原標題：臨床場景落地加速：AI醫療進入“華為時間”？| AI醫療浪潮⑮
21世紀經濟報道記者 閆碩 北京報道
AI醫療熱度持續上升。
近日，有媒體報道，華為正式組建醫療衛生軍團，將重點構建AI輔助診斷解決方案體係，推動醫療大模型在臨床場景的應用。華為DCS領域總裁張偉力將擔任負責人。
所謂“軍團”，是受到穀歌軍團概念啟發，華為創始人任正非在2021年提出的改革模式。華為輪值董事長胡厚崑曾介紹，成立軍團的目的是一個軍團隻針對一個特定行業，把行業吃透，縮短內部管理鏈條，完成數字化轉型過程中最難最累的活。
目前，華為組建的軍團已超過20個，覆蓋煤礦、港口、公路等多個領域。業內觀點認為，此次組建醫療衛生軍團，表明智慧健康產業被華為提至更高戰略級別，華為對智慧醫療的布局也從技術探索開始轉向係統性攻堅。
IQVIA艾昆緯中國人工智能和創新業務負責人張暢向21世紀經濟報道記者表示，華為作為一家科技企業，在構建AI輔助診斷解決方案體係，推動大模型在臨床場景的應用方麵有諸多優勢，包括技術積累、本土化落地、芯片、數據安全等多方麵。
加碼AI醫療
近些年，華為持續通過AI、5G等技術與ICT（信息與通信）基礎設施產品與方案推動醫療行業數字化轉型，促進提升醫療服務能力與水平，加強醫院精細化管理，改善基層公共衛生服務。
與此同時，華為也不斷深化與眾多企業在醫療領域的合作。在AI診斷與病理模型方麵，華為與、等企業展開深入合作。其中，華為與潤達醫療聯合打造了其首個醫療AI消費級產品——“良醫小慧”，能夠智能化解讀醫學檢驗報告，涵蓋超過4500個檢驗項目和2800種疾病的解釋，綜合準確性達到87.74%。
而在醫療信息化層麵，華為與、、等多家企業開展合作。其中，與衛寧健康聯合開發“三醫智能監管係統”；與萬達信息聯合開發AI病曆質控、影像報告生成應用；與東軟集團合作的NeuAI係列設備將CT/MRI診斷效率提升40%。
隨著技術的不斷突破，相關產品也在醫院加速落地。比如，在近期召開的2025醫療人工智能與精準診療發展論壇上，上海交通大學醫學院附屬瑞金醫院發布了瑞智病理大模型RuiPath，這款臨床級國產多模態互動式病理大模型，基於華為DCS AI解決方案打造，僅需16張算力卡，2個月訓練百萬病理切片。
截至目前，華為已服務全球110多個國家和地區的超過5000家醫療衛生機構。在中國，華為已經與1800多家三級醫院合作建設智慧醫院。
事實上，華為向來重視AI在醫療領域的應用。2020年4月，華為在一篇《五年之後，醫院長什麽樣？》的文章中指出，雲、AI、5G是智能世界技術融合的趨勢。現代信息技術和AI技術可以實現輔助決策、預警和診斷，更高效發揮醫院在診療方麵的能力。
五年後，隨著AI技術的飛速發展，華為新組建的醫療衛生軍團也將在此前探索的基礎上，進一步突出AI，依托昇騰計算架構與盤古大模型，為智慧醫療帶來新的解決方案，釋放AI生產力。
張暢認為，華為加碼AI醫療有諸多優勢，首先，其本身的技術積累，是推動醫療大模型在臨床場景應用的重要優勢，華為對底層技術的掌握，包括對算法的優化、分布式計算能力等方麵均有深厚積累；其次，作為本土企業，華為在生成和推廣適合中國的業務方麵也有一定的優勢。
“不僅如此，華為有自己的芯片，這是一種長期競爭優勢。此外，醫療數據無論是在雲端還是在本地，數據隱私和網絡安全都非常重要，而華為在這些方麵也構建起了技術護城河。”張暢說。
應用前景廣闊
認為，生成式AI不僅能夠分析現有數據，還能生成新數據，拓展智能交互和對話能力，使醫療服務更加精準、自然和高效。AI在醫學影像分析、手術輔助和疾病診斷等領域表現尤為突出，推動了醫療服務智能化、高效化和便捷化的發展。
有券商分析師向21世紀經濟報道記者指出，AI在醫院的應用主要在兩方麵，首先在流程上，可以優化醫院運營和患者體驗；其次在業務上，可以輔助醫生提高其診斷效率和診療能力，目前已有比較成熟的應用場景。
以占臨床數據80%的醫學影像為例，華為醫技數字化2.0解決方案，在放射影像場景中，AI質控的準確率達98%，輔診結果敏感性和準確率提升至90%以上，醫生診斷用時節省40%。在超聲場景中，實現全域超聲AI實時輔助診斷和集中質控，超聲質控由抽檢變為全覆蓋，結節檢出率超過95%，全域AI實時輔助診斷端到端時延小於150毫秒。
在這些比較成熟的應用場景中，商業化也在不斷實現突破。“事實上，在AI輔助診斷以及醫學影像分析等多個場景中，AI+醫療的商業化已然跑通。”張暢指出，隨著技術的不斷發展和監管的持續推進，將會有更多場景的商業化被逐漸跑通。
世界經濟論壇發布的《人工智能驅動健康的未來：引領潮流》報告顯示，預計2024年—2032年，AI醫療市場將以每年43%的速度增長，市場規模有望達到3.58萬億元。
值得一提的是，最近一段時間以來，多家醫院陸續接入DeepSeek等大模型，有醫院反饋在就診的高峰期，係統會變得很慢，甚至直接卡住動不了。
“有些大模型接入之後運行比較慢，首先是因為存在算力瓶頸或者算力難題。在醫療領域，運行大模型時可能會有特殊要求，又或者需要檢索、推理的內容比較複雜，這些對GPU算力都是一大挑戰。”張暢認為，另外現有的算力所能提供的技術基礎，是否滿足醫療的需求也有待觀察。因為醫療本身有各種類型的數據，包括文本數據、影像數據，其中影像還有2D和3D、靜態和動態之分，所以數據本身的複雜性對技術也有一定的要求。
“我認為對醫療而言，肯定需要有一定的算力冗餘，才能夠滿足係統對於可靠性、準確性以及反應速度的要求。未來會不會有專用的芯片，或者是用分布式計算的方式，更加平均地提供算力，這些都值得期待。”張暢補充道。
