AI医疗

硅基速览 8月25日，阿里达摩院联合中国医科大学附属盛京医院研发的肝癌诊断AI模型DAMO LiON成果发表于《自然·医学》。 该模型可通过CT影像精准识别约1厘米的微小早期癌变病灶，在两个月前瞻性真实世界临床试验中成功筛查出15例漏诊恶性肿瘤。 这是中国AI医疗影像模型首次在肝癌早筛领域达到《自然·医学》级别，并在真实世界中验证了临床价值。 正文 1厘米的生死之差 肝癌是中国发病率和死亡率最高的恶性肿瘤之一。早期肝癌（肿瘤直径小于2厘米）经过手术切除，五年生存率可达70%以上；但一旦发展到中晚期，五年生存率骤降到10%以下。1厘米的肿瘤大小差异，就是生与死的距离。 问题在于：1厘米的早期肝癌病灶，在CT影像上非常隐蔽。传统的影像科医生读片，需要在数百张CT切片中寻找那个微小的、对比度不高的异常区域。即便经验最丰富的医生，也会漏诊——尤其是在影像科医生人手不足的基层医院。 2026年8月25日，阿里巴巴达摩院联合中国医科大学附属盛京医院等机构，在《自然·医学》（Nature Medicine）上发表了DAMO LiON模型的研究成果。这个模型做的事情很直接：用深度学习分析腹部CT影像，自动识别1厘米级别的微小早期肝癌病灶。 临床验证：筛出15例医生漏诊 论文中最有说服力的不是模型的AUC数字（虽然它也很高），而是前瞻性真实世界临床试验的结果。 在两个月的前瞻性试验中，DAMO LiON被部署在盛京医院的影像科工作流中。它不是替代医生读片，而是作为"第二双眼睛"——医生读完片后，AI再独立分析一遍，标出它认为可疑的区域。 结果：在这两个月的临床实践中，DAMO LiON成功筛查出15例医生在首轮读片中漏诊的恶性肿瘤。这15个病灶都在1厘米左右，如果不是AI标记出来，它们可能会被推迟到下次复查才被发现——而对于肝癌来说，每推迟一个月，肿瘤可能长大一倍。 15例听起来不多，但考虑到这只是两个月、一家医院的数据，这个数字在临床上已经是重大突破。肝癌早筛的核心价值不是"多发现了多少肿瘤"，而是"多救了多少生命"。每一例早期发现，都意味着一个人有机会获得手术治愈。 DAMO LiON的技术路线 硅基视角拆解一下DAMO LiON的技术特点： 多尺度特征融合。 肝癌病灶在不同大小尺度上有不同的影像学特征。1厘米的小病灶和5厘米的大病灶，在CT影像上的纹理、边缘、血供特征完全不同。DAMO LiON通过多尺度特征融合，同时学习病灶的全局形态和局部细节。 真实世界数据训练。 与很多AI医疗模型只在标准数据集上训练不同，DAMO LiON使用了来自真实临床环境的数千例CT影像数据，包括不同扫描仪、不同造影剂方案、不同病人群体。这让模型在真实部署时的泛化能力远优于"实验室里的SOTA"。 可解释性输出。 DAMO LiON不只给出"有/无肿瘤"的二分类结果，它还输出病灶的位置、大小、恶性概率分级。影像科医生可以直接看到AI在CT切片上画的标记，然后决定是否需要进一步检查。这种"AI辅助+医生决策"的模式，比"AI自动诊断"更容易被临床接受。 AI医疗影像的2026年格局 DAMO LiON不是孤例。2026年AI医疗影像领域的进展正在加速： 科大讯飞星火医疗大模型V3.5：在MedBench评测斩获98.9分，多模态AI辅诊医生采纳率超75%，服务覆盖828家医疗机构。 华为联合合作伙伴：9月8日在亚太地区发布四个AI+医疗场景解决方案，包括AI+智能病房、AI+病理分析等。 美国ARPA-H：9月9日宣布ADVOCATE项目，资助Atman Health构建语音优先的AI心衰护理系统。 曦嘉医疗NuraTome：神经外科手术规划软件，已进入全球180多家医疗机构，累计用于近2万例神经外科手术。 这个赛道的共同特点是：AI不再是"实验室里的demo"，而是真正进入了医院的日常工作流，被医生实际使用。 硅基AGI社区在论坛silicon-agi.com上有不少医学背景的开发者在讨论AI医疗影像的落地经验，从数据标注到模型部署，讨论非常务实。 硅基点评 DAMO LiON登Nature Medicine，标志着中国AI医疗影像从"论文阶段"进入"临床验证阶段"。以前AI医疗的故事是"我们的模型在标准测试集上准确率95%"，现在的故事是"我们在真实医院里帮医生多发现了15个漏诊肿瘤"。这才是AI医疗真正的价值证明。 硅基视角的判断是：2027-2028年，AI医疗影像会从"三甲医院的科研项目"变成"基层医院的标配工具"。核心驱动力不是技术突破，而是成本下降和政策推动——基层医院缺影像科医生，AI可以用1/10的成本覆盖90%的常规筛查。这个市场的规模，远超大多数人的想象。 本文由硅基AGI社区原创，欢迎访问博客 guijiagi.com 获取更多AI实战教程，或到论坛 silicon-agi.com 参与讨论。

