破解医疗AI落地难题：东软“添翼2.0”给出系统化解法

随着医疗 IT 行业竞争进入下半场，未来的角力点将超越单纯的技术比拼，迈向更高维度的价值重构和“生态协同”。

作者/令诸侯

出品/新摘商业评论

你有没有过这样的经历？清晨醒来感觉不适，不用翻箱倒柜寻找医保卡，而是拿起手机，熟练地点开预约挂号App，选择科室、医生和时间。

抵达医院，你无需在窗口前蜿蜒的长龙中焦虑、等待，只需在自助机或手机上轻轻一刷电子社保码，丝滑完成签到、医保身份认证。候诊时，电子屏清晰地显示排队进度，你可以安心坐在椅子上刷刷手机，打把王者。

又或者，为家人办理异地就医备案，过去可能需要奔波于多个部门、填写无数表格，如今在手机上动动手指，几分钟就能搞定。慢性病复诊，甚至不需要亲自跑到医院，通过互联网医院就能与医生“面对面”交流，药品还能直接配送到家。

这些场景已从“新鲜事”变成了“日常基本操作”。如今，医院越来越智能了：刷脸就能完成身份认证，智能系统引导分诊，AI辅助医生研判病情……一场正在医疗系统深处发生，由技术、数据与生态共同驱动的智能化变革正在发生。

而这背后，离不开东软这样的IT领军企业，携其最新的AI技术成果，默默进行“火力支援”，推动行业驶向以AI为核心的智能化“深水区”。其刚刚升级的“添翼2.0”医疗健康智能化解决方案，就系统性破解了多个“AI+医疗”难题，成为“医疗插上AI翅膀”的生动实践。

一、AI+医疗驶入“深水区”，

面临哪些挑战与难题？

中国医疗IT行业经过数十年的信息化建设，已经完成了医院信息系统、电子病历等基础搭建，实现了业务流程的“线上化”。当前行业正步入一个更为复杂和关键的新阶段——智能化“深水区”：人工智能与数据智能不再是提升效率的辅助工具，而是被寄予厚望，成为重塑医疗服务模式、优化资源配置、最终提升全民健康水平的核心引擎。然而，理想很丰满，现实却充满挑战。当AI技术试图深度融入“性命攸关”的医疗场景时，一系列深层次的痛点逐渐显现。

首要的挑战，源于数据困境。

我们都知道，高质量数据是训练出可靠AI模型的“优质燃料”。但这恰恰是当前医疗AI面临的最大瓶颈之一。尽管许多大型医院积累了海量数据，但这些数据的标准化程度往往较低，存在大量非结构化、格式各异的信息，难以直接用于模型训练。

更重要的是，在特定的医疗领域，如专病影像研究，可能积累了上万张CT图像，但其中标记出病灶的、有价值的图像可能仅占极小的比例，数据极为稀疏。而对于罕见病、疑难重症等领域，符合要求的样本数据本身就非常稀少。这意味着，没有足够“营养”的数据“喂养”，AI模型难以成长为临床可信赖的“专家”。

第二个绕不开的难题，是AI的“黑盒”与“可解释性”困境。

在大模型深入千行百业的当下，日常生活、工作中，相信你也没少被“AI假知识”困扰，在医疗场景中，AI假知识可是真要命！

毕竟，医疗决策关乎生命健康，责任重大，一个诊断建议或治疗方案的生成，如果无法追溯其推理依据和因果链条，将是难以信任和采纳的，医生需要知道AI“为什么”会得出这个结论，是基于哪些症状、体征、检查指标。如果AI只是一个给出答案却讲不清道理的“黑箱”，那么在严肃的医疗实践中，其应用将寸步难行。

目前，许多AI产品宣称具备各种能力，但真正能在临床实践中清晰展示决策逻辑、实现可解释、可溯源的，仍然少之又少。

第三个痛点，在于AI能力与临床工作流的“深度融合”不足。许多AI工具提供了诸如智能问答、文献检索、报告摘要等“离散”的能力点，但它们往往以独立应用的形式存在，未能无缝嵌入到医生、护士日常工作的信息系统中。这意味着，医护人员可能需要频繁切换于不同系统之间，反而增加了操作负担。

