2026 年 2 月 6 日，中高端私立医疗服务机构卓正医疗（02677.HK）正式在港交所主板挂牌上市，这家从深圳一间 100 平米诊所起步的医疗企业，历经 13 年发展成为年收入超 10 亿元的行业头部企业。然而，最引人注目的并非其上市本身，而是其将募资净额的 35%（约 7670 万港元）投向 AI 医疗技术升级的战略决策。这一举措在医疗 AI 商业化进程中具有标志性意义，不仅彰显了资本市场对医疗 AI 前景的认可，更折射出整个行业正处于从技术探索向规模化应用转型的关键节点。
在全球医疗 AI 市场规模突破1562 亿美元、中国市场增速高达67%的背景下，卓正医疗的 AI 投资决策绝非孤例。从政策支持到市场需求，从技术突破到商业模式创新，医疗 AI 正迎来前所未有的发展机遇。然而，机遇与挑战并存，算法黑箱、监管合规、数据安全、人才短缺等问题依然制约着行业发展。本文将深入剖析医疗 AI 的确定性趋势、紧迫性需求与现实挑战，为医疗从业者和投资者提供全面的行业洞察。
医疗 AI 的确定性首先体现在国家政策的强力支持上。2025 年 11 月，国家卫健委等五部门联合发布《关于促进和规范 "人工智能 + 医疗卫生" 应用发展的实施意见》，为行业发展制定了清晰的时间表和路线图。该文件明确提出，到 2027 年建成一批高质量数据集、专病大模型和智能体应用，基层诊疗智能辅助广泛落地；到 2030 年，基层智能辅助基本全覆盖，二级以上医院普遍应用影像和诊疗智能辅助。
更为具体的是，政策对 AI 应用的覆盖率提出了量化要求：2026 年底前，二级以上医院 AI 辅助诊疗系统覆盖率不低于 70%，三级医院实现核心科室全覆盖。这意味着未来 2-3 年内，AI 辅助诊断将从试点阶段全面进入规模化部署期。
在此之前，2024 年 11 月发布的《卫生健康行业人工智能应用场景参考指引》已经明确了84 个细分应用场景，涵盖医学影像分析、智能药物研发等核心领域。从宏观规划到具体场景，政策体系的完善为医疗 AI 发展提供了确定性的制度保障。
医疗 AI 市场的爆发式增长为行业发展提供了坚实的需求基础。根据多家权威机构的最新数据，全球 AI 医疗市场正处于高速扩张期：
市场维度 | 2024 年规模 | 2025 年规模 | 增长率 | 2030 年预测 | 年复合增长率 |
全球市场 | 1255 亿美元 | 1562 亿美元 | 24.37% | 4681 亿美元 | 24.37% |
中国市场 | 675 亿元 | 1157 亿元 | 67% | 3000 亿元 + | 24.37% |
中国 AI 医疗设备 | 252 亿元 | 420 亿元 | 67% | 3000 亿元 + | - |
中国市场的表现尤为抢眼，2025 年 AI 医疗市场规模达到 1157 亿元，增速高达 67%，预计 2028 年将攀升至 1598 亿元。其中，AI 医学影像作为最成熟的应用领域，2025 年市场规模有望突破 150 亿元，2026 年将增至 235.7 亿元。这种爆发式增长反映出中国医疗体系对 AI 技术的强烈需求和巨大潜力。
医疗 AI 技术的成熟度已经达到商业化应用的临界点。截至 2025 年 10 月，中国已累计批准超过 120 款医疗 AI 影像诊断产品，国家药监局批准超过 110 款基于深度学习的第三类医疗器械独立软件产品。这些产品涵盖 CT 图像、X 射线图像、眼底图像等 9 种数据类型，应用场景包括辅助分诊与评估、辅助识别与检测、辅助治疗等。
