0
| 本文作者： 胡清文 | 2026-01-08 18:29 |
12月12日，第八屆GAIR全球人工智能與機器人大會在深圳正式啟幕。
本次大會為期兩天，由GAIR研究院與雷峰網聯合主辦，高文院士任指導委員會主席，楊強院士與朱曉蕊教授任大會主席。
作為觀測AI技術演進與生態變遷的重要窗口，GAIR大會自2016年創辦以來以來，始終與全球AI發展的脈搏同頻共振，見證了技術浪潮從實驗室涌向產業深海。2025年，是大模型從“技術破壁”邁向“價值深耕”的關鍵節點，值此之際GAIR如期而至，攜手智者觸摸AI最前沿脈動，洞見產業深層邏輯。
大會上，首都醫科大學附屬北京安貞醫院胎兒心臟病母胎醫學中心主任何怡華教授親臨現場，為參會者帶來了一場精彩紛呈的演講分享。
何怡華教授開篇定調，她認為人工智能在心血管疾病領域的應用具有很大潛力。隨后她以心臟超聲為例，講述了人工智能解決方案帶來的諸多挑戰，并相應闡述了心血管疾病領域內世界研究的狀態、行業痛點和瓶頸問題，以及安貞團隊的探索研究和轉化應用。
何怡華教授表示，首都醫科大學安貞醫院研發了針對心血管體系應用的大模型，并希望在現有大模型的基礎上構建應用體系與智能體，從而真正實現所需的預警、篩查、診斷、手術導航以及個性化干預。從產業角度出發，何怡華教授認為人工智能在醫療領域的應用，要做到在醫療診療場景真正價值落地，而非停留在技術解決層面。
關于人工智能如何真正賦能醫療診療場景，何怡華教授提出了一些思考：
1、AI醫療的核心目的是為了強基層，提升基層診療能力。要從頂層設計出發，思考AI在整個醫療體系中如何落地到診療場景。
2、要實現AI在醫療體系中的有效賦能，不單是解決技術問題。首先要培訓，其次要做人工智能的賦能，并且后續要做到醫療團隊以及醫療出口的支撐。這樣的體系建設，才能讓人工智能實現醫療診療場景的落地。
3、醫療的細分非常復雜，每一種疾病的治療都自成體系。所以未來大模型和小模型的協同效應體現到醫療中，會是更垂域的小模型縱向解決了預警、診斷、治療等一系列問題后，再通過上游模型的融合來解決更大的問題。
4、可穿戴設備的主動篩查、精準診斷，個性化干預、手術規劃以及整個醫院的系統管理，這些環節都是AI參與心血管疾病防治的關鍵點。
5、把很多專家手里的數據整合起來去訓練模型，得到的未必是高質量模型。因為要訓練高質量的AI醫療模型所使用的數據集必須同時符合以下條件：案例數量足夠多、治療成功率足夠高、有出院記錄可做結局驗證。
6、DeepSeek等大模型的出現與普及，使得更多醫生對AI的接受程度逐漸提高。但長期來看，未來我們依然會面對很大的政策挑戰以及收費挑戰。
以下是何怡華教授演講的精彩內容，雷峰網作了不改變原意的整理與編輯：
AI如何賦能心血管疾病防治？
大家好，接下來我要聊的是一個很垂域甚至是微觀的話題，我是做心血管領域的，同時，我的學科特色又是做心血管非常前端的胎兒心臟的缺陷預防。人工智能這個領域的應用，實際上具有很大潛力。
首先，我們要看看心血管領域面臨的巨大挑戰。我看到現場有很多來自人工智能行業的年輕朋友，可能覺得死亡還非常的遙遠。但實際上在中國，心血管疾病一直是中國城鄉人口死亡原因的第一位。
同時，我們國家的戰略《健康中國2030行動計劃》希望把標準化CVD死亡率從210多降到180多。但根據我們最新的統計數據來看，離目標值還相差很遠，并且不降反升。所以這樣一個高死亡率的疾病，是需要我們極度關注的。
