“AI说这个肺结节有60%的可能是良性，但我还是开了增强CT。”
说这话的，是湖南某县人民医院呼吸科的张医生。今年1月，医院上线了一套多模态辅助诊断系统，接入了医学影像、电子病历和门诊语音。半年过去了，张医生的这句话，概括了基层医疗AI落地最真实的处境——有用，但不敢全信。
县医院的AI实验：从试点到常态
这家县级医院常住人口约80万，辐射周边三个乡镇。全院执业医师不到120人，影像科医生只有6个，每天人均读片量超过80张。2025年底，医院引入了由国内某头部医疗AI公司（应院方要求匿名）提供的多模态大模型系统。系统架构并不复杂：
- 影像模块：基于Vision Transformer，接入DR、CT、MRI，重点覆盖肺部、乳腺和消化道影像
- 病历模块：对接医院HIS系统，抓取结构化电子病历，进行初步诊断推理
- 语音模块：门诊实时转录医患对话，自动生成病历摘要
硬件方面，医院没有自建算力集群。据院方技术人员透露，影像推理任务通过云端API调用，延迟约3-5秒；病历和语音模块则部署在本地服务器上，用的是类似900元开发板跑7B模型方案的轻量化方案，成本可控。
上线之初，医院只在呼吸科和影像科试点。3个月后，扩展到了消化内科、骨科和急诊科。