技术效果方面，医疗 AI 在多个关键领域已经达到甚至超越人类医生的水平：
肺结节识别准确率达 95%-98%，远超传统医生的 70%-90%
腾讯觅影肺结节检测准确率超 98%，对≤4mm 小结节的检出率达 75%，准确率 95%
科大讯飞医疗 AI 系统病历生成准确率达 96%，已覆盖全国 31 个省份 1.2 万家基层医疗机构，累计辅助诊断超 3.5 亿例
更为重要的是，AI 技术正在从单点突破向系统性应用转变。卓正医疗的实践表明，AI 不仅能提升诊断效率，更能实现全流程优化 —— 其 AI 助理日均处理上千预约，仅 10% 复杂案例转交人工；AI 系统能让医生在几秒内掌握患者全系统历史健康画像。从 2022 年到 2025 年前八个月，卓正医疗的人力成本占营收比例从 80% 下降至 54%，充分验证了 AI 技术的实际价值。
中国正以前所未有的速度进入深度老龄化社会。根据国家统计局最新数据，2025 年末中国 60 岁及以上人口达32338 万人，占总人口的 23.0%，首次突破 3 亿大关；65 岁及以上人口 22365 万人，占比 15.9%。与上年相比，60 岁及以上人口增加 1307 万人，65 岁以上人口增加 342 万人。
更为严峻的是，预计到 2035 年，我国 60 岁及以上老年人口将突破 4 亿，占比超过 30%，进入重度老龄化阶段。老年人口的快速增长直接带来医疗需求的爆发式增长，慢性病管理、康复护理、临终关怀等服务需求急剧上升，传统医疗体系已经难以承受如此巨大的压力。
中国医疗资源分布的结构性矛盾已经到了必须解决的关键时期。数据显示，80% 的优质医疗资源集中在城市，而全国超过 40 万个基层医疗机构承担的总诊疗量不足 40%，平均床位使用率不足 60%。这种 "倒金字塔" 式的资源配置导致了严重的就医困境：
三级医院人满为患：2024 年全国医疗服务总量 96.7 亿人次中，三级医院占比高达 52.4%；北上广深知名三甲医院日均门诊量过万，内科医生日均接诊超 60 人次，患者平均诊疗时间被压缩至 2-5 分钟。
基层医院门可罗雀：基层医疗机构因人才匮乏、设备陈旧，患者信任度低，首诊率仅 30% 左右。乡村医生中拥有执业助理医师资格的比例不足 45%，大量基层医疗机构陷入 "无人看病" 的困境。
这种资源错配不仅造成了医疗效率的低下，更让 "看病难、看病贵" 成为社会痛点。患者无论病情轻重都涌向大医院，形成 "排队 3 小时，看病 2 分钟" 的尴尬局面，而基层医疗机构的资源却大量闲置，造成严重浪费。
医保基金的收支失衡已经成为制约医疗体系可持续发展的关键瓶颈。2024 年的数据显示了严峻的形势：
职工医保基金收入 23732.47 亿元，增长 3.5%；支出 19102.54 亿元，增长 7.6%，支出增速远超收入增速
职工医保统筹基金累计结余同比下降 12%，多地出现 "穿底" 风险
职工医保在职退休比降至 2.62，且逐年下降，意味着缴费的人越来越少，领取待遇的人越来越多
更为严峻的是，2024 年全国卫生总费用增速仅为 5.1%，较 2021 年 9.2% 的增速下降超四成；部分地区如北京居民医保基金已开始出现 5.2 亿缺口。在医保基金压力巨大的背景下，通过 AI 技术提升医疗效率、降低医疗成本成为必然选择。
卓正医疗的案例再次证明了 AI 技术的降本增效价值。通过 AI 技术应用，其人力成本占营收比例从 80% 降至 54%，远低于全国民营医院 70% 以上的平均水平。这种效率提升不仅能帮助医疗机构降低运营成本，更能让有限的医保基金发挥更大作用，缓解医保支付压力。