今年，我們和幾位專家共同梳理了中國心血管領域的現狀，以及人工智能應用方面的機遇和挑戰。
首先，在醫療可及性上，由于中國的地域廣闊發展不均衡，我們面臨著很大的挑戰。尤其是高質量醫療水平的均衡性和可及性，在中國一些欠發達地區是明顯不足的。另外，還有一個數據大家可能也會比較震驚。一般我們認為，心血管疾病的死亡往往都是在住院治療過程或急救過程當中發生的。但根據最新的統計數據我們可以看到，82%發生在院外。
那么為什么這么多心血管疾病的死亡在院外呢？
首先，現在低風險人群的死亡率高于高風險。比如說，你已經知道了你是低血壓、低血脂、或明確的心律失常，這個時候你可能會進行一些藥物干預。而一些低風險人群，往往沒有任何的干預措施和主動的健康防護，心血管疾病從發病到死亡時間的窗口是有限的，如果不能及時進行就診，帶來的風險還是比較大的。
總結一下，心血管在整個防治過程中的關鍵障礙。第一是醫療資源的不均衡，尤其是心血管的治療，學習曲線比較長專業性很強。第二是院外心血管死亡。第三就是兒童和青少年不健康的生活方式，現在有越來越多肥胖的孩子。第四是對預防策略治療的依從性差，即主動健康意識比較差，現在全國的醫療行業都在建議主動健康管理。
現在幾乎北京的每家醫院都在建分院，近幾年在不斷擴張中，但只要建一個新院，就像我們的安貞醫院——北京最大的一家單體醫院，建成兩個月之后就會人頭攢動，這種疾病治不完。所以整體策略應該往前走，那就包括主動健康、早篩早診、家庭體系的預防。
在這些方面，人工智能都有很大的機會空間。
首先，從可穿戴到主動篩查、精準診斷、個性化干預、手術規劃以及整個醫院的系統管理、慢病管理，這些環節都是人工智能參與心血管防治過程的關鍵點。
可穿戴方面，既往更多是心電的可穿戴，它涵蓋的疾病種類在整個心臟的大疾病性當中還是有限的，所以我們一些專家正在嘗試，是否可以把一些結構性的心臟異常，進行影像和心電的關聯，甚至是與心音建立模型關聯，賦予可穿戴的更多可能性。
通過可穿戴設備，不但能夠識別心率異常，而且還能識別整個血流沖擊波的異常，甚至是用簡單的可穿戴超聲檢來測血流動力學的異常，實現主動健康。
心臟超聲，作為一種幾乎涵蓋所有心血管疾病的一線無創檢查方法，它不像CT、核磁，它的標準化和個性化很強，這對人工智能解決方案帶來了很大的挑戰。從數據的規范，到數據之間的立體關系，以及它與疾病發展之間語義關系的轉寫，包括影像的自動識別。
到今年，已經有很多專家嘗試在解決心臟超聲的結構、功能以及疾病評估了。目前最新的一些文章中，更多還是基于對影像的自動識別以及對心臟功能的自動測量，限于它是非公開數據，所以對疾病種類的判斷是比較少的，但已經邁過了很大的一步。
其次，是關于圖像的自動識別到文本決策、診斷的自動生成的研究。這是我們2019年開始做的一項工作，因為安貞醫院最大的優勢是數據量大，并且我們十多年前就開始建數據庫了。這個數據庫并非簡單的臨床應用數據庫，而是全參數的數據庫。
在2019年，我們發布了一個篩查數據模型。基于足夠大的數據量，我們的效果還是很好的，篩查準確率達到了85%，相較于歐美的人工胎兒心臟病篩查準確率43%，還是有很大的提升。也就是說，在媽媽肚子里就能夠把100多種心臟病準確診斷、篩查出來。
