薛翀：构建医院可自主运转的AI神经网络

当下，医疗人工智能正从单点场景应用，逐步走向平台化建设、体系化治理和持续迭代。在全诊通创始人薛翀博士看来，医疗AI建设的关注点正在发生变化：从“AI能不能用”，到病历、随访等场景应用不断丰富，再到如今更加关注底层算力、快速构建和自主迭代。医院需要的，不再只是单一AI工具，而是一套能够在本院数据、流程和专业治理体系下安全生长的智能化基础设施。

作为医疗AI产业端的核心成果，全诊通近期发布的《医疗智能体与模型自进化平台》直接回应了“医院AI系统自主迭代”这一命题。但这套平台究竟如何运作？能否真正落地？

近日，在一场医疗大模型会议上，薛翀博士围绕“构建医院可自主运转的AI神经网络”给出答案。以下内容根据薛翀博士演讲整理。

薛翀博士在医疗大模型会议上分享

从单点应用到自主迭代，医院AI建设进入新阶段

全诊通这些年围绕医院人工智能建设所做的工作，并不是单方面完成的，而是在与医院长期合作、共同探索、共同迭代的过程中逐步形成。医院的真实业务需求，是全诊通产品和技术持续演进的重要牵引。

提出“构建医院可自主运转的AI神经网络”这个话题，有一个很现实的原因：随着医院对人工智能的需求越来越多、越来越深入，企业单靠项目制团队逐一支撑，已经很难满足全国大量医院持续增长的AI建设需求。过去可以一个场景一个场景做，一个项目一个项目交付；但当医院开始希望把AI应用到门诊、住院、质控、科研、教学、运营等更多环节时，就必须思考一个更底层的问题：能不能把企业内部用于构建AI应用、智能体和模型的系统能力，平台化地开放给医院，让医院能够在安全、合规、可控的前提下，逐步具备自主建设、自主优化、自主迭代AI的能力？

这就是我们提出“医院可自主运转的AI神经网络”的出发点。

过去几年，医疗AI行业的关注点也在发生变化。早期大家更多讨论“AI能不能用”；随后，病历生成、智能随访、辅助决策、病历质控等场景不断丰富；而现在，医院管理者更关注的是，如何让AI在医院内部系统地、安全地、可持续地生长起来。

这意味着，医院不再只是采购若干个AI工具，而是需要形成一套能够支撑长期发展的智能化基础设施。

我自己有一个很直观的体会。因为要参加这次会议，我想到现场可能会有不少国际专家，而我从美国回来后已经很长时间没有系统讲英语了，就想找一个既懂医疗、又懂AI、还能陪我练英语的老师。但这样的人并不好找。

于是我尝试自己创建了一个“医疗AI英语老师”。大概两天时间，我通过和AI不断对话，形成了一个能够围绕医疗人工智能与我交流、回答问题，并纠正语法错误的智能体。整个过程中，我没有写任何一行代码。

这件事说明，AI应用的生产方式正在发生变化。通过自然语言对话创建智能体和应用，已经具备现实可行性。对于医院而言，这种能力如果能够被安全、规范地引入，就有可能改变过去AI应用高度依赖外部开发团队的模式。

让医院具备创建智能体和模型迭代的能力

全诊通较早切入的方向，是医生助手和患者助手。

医生助手可以理解为医生的数字化辅助能力，主要用于解决病历书写、临床决策支持、病历质控、手术记录生成、科研辅助等问题。患者助手则更多面向患者服务，帮助患者在就医前后进行信息咨询、流程引导和健康管理。

目前，这两类AI已经在100多家医院中应用。全诊通医生助手也已经迭代到4.0版本，并在临床科研等方向持续拓展。已有不少医生将其用于临床科研辅助，也有医生尝试把自己的病例资料构建成数字分身，用于年轻医生培养和教学训练。

今年春节后，我们还在常州市第一人民医院探索将智能体装载到具身智能设备上，用于院内对外服务。这些应用在实践中不断被验证，说明AI可以在降本、增效、提质方面发挥价值。