硅基速览 科大讯飞星火医疗大模型V3.5在MedBench评测斩获98.9分，多模态AI辅诊建议医生采纳率超75%。 服务已覆盖828家医疗机构，AI辅助诊断从实验室走向临床一线。 教育领域同步突破：联合中国教科院首发基于"问题链"的高中数学智能教师系统，实现分层教学和个性化学习。 正文 98.9分意味着什么 2026年9月16日，在2026中国算力大会上，科大讯飞分享了星火大模型在医疗和教育两大领域的最新落地数据。其中最引人注目的是：星火医疗大模型V3.5在MedBench评测中斩获98.9分。这也是AI医疗领域的代表性案例。 MedBench是医疗领域最权威的大模型评测基准之一，涵盖医学知识问答、临床诊断推理、医学影像分析等多个维度。98.9分意味着星火医疗V3.5在绝大多数医学专业问题上，已经达到或超过了资深医生的知识水平。 但比分数更有说服力的是另一个数字：多模态AI辅诊医生采纳率超75%。这个数字直接回答了临床医生最关心的问题——“AI给的建议，我会不会真的用？“75%的采纳率，意味着每四条AI辅诊建议中，有三条被医生采纳并用于临床决策。这在AI医疗落地中是非常高的数字——早期的AI辅诊系统，医生采纳率不到20%。 828家医院的落地规模 星火医疗V3.5已经服务了828家医疗机构。这个覆盖规模在国内AI医疗公司中处于第一梯队。落地场景包括： 门诊预问诊。 患者到院后先与AI对话，AI根据症状描述自动生成预问诊记录，推荐科室。医生在诊室里直接看到AI整理好的病史摘要，节省了大量问诊时间。 医学影像辅助诊断。 多模态模型结合影像和文本病历，自动标记可疑病灶。与DAMO LiON类似，AI是"第二双眼睛”，医生做最终决策。 电子病历智能生成。 医生问诊后，AI根据对话内容自动生成结构化电子病历，医生只需要审核和修改。这直接解决了医生"写病历比看病还累"的痛点。 教育领域的"问题链"系统 除了医疗，讯飞在教育领域也有重要进展。在算力大会上，讯飞联合中国教育科学研究院首发了基于"问题链"的高中数学智能教师系统。 这个系统的核心思路是：把优秀教师的教学经验转化为可操作的设计标准，再输入到星火大模型中，帮教师把数学内容拆成"问题链”——一系列由浅入深、环环相扣的问题，引导学生逐步理解复杂概念。 比如教"二次函数"，传统方式是老师讲概念、讲公式、讲例题。问题链方式是：先问"什么函数的图像是抛物线？"，再问"抛物线的开口方向由什么决定？"，再问"如果改变一个系数，图像怎么变？"……每个问题都让学生自己思考，AI根据学生的回答调整下一个问题的难度。这就是个性化教学的本质。 AI医疗和AI教育的共同逻辑 硅基视角发现，讯飞在医疗和教育两个领域的落地，遵循同一个逻辑：AI不是替代专家，而是把专家的经验放大到每一个基层场景。 中国有2000多个县，但优质医疗资源集中在大三甲医院。828家医院听起来多，但只占全国医院总数的不到5%。AI医疗的真正价值不是让大三甲医院更强，而是让县医院也能享受到大三甲级别的诊断能力。同样，中国有50万所中小学，但特级教师集中在大城市。AI教育的价值不是让好学生更好，而是让乡村学校也能享受到特级教师的教学方法。 硅基AGI社区在论坛silicon-agi.com上有不少教育和医疗行业的从业者在讨论AI落地的真实痛点，从数据合规到医生接受度，讨论非常务实。 硅基点评 讯飞星火医疗V3.5的98.9分和75%采纳率，标志着AI医疗从"能不能用"进入了"怎么用好"的阶段。早期AI医疗的瓶颈不是模型能力，而是医生不信任、数据不打通、合规不清晰。到2026年，这三个问题在头部厂商那里都有了实质性突破。 硅基视角的判断是：2027年AI医疗会进入"下沉期"——从大三甲医院向县医院、社区卫生中心渗透。这个下沉市场的规模是城市市场的10倍以上，但客单价更低、定制化需求更强。能在下沉市场跑通商业模式的AI医疗公司，会在下一轮竞争中胜出。 对从业者的建议：不要盯着大三甲医院的标杆案例，那个市场已经被大厂占了。去县医院、社区医院、民营诊所看看，那里才是AI医疗真正的增量市场。他们缺的不是最好的模型，而是能用得起、用得懂、用得稳的AI工具。 延伸阅读 AI教育的变革：个性化学习与智能辅导系统 AI+医疗：2026年最值得关注的突破 AI 医疗应用：诊断辅助与药物发现 本文由硅基AGI社区原创，欢迎访问博客 guijiagi.com 获取更多AI实战教程，或到论坛 silicon-agi.com 参与讨论。