尽管医疗 AI 在准确率上取得了显著突破，但"算法黑箱" 问题依然是制约其大规模应用的核心技术瓶颈。深度学习模型的决策过程缺乏透明度，临床医生难以追溯 AI 系统的决策逻辑，这在医疗这一高风险领域严重阻碍了临床信任和采纳。
更为严重的是，算法可能捕捉到非临床相关特征导致误诊。例如，某 CT 辅助诊断模型将金属假牙误判为肺癌的关键特征，导致误诊率上升 15%。这种 "黑箱" 特性与医疗场景对决策透明度的严苛要求形成了根本矛盾。
为解决可解释性问题，业界提出了多种技术方案，如 VisionFM 模型通过多模态特征对齐，使眼底影像诊断的可视化解释与专家标注重合度达 87.9%，但开发成本较传统模型增加 3 倍。这种"解释 - 性能权衡" 困境成为技术发展的主要障碍 —— 加入可解释模块后计算复杂度增加 30%，部分场景准确率下降 5%-10%。
此外，AI 系统的泛化能力不足也是重大挑战。实验室环境验证的 AI 系统常在真实场景中失效，如 IBM Watson 肿瘤系统因训练数据来自单一癌症中心，在非英语国家部署时诊断准确率骤降 25%。不同医院的设备差异、患者群体差异、临床流程差异等都可能导致 AI 系统性能大幅下降。
医疗 AI 产品的监管审批是其进入市场的首要门槛。NMPA 的审批流程主要分为临床试验申请、临床试验审批、生产上市申请和上市后监管四个阶段，整个流程通常需要 18-30 个月。虽然通过 "绿色通道" 和 "优先审评" 制度，2024 年已有 17 个 AI 三类证获批，平均审评周期缩短至 14 个月，但整体审批周期仍然较长。
审批要求的严格性也在不断提升。NMPA 对算法一致性、临床数据完整性、安全性验证等提出明确要求，使得审批周期平均延长至 18 个月左右。部分三类证产品因需补充临床试验数据或算法验证材料，周期可延长至 360 天以上，整体通过率约为 60%，低于 FDA 的 80% 以上水平。
合规成本方面，企业需要投入大量资源进行临床试验、数据合规、质量管理体系建设等。以卓正医疗为例，其 IT 数智化团队超过 50 人，这在以采购现成外部信息系统为主的医疗机构中相当罕见。高昂的合规成本和漫长的审批周期对中小企业形成了巨大压力，限制了行业创新活力。
医疗数据的隐私保护与流动性需求之间存在着难以调和的矛盾。一方面，医疗数据包含大量个人隐私信息，受到严格的法律保护；另一方面，AI 模型的训练需要大量、多样的数据支撑。这种矛盾导致了严重的数据孤岛问题 —— 医疗机构间标准不统一、互信缺失，多中心研究周期延长 40%，合规成本占 IT 预算 18%。
更为严峻的是，医疗领域每年产生超 2.3 万亿张医学影像，但超过 87% 的三甲医院数据处于封闭状态。这种数据孤岛不仅限制了 AI 模型的训练效果，更阻碍了罕见病研究与新药研发的进展。
为解决这一问题，业界探索了联邦学习、差分隐私等技术方案。联邦学习通过 "数据不动模型动" 的方式，使多方在数据不离开本地的前提下协同训练全局模型。差分隐私技术通过在模型参数中加入受控的统计噪声，从数学上保证了模型对单个患者记录的 "不可辨识性"。然而，这些技术仍处于发展阶段，在保证数据安全的同时如何不影响模型性能，仍是亟待解决的技术难题。