但新的问题也随之出现。很多院长会问我：能不能再做一个财务AI？能不能做一个后勤AI？能不能做一个院感AI、质控AI、教学AI？

如果每新增一个场景，都需要企业派一支团队到医院驻场开发，那么人工智能公司很容易重新回到传统信息化工程交付模式。这并不是医疗AI长期发展的最优路径。

所以我们开始思考，能不能把能力下沉到平台层，让医院自己创建适合自身业务的AI智能体。

过去半年左右，我们团队集中开发了一批医院常用智能体，并进一步把底层能力开放出来。我们不是简单交付一批固定应用，而是希望医院可以基于自身知识库、流程规范和管理要求，通过自然语言对话和流程编排，生成符合本院需求的智能体。

过去，很多智能体流程需要人工配置、手工编排。现在，我们正在把它变成对话式、流程化的智能体编排方式。技术人员可以使用，非技术背景的医院管理者、临床科主任、医生和研究生，也可以在一定培训后参与创建。

为此，我们开发了APP Builder、智能体搭建平台、模型训练与推理平台、数据标注平台等能力，同时内置训练好的模型、常用智能体和医院高频AI应用模板，帮助医院降低启动门槛。

这背后的目标，是把全诊通内部原本用于快速开发AI应用、模型压缩和模型精调的平台能力，转化为医院能够使用的工具体系。

当医院能够较为便捷地创建智能体后，下一步该考虑的就是模型如何支撑智能体。

现在很多通用大模型参数规模非常大，如果直接部署到医院内部，往往面临算力投入高、运行成本高、并发压力大等问题。医院使用AI，必须考虑成本、安全、稳定性和可持续运维。

因此，我们在模型压缩和精调方面做了大量工作，将大模型能力压缩到更适合医院本地运行的规模，使其能够在相对轻量的算力设备上服务医院业务场景。通过这样的方式，医院可以在本地部署模型，核心数据不出院，并在必要的技术支持下，逐步完成模型压缩、精调、评测和优化。

这也是我们所说的“自进化”能力的基础。它不是让AI脱离人的管理自行运行，而是在医院专业人员审核把关下，让数据、模型、智能体和业务流程形成持续改进的闭环。

以医保编码、病历质控等场景为例，平台可以调动多个智能体完成自动校验、问题识别、纠错建议和数据回流，再由医院专业人员进行确认。这样既能提升效率，也能保证医疗安全和专业责任边界。

建立评测、安全连接和数据闭环，支撑AI可信落地

医疗AI真正进入医院业务，必须解决三个关键问题：能不能评测，能不能安全连接，能不能形成数据闭环。

首先是评测。

模型和智能体部署到医院以后，不能只看演示效果，必须建立严谨的评测体系。我们正在联合国内AI应用较为深入的医院，探索医疗AI模型评测标准，并进一步借助AI提高评测效率。

在这个过程中，评测数据集非常重要。未来医院的数据应当区分训练数据和评测数据。训练数据用于模型优化，评测数据则用于客观检验模型表现。只有保持评测数据的独立性，才能更真实地反映模型能力，避免评价失真。

医疗AI要真正走向临床可用、行业可信，不能只看参数规模和单次表现，更要建立真实、独立、可复核的评测体系。

其次是安全连接。

AI应用要在医院发挥作用，必须与HIS、EMR等既有信息系统协同。过去，这往往意味着复杂的接口开发、系统改造和较高的对接成本。AI如何打通与传统医疗信息系统之间的最后一公里，是目前落地过程中非常现实的问题。

围绕这个问题，我们研发了HisClaw技术，希望在保障安全边界的前提下，实现AI与医院信息系统之间更加灵活、高效的连接。目前，这项技术已经在部分医院提供服务。在一些场景中，AI部署到医院后，可以较快完成与医院系统的连接。