最后，除了可穿戴、預警、篩查以及診斷等方面，我們還在心血管疾病領域科研方面的研究，做了比較深入的探索。比如微觀層面跨尺度的數據融合，為科學研究提供幫助，類似于對疾病的機制探索，構建了跨尺度的數字孿生模型算法。
在這方面，我們前期主要是通過對病理引產的胎兒進行大血管鑄型，然后進行CT掃描構建虛擬超聲，為未來心臟胚胎發育的可預測、可計算以及診斷導航做了一些前期工作。
AI醫療的更大目的是：提升基層診療能力
剛剛談了整個大背景下我們所做的探索和工作。首先我認為，在醫療人工智能領域，除了產業維度的思考，更應該放在整個醫療體系去思考如何落地醫療場景。因為所有的醫療人工智能，其中很大一部分工作主要是為了強基層，提升基層的診療能力。
要做到強基層，首先要培訓，其次要做人工智能的賦能，并且后續要做到醫療團隊以及醫療出口的支撐。這樣的體系建設，才能讓人工智能實現醫療診療場景的落地，而不單是技術的解決。
關于技術解決，今年我給自己設置的目標就是，所有的產品要轉化落地。但是在這一年的過程中，我意識到了很多問題，需要不斷的和社區保健員、婦幼保健院、衛健委以及與所有的婦幼體系溝通。在溝通的過程中我們發現，這其中不僅是技術問題，更是整個醫療體系的問題，其中還涉及到政策的問題。但不管怎么說我們在不斷嘗試，離最終的規模化應用還是逐漸接近的。
后面我會談到，我們研發了一個大模型，在整個心血管體系的人工智能技術層面，我們的方向是基于現有的語言大模型輸入更多的模態，在這個大模型的基礎上有很多的應用界面、應用體系或智能體，來實現實現我們所需要的預警、篩查、診斷、手術導航以及個性化干預。
其實醫療很復雜，每一個心血管又有很多細分領域。實際上我們的安貞醫院就是一個大的心外科和心內科。光是心內科就有十幾個，心外科也有十幾個。為什么會這樣劃分呢？因為每一個疾病從發病機制到解決方案都是自成體系的。
因此，未來的大模型和小模型的協同體現在醫療方面，肯定是更垂域的小模型縱向解決了預警、診斷、治療等一系列的小問題，再通過上游模型的融合來解決面上的問題。
再舉一個關于胎兒出生缺陷防治的例子。在早期，胎兒在媽媽肚子里還沒有出生之前的心血管疾病，這類疾病叫先天性心臟病，它和冠心病的發病機制完全是不一樣的。先天性心臟病更多時候是由于環境暴露、遺傳等各種原因引起的，所以它的管理方式也不一樣。
細分到婦幼體系的建設以及人工智能的賦能點，我們來梳理一下，這個疾病要怎么進行醫療模式的管理？
先天性心臟病一體化管理是我最先在國內提出的，十年后它被國家衛健委作為公共衛生政策在全國推廣，開始建立胎兒心臟病一體化管理區域醫療中心。
要提出這樣的管理體系，首先要建立一個合理的醫療防治模式。原先的管理更多是在產前階段，篩出來之后把它引掉。而現在的管理是從二級預防（即產前）進行明確診斷，包括母體對胎兒影響的相互關系，推送到孕前對母體的高風險防控，一直到出生之后建立合理時間窗的新生兒干預和救治。
在這個體系之下，最關鍵的問題是如何在產前把它診斷出來？這個時候，超聲是一個最主要的診斷方法，或者說是唯一的一個診斷方法。那么我們就要提升整個基層對胎兒心臟病的診斷能力、人工智能的視覺影像識別、自動化的導航、多模態的融合，并且進行病因推送。比如跨尺度數字孿生機制的研發、蛋白質的預測等等，這些都需要我們進行新技術融合。