硅基速览 9月17日，字节跳动拆分出的AI制药公司完成首轮融资2.9亿美元，估值15亿美元。 同期AI制药赛道密集出手：Anthropic 4亿美元收购Coefficient Bio，Isomorphic Labs完成21亿美元B轮（AI制药史上最大单笔）。 全球科技巨头正在用AI重构药物研发：从靶点发现到临床试验，AI正在把10年10亿美元的开发周期压缩到3年2亿美元。 正文 字节为什么要做AI制药 2026年9月17日，据第一财经报道，字节跳动拆分出一家AI制药公司，完成首轮融资2.9亿美元，估值达15亿美元。这不是字节第一次碰生物科技——2025年字节曾投资过几家AI制药初创公司——但这次是直接下场做药。 科技巨头做AI制药，不是赶时髦。这个赛道有一个根本的商业逻辑：传统药物研发需要10年、耗资10-20亿美元，成功率不到10%。如果AI能把这个周期压缩到3年、成本降到2亿美元、成功率提升到30%，那就是一个万亿级别的市场。 字节的切入点是：利用其在大模型和视频生成上的技术积累，做"蛋白质结构预测+药物分子设计"。简单说，就是让AI理解蛋白质的三维结构，然后设计出能与目标蛋白质结合的小分子药物。这正是DeepMind在AlphaFold上验证过的路线。 AI制药赛道2026年的融资狂热 字节不是唯一一家在AI制药上下重注的公司。据东吴证券统计，2026年这个赛道的融资密集到令人咋舌： Isomorphic Labs（Google DeepMind分拆）：完成A轮6亿美元、B轮21亿美元（AI制药史上最大单笔），并与礼来（最高17.45亿美元）、诺华（最高12.375亿美元）达成大额BD合作。 Anthropic：2026年4月以约4亿美元收购成立仅8个月的AI制药初创Coefficient Bio，启动自主药物研发项目。超过3万名BMS研发人员接入Claude用于药物研发。 NVIDIA：一年内投资了8家AI生科公司，把AI制药作为其"物理AI"战略的重要组成部分。 字节跳动：60亿元建设AI原生生物计算平台。 这个赛道的融资密度，已经超过了2024年的AI编程赛道。 两种路线之争：平台派vs管线派 AI制药公司目前分成两条路线，字节这次拆分走的是哪一条？ 平台派：为药企提供AI工具，帮药企自己做药。这种模式轻资产、收入可预测，但利润率受限于药企的IT预算。 管线派：自己下场做药，承担管线失败的风险，但一旦成功，回报是10倍百倍。Anthropic收购Coefficient Bio、Isomorphic Labs自己推进药物管线，都是这条路线。 字节拆分的AI制药公司选择了管线路线——自己做药，承担风险。这意味着它需要建立完整的药物研发管线：靶点发现、分子设计、临床前验证、临床试验。这比做工具难得多，但回报也大得多。 AI制药的技术突破点在哪里 硅基视角拆解一下，AI制药到底解决了什么问题： 靶点发现：传统药物研发需要科学家从海量生物文献中人工挖掘可能的药物靶点，这个过程需要数年。AI可以分析蛋白质相互作用网络、基因表达数据、临床试验结果，在几周内识别出高潜力靶点。Isomorphic Labs在这方面已经有多个靶点进入临床前阶段。 分子设计：找到靶点后，需要设计出能与靶点结合的小分子。传统方法是"高通量筛选"——在实验室里测试数百万个化合物。AI可以直接生成符合分子结构要求的候选化合物，把筛选量从百万级降到千级。 临床试验优化：AI可以分析患者基因数据、电子病历、试验记录，优化临床试验的患者招募和试验设计，把临床试验周期缩短30-50%。 硅基AGI社区在论坛silicon-agi.com上有不少生物信息学背景的开发者在讨论AI制药的技术细节，从AlphaFold 3到蛋白质语言模型，讨论非常专业。 硅基点评 字节拆分AI制药公司，标志着中国科技巨头正式加入全球AI制药竞赛。这个赛道的特点是：技术壁垒极高、周期极长、失败率极高，但一旦成功回报极大。它不是一个适合独立创业者的方向——你需要数十亿资金、数百名生物学家和化学家、十年以上的耐心。 但硅基视角也要指出：AI制药的"应用层"有很多机会。不是只有自己做药才能赚钱，为药企提供AI工具（分子设计平台、临床试验优化、电子病历分析）、为CRO提供自动化流程、为医院提供AI辅助诊断——这些都是在巨头够不着的细分场景里赚钱的机会。关键是你要真正懂行业痛点，而不是只懂AI技术。 本文由硅基AGI社区原创，欢迎访问博客 guijiagi.com 获取更多AI实战教程，或到论坛 silicon-agi.com 参与讨论。