当然，安全是第一位的。AI不能随意执行高风险任务。对于医嘱下达等涉及医疗安全和责任边界的操作，必须返回给医生确认，由医生作出最终判断。对于调阅、查询、归纳、总结等任务，AI则可以在授权范围和安全规则下完成辅助工作。

第三是数据闭环。

当AI进入医院真实业务流程后，会在使用过程中产生新的高质量数据。这些数据经过治理、标注、审核和反馈后，又可以反过来优化模型和智能体，使医院内部的AI能力不断提升。只有形成这样的数据飞轮，医院才可能真正拥有自己的AI能力，而不是长期依赖外部供应商完成每一次场景开发和模型迭代。

面向未来，建自主可控的医院AI能力体系

我们所说的“医院可自主运转的AI神经网络”，并不是简单用AI替代某一个系统，也不是把某一个单点应用包装成平台，而是希望帮助医院形成一套可治理、可扩展、可持续优化的AI能力体系。

这套体系应当具备几个基本特征：

第一，数据在医院内部安全流转，核心数据不外流。

第二，模型可以结合医院业务特点进行本地化部署和持续优化。

第三，智能体可以由医院根据自身流程和管理需求自主创建。

第四，所有关键医疗行为都应当处于医生和医院专业人员的审核、确认和治理之下。

第五，AI应用建设不能依赖反复定制开发，而要通过平台化能力和标准化模板降低建设门槛。

面向不同层级医院，路径也应有所差异。大型三甲医院可以结合自身数据基础、业务复杂度和信息化能力，建设分布式、边缘化、本地化的AI能力体系。对于地市级、县域和基层医疗机构，则更适合探索由区域统一规划、集中算力、分级调用的方式，避免重复建设，让优质AI能力以更低成本、更安全的方式服务基层。

我认为，医疗AI的普惠不应建立在每家医院重复投入的基础上，而应通过轻量化平台、标准化模板和区域协同机制，让AI能力像基础设施一样，安全、稳定、可持续地流向更多医疗机构。

未来，AI与医院HIS、EMR等信息系统之间，是协同演进的关系，逐步实现医院信息系统的重构。传统信息系统承载了医院长期积累的业务流程和管理体系，AI则有机会改变人与系统交互的方式，提高信息获取、流程处理和知识应用的效率。

结语

医疗AI真正有价值的方向，不是制造概念，而是回到医院真实场景，帮助医生减少重复劳动，帮助医院提升质量与效率，帮助管理者获得更高水平的决策支持，并在安全、合规、可控的前提下持续迭代。

这也是全诊通希望与更多医院共同探索的方向：让医院不只是使用AI，而是逐步拥有建设AI、管理AI、优化AI的能力，最终形成属于医院自己的智能化基础设施。

作者简介

薛翀，中国医学科学院北京协和医学院外科学博士，高级人工智能算法工程师。现任浙江省健康人才发展协会医疗机器人分会副会长、浙江省社会办医协会第一届“AI+医疗”创新分会副会长、浙江省卫生监督协会社会办医监督与服务专业委员会副主任委员、浙江省全诊医学人工智能大模型企业研究院院长。

薛翀博士曾任浙江大学医学院附属第二医院泌尿外科主治医师，2013年赴美国约翰霍普金斯医学院开展博士后研究，方向为AI介导的机器人外科手术，相关成果获2014年美国泌尿工程学会TOP 10 Abstract和国际专利保护。

近年来，薛翀博士聚焦AIGC、大语言模型（LLM）及医疗人工智能产品转化，基于大语言模型和电子病历语料，通过高精度数据标注、人类反馈增强学习（RLHF）、监督精调（supervised fine-tune）等技术路径，推进医生助理智能体研发；自主研发全诊医学大模型算法并完成国家网信办算法备案。拥有40余项发明专利与软件著作权，发表论文20余篇；获杭州市高新区“5050”引进人才、美国泌尿工程年会最佳评审员、全国数字健康创新应用大赛一等奖、全球人工智能产品应用创新创业大赛三等奖等奖项。

（本文由全诊医学供稿）