI幻觉，以及应用场景上的商业模式和付费方式。

在数据方面，医渡科技凭借经授权处理分析的40多亿份医疗记录，沉淀了大量多维度可量化知识图谱，并基于自研的数据生成技术，将这些沉淀下来的知识图谱应用于大模型训练。

临床诊断是一个复杂的过程，需要医生综合考虑多种信息来源，如医学影像、化验结果、病人主诉等。然而，当前用于辅助诊断的深度学习模型还不足以满足这一需求。

因此，在医学场景下，多模态数据处理能力是模型或算法的重要要求之一。

在深睿医疗联合创始人、CTO李一鸣看来，覆盖影像等数据的新型多模态人工智能疾病诊断模型，能够更好地支撑临床智能化的建设，也具备更广泛的应用场景。目前，深睿医疗研发的大模型技术能够对现有的影像AI和医疗大数据中台产品进行全线赋能，打造文本、影像等多模态数据的一站式人工智能平台。

神州医疗也在进行AI战略升级，依托多模态大数据基础，建立数据生产引擎。神州医疗副总裁兼人工智能研究院常务副院长许娟博士表示，依托在医疗大数据、智能影像、精准医学三大领域的积累，神州医疗打造了NLP大模型、CV大模型、精准医学大模型等三大多模态大模型。

其中，NLP大模型旨在构建具有自主知识产权的多模态知识图谱，实现自动化文本信息解读；CV大模型构建具有自主知识产权医疗CV大模型，实现影像高效精准的诊断；多模态精准医学大模型基于NLP技术、影像技术、术语技术，及OMOP数据模型结构，构建具有自主知识产权的多模态临床医学数据集。

柏视医疗的下一步动作，是将构建多模态医疗大模型，以提升肿瘤诊疗的智能化水平。柏视医疗总裁兼联席董事长徐晨阳表示，通过使用大规模的预训练模型，可以减少对金标准的依赖，提高模型的泛化能力，为下游任务提供强大的支持，更好地解决当前深度学习模型面临的问题。

在亿欧智库《2023医疗健康AI大模型行业研究报告》中，联影智能也在多模态大模型进行全面布局，涵盖影像大模型、文本大模型、混合模态大模型，聚焦诊疗全链路的智能驱动。

多模态医疗大模型结合了多种医学数据，能够为用户提供更全面、准确的诊断结果，为医生提供更好的辅助诊断支持及个性化的治疗方案。在医学领域，多模态医疗大模型具有广泛的应用前景。目前其研究和应用尚处于相对早期的阶段，且由于医学数据的复杂性和敏感性，多模态医疗大模型的数据处理和模型训练需要更加严格的质量控制和安全保障措施。

众所周知，只有将大模型应用于合适的场景中，才能充分发挥其价值，提高医疗领域的效率和准确性。根据亿欧智库报告，目前医疗大模型应用场景主要在诊疗、科研、健康管理、区域医疗、制药企业等。

在此次CHS2023第八届中国大健康产业升级峰会中，也有多家企业针对医疗大模型应用场景进行了介绍。

当前，医疗大模型正在向更多场景进行深度赋能。未来，在相关法案得到完善的前提下，借助更强大的人机交互能力，医疗大模型的应用范围将进一步拓展，使用便捷性也将得到提高。

在此次CHS2023上，解放军总医院信息中心原主任，高级工程师、北京市信息化专家咨询委员会委员薛万国表示，医学人工智能的进化之路可以分为三个阶段，一是基于规则的专家系统；二是基于数据的机器学习；三是自然语言处理与大型语言模型。

薛万国强调，大模型的出现把医学AI应用推进到新的水平，但并不会取代既往技术，未来将是多种技术的聚合应用，发挥各自的特点优势，在不同的场聚共同打造智能化医护助手。

例如，大模型可以结合深度学习技术，对医学影像进行更精准的分析和诊断；结合自然语言处理技术，对医学文本进行更深入的理解和挖掘；与多模态数据的结合，用户可以通过语音、文字、图像等多种方式与机器人进行交互；与机器学习、物联网等技术结合，构建智能化的健康管理系统，并实现对用户的生理数据、生活习惯等的监测和分析，为用户提供个性化的健康建议和预防保健方案等等。

结语

大模型时代的到来，为医学AI应用带来了全新的机遇和挑战。我们既要看到大模型的优势，也要关注其面临的挑战。通过不断创新和探索，相信医疗大模型将有能力满足不断增长的医疗需求，从而为医学领域开辟更为广阔的前景。