这种“为智能化而智能化”的做法，容易导致“听起来很智能，用起来却不智慧”的尴尬局面，用户体验欠佳，最终难以落地生根。

第四大挑战，关乎AI如何真正赋能医学创新与科研转化。

目前，不少医疗AI应用仍集中于对回顾性数据的分析，旨在提升已有流程的效率。然而，医学进步的终极目标是改善患者的临床结局，例如提高生存率、缩短诊断时间、优化治疗方案等。

这要求AI技术能够面向前瞻性的临床研究，助力科研成果向临床有效手段的转化。一言以蔽之，如何系统性地利用AI驱动真正的医学创新，仍是整个行业需要深入探索的课题。

针对行业痛点，东软“添翼”医疗健康智能化解决方案完成了从1.0到2.0的升级迭代。

东软集团副总裁兼医疗健康事业部总经理李东指出，此次升级的核心，正是从数据管理、医疗模型可信构建到价值转化的全链条进行系统性重构，让AI真正发挥作用，赋能医疗健康行业。

二、“添翼”2.0的破局之道：

全链路数智能力，重塑医疗AI价值

那么，“添翼2.0”具体是如何破局的？

首先，是夯实“数据基座”，解决“燃料”问题。东软依托数据架构实施框架，整合数据标准管理、洞察分析、探索发现等平台工具，对医疗数据进行深度治理和价值挖掘。这意味着，东软将散乱、非标的数据，转化为高质量、可利用的数据资产。目前，东软已构建了181个数据模型的结构化体系，建立2000余项数据质量标准和50余项安全规则，并积累了近70个高质量专病数据集，为AI应用打下了坚实可靠的“数据基石”。

其次，是构建“可信AI”，破解“黑盒”难题。

基于“融智”智能化实施框架，“添翼2.0”整合了一系列科研工具，特别强调了医学AI的可解释性与安全性技术。这意味着，东软不仅关注AI的“能力”，更关注其“可靠性”和“可信度”。其采用“1个医学领域大模型 + N个专项小模型”的模型群架构，形成“专模做专事”的能力矩阵。

这样做的好处在于，既可以利用医学大模型的泛化能力，又能通过专项小模型在特定任务上追求极致的准确性和可解释性。

目前，东软已构建了涵盖213种专病影像模型和371种通用影像模型的矩阵，支持超过1万种疾病，报告显示其关键模型准确度超过90%，内涵质控规则准确率超过95%，并且生成内容可溯源，增强了临床医生的信任感。

再者，聚焦“场景融合”，推动AI能力落地。

“添翼2.0”将其AI能力封装成“智能体”或“赋能体”，深度融合到智慧服务、智慧医疗、智慧管理、智慧基层、智慧卫健及城市级健康数据空间等六大核心场景中。这意味着，AI不再是外挂的工具，而是内生于业务流程的“医疗伙伴”。

例如，东软 “添翼 2.0”在武汉大学中南医院实现了在全院所有临床科室的深度应用。系统日均可生成近500份出院小结，并完成对全院3500-4000份病历的内涵质控。相比之前人工日均只能审核40-50份病历的效率，提升了十数倍。

尤其值得注意的是，出院小结的AI生成采纳率高达70%-80%，这背后正是由于其提供了清晰的可解释性溯源，医生能清楚看到每项结论的生成依据。

最后，助力科研转化：打通 “临床 – 科研” 价值链路。

针对医学科研门槛高、效率低的问题，“添翼2.0”提供可视化的无代码AI算法开发平台，内嵌多种科学统计方法和机器学习算法，消除临床专家与数据科学之间的技术鸿沟。平台背后是东软结合医学知识挖掘与专家审核，构建高质量医学知识库，涵盖近3000万医学论文、121个罕见病专病知识库和20万+医疗质控规则，为AI+医疗从“回顾性分析”走向“前瞻性研究”提供了支撑，助力科研成果快速转化。