在圍生期的管理中，因為胎兒是不具有呼吸的，一出生之后他就呼吸了，整個血流動力學就發生了變化。那么我們可以通過計算圍生期的心臟變化，通過數據挖掘建立孿生數字，計算出生即刻他必須改變的通道，在不同疾病當中會發生什么樣的風險。這一點非常重要，因為涉及到是否需要外科就位吸氧或做手術，器官與胚胎發育的計算，以及基于新生兒的救治，這都需要進行整體個性化的手術干預。
梳理完之后，我們可以利用具備的數據，開發相應的小模型、大模型。而沒有具備的，要進行高質量的數據建立。實際上我認為，找很多專家把他們手里的數據整合起來然后去訓練模型，這個模型的質量不會很高。
因為醫療層面所謂的高質量數據集，一定是要求這個醫院在該領域治療這種疾病的數量是非常多的，其次，治療的成功率是高的。以及相應所有的病歷都是有出院記錄的，要有結局驗證。如果死亡率是10%或20%，拿這些數據來訓練模型來論證方法的可行性，那肯定是達不到要求的。
要建立高質量數據集，無論是單中心還是多中心，首先得在頭部醫院進行。其次是全參數，要建設有頂層設計的高質量數據集。
在這方面，我們安貞醫院已經建設了是國際上最大的胎兒橫斷面高質量數據集，擁有超過10萬例數據記錄。同時我們建立了產前、產后的配對數據，可以通過動態發展挖掘病因的可能，包括心臟以外的器官，也是相互影響的。
目前我們還擁有很多從胎兒發育到成人階段的數據，以及很多后天獲得的數據，其中包含影像20萬例，文本300萬例。同時，我們基于發現的新基因以及一些目標建立了實驗室數據，比如母體蛋白組學對篩查先天性心臟病可行性建立的隊列等，后續我們還會進行前瞻性補充。
心血管防治AI產品旨在早篩、預警和決策
最后呢，簡單介紹一下我們已經研發出來的人工智能產品。
基于已經具備的數據，以及整個心血管防治的系統問題和關鍵節點問題，我們開發了一些產品，希望能夠賦能心血管的防治，包括早期篩查、預警以及決策維度。
在早期研發的語言大模型中我們采用了百萬級的數據，已經入選了國家醫療人工智能基地，并且今年9月份在衛健委的牽頭下，已經正式發布全生命周期的大模型了。我們建立的“安貞心宇”心血管大模型效果也非常好，平均診斷率可達90%。由于醫療數據都是非公開的，尤其涉及到心血管特別專業的。因此在大量數據的訓練下，我們的“安貞心宇”大模型對于每一個疾病的診斷效果都優于現在性能較好的公開模型，尤其是兒童和成人的大血管疾病。
同時，由于當下少子化、過度引產等原因，我們又開發了一個能夠在診室應用的決策系統。包括超聲報告智能體、產前胎兒心臟超聲影像自動識別和測量，以及智能影像診斷和咨詢報告。在這個過程中我們運用影像小模型和心臟AI語言大模型，實現了從影像到文本的自動生成。
我們希望作為一個廣覆蓋的渠道，將上述智能體整合到超聲機器當中形成一個定制化的機器。因此，我們與深圳邁瑞醫療聯合開發了心臟全生命周期的診斷一體機。在北京，這兩個大模型已經在市健康云部署全面上架，實現與共享助手和醫生工作站集成。
最后，在醫療領域隨著DeepSeek等大模型的出現與普及，使得更多醫生對AI的接受程度逐漸提高，但其中仍然存在很大的政策挑戰以及收費挑戰，而這些都是我們未來要面對的。
謝謝大家！
以下是雷峰網(公眾號：雷峰網)與何怡華教授采訪對談的精彩內容，雷峰網作了不改變原意的整理與編輯：
雷峰網：“安貞心宇”醫療AI大模型在研發過程中遇到了哪些挑戰？
何怡華：挑戰主要集中在三個方面，數據收集、知識壁壘導致的信息不對稱，以及心血管疾病本身的復雜性。