尽管医疗 AI 市场前景广阔，但商业化盈利模式仍在探索之中。目前行业形成了多种商业模式：按次计费（每次 CT 影像分析收费约 0.5 元，边际利润率 60%）、硬件捆绑、SaaS 订阅（如腾讯觅影的 "按次付费 + 年度封顶" 模式）、价值付费、数据授权等。
然而，商业模式的可持续性仍面临挑战。2025 年虽然实现了 "技术→产品→收入→利润" 的闭环，但整体投资回报周期仍在 3-5 年之间。产品型项目因标准化程度高、回款明确，ROI 相对可观；而平台型项目虽具备更强的生态壁垒与长期价值，但前期投入大、周期长，风险较高。
支付机制的不健全是另一个关键问题。虽然部分 AI 服务开始纳入医保支付，医院付费意愿有所提升，但相比巨大的研发投入，收入规模仍然有限。此外，不同地区、不同等级医院的支付能力差异巨大，也增加了商业模式设计的复杂性。
医疗 AI 的快速发展带来了巨大的人才缺口。根据最新数据，全国医疗 AI 人才缺口超 30 万，其中本科缺口约 3.2 万人，硕士缺口约 4.8 万人。更为严峻的是，人才缺口仍在快速扩大 —— 本科人才缺口较 2025 年增长 23%，硕士增长 14.3%。
人才短缺的根本原因在于医疗 AI 对人才的复合型要求极高。理想的医疗 AI 人才需要同时具备医学知识、算法能力、临床经验等多重技能。例如，AI 生物信息分析师需要掌握 Python+R + 机器学习 + 临床注释，年薪可达 70-120 万元。医学影像算法工程师年薪 50-120 万元，"会跑 Linux + 懂点临床" 的人才月薪 3 万起步，会深度学习直接翻倍。
高昂的人才成本进一步加剧了企业的经营压力。以深圳地区为例，医疗 AI 相关岗位的薪资水平普遍在 40-200K / 月之间，其中首席 AI 科学家年薪可达 80-200 万元。这种薪酬水平对大多数医疗机构和初创企业来说都是沉重负担。
卓正医疗 35% 募资投向 AI 的战略决策，是医疗 AI 行业发展的一个缩影。它既彰显了医疗 AI 的巨大确定性—— 政策支持力度空前、市场规模爆发式增长、技术成熟度显著提升，也折射出行业面临的紧迫性挑战—— 人口老龄化加速、医疗资源分布失衡、医保基金压力巨大。
然而，正如卓正医疗 CTO 赵天斌所言："我们更关注 AI 如何帮助医生、让医生把时间还给患者"。医疗 AI 的终极目标不是取代医生，而是让医疗服务更加高效、可及、有温度。从这个意义上说，当前的技术瓶颈、监管挑战、数据困境、商业模式探索和人才短缺，都只是发展过程中的必经之路。
对于医疗从业者而言，拥抱 AI 技术已经不是选择题，而是必答题。与其被动等待，不如主动学习和应用，让 AI 成为提升医疗质量和效率的得力助手。对于投资者而言，医疗 AI 正处于从 0 到 1 的关键突破期，虽然挑战重重，但确定性趋势不可逆转。建议重点关注技术壁垒高、商业模式清晰、团队实力强的头部企业，同时也要有足够的耐心等待行业成熟。
展望未来，随着技术不断突破、政策持续完善、商业模式日益清晰，医疗 AI 必将迎来真正的爆发期。到2030年，当基层诊疗智能辅助应用基本实现全覆盖时，我们将看到一个全新的医疗生态系统——AI 赋能下的医疗服务将更加公平、高效、精准，每一个人都能享受到高质量的医疗服务。
如能实现，这将不仅是技术的胜利，更是人类健康事业的伟大进步。你，相信这样的未来吗？
特别声明：智慧医疗网转载其他网站内容，出于传递更多信息而非盈利之目的，同时并不代表赞成其观点或证实其描述，内容仅供参考。版权归原作者所有，若有侵权，请联系我们删除。
凡来源注明智慧医疗网的内容为智慧医疗网原创，转载需获授权。