首先是數據收集，17年AlphaGo的橫空出世，啟發了我關于AI醫療的思考并立刻開始著手做。要訓練模型就需要收集大量相關數據來建立數據庫，但是在醫院這種高密度快節奏的工作環境中，要從龐大的數據庫中往下導數據，再經過收集、拷貝、入庫、整理、出庫，以及高精度的數據標注。
這其中的每一個環節都需要耗費巨大的人力成本和時間成本，而上述所有環節都需要經年累月的堅持去做。光是做1個標準的數據收集就包含300多項參數量，所以建立這個數據庫的困難復雜程度是可想而知。
其次是知識壁壘帶來的信息不對稱，要想把學科的交叉應用做好，醫療團隊和算法技術團隊雙方都始終需要樹立主動學習的理念，互通對方領域的新鮮知識。比如算法技術團隊需要知道醫療領域里一些最新的技術進展，才能在數據生成的過程中準確判斷哪些是需要的，哪些是不需要的。
之前的合作單位，有些甚至幾個月都做不出我們想要的數據標注結果。后來在2023年，我們通過北京市科委的“創新協同“項目，獲得了跟科大訊飛的合作機會。當時科大訊飛醫療語言大模型的通科知識就已經超越了90%的通科醫生，在這個基礎上我們用胎兒心臟的專科語料去訓練垂域的醫療AI大模型，最終花了三年時間做出了“安貞心宇”醫療AI大模型。
最后是心血管疾病本身的復雜性。因為心臟是一個立體動態的器官，它作為身體的“血泵”不僅時刻處于跳動狀態中并且伴有血流流經。同時，心臟本身就是一個非常復雜的系統包含了很多部件，且每個部件疾病的發病原因、表現形式和結局都自成體系，以至于應用在心血管疾病領域的AI醫療模型需要大小模型協同，同時也導致我們在建模過程中需要不斷增加參數收集維度，相應也提高了數據標注和數據清洗的難度。
雷峰網：“安貞心宇”AI醫療大模型的具體落地效果如何？
何怡華：目前，“安貞心宇”大模型的平均診斷準確率已經可以達到90%，在復雜胎兒心臟病和兒童心臟病中的效能最高。除了北京市的整個醫療系統外，之后的小模型也已經在八個省二十多家醫院應用了，小模型已經拿到了二類醫療器械經營許可證。
如果站在更高的維度來看，其實現在我們做的AI醫療與上一輪AI浪潮中的“醫聯體”是不太一樣的。現在的AI醫療更加傾向于在醫療診治場景中，實現AI的可交互性和泛化性，是能夠切實給基層醫療帶來助益的，無論是電子病例報告生成，還是診斷推理，以及患者后續的醫療管理，它整體是非常系統化的。
但不能忽視，雖然國家層面在積極推進AI醫療的普及，AI醫療技術要真正的下沉鋪設到基層，還有有著技術、資金、政策等現實方面的問題要解決。比如基層算力不足的情況下，要向下鋪設AI醫療，是由區域醫療來解決還是當地政府自行解決？
雷峰網：未來AI醫療大模型的主導權在誰？醫療機構還是第三方商業機構？
何怡華：這個問題需要結合具體使用場景來看待，目前來說AI醫療大模型最終還是由醫生來使用，在這個過程中不可能完全沒有醫生的人工參與。如果沒有醫生的參與完全由第三方商業機構來主導，那么后續的整個醫療管理又是一個很大的問題。
像我們跟科大訊飛的合作中，雙方共享知識產權庫關系上是平等的。所以未來在AI大模型的發展中，醫療機構和第三方商業機構還是要各司其職，將精力放在各自擅長的領域。更新迭代大模型產品離不開醫療機構的參與，但具體的商業運營醫療機構也不會插手。總而言之，無論將來由誰牽頭，大模型最終還是要在醫療路徑中去解決問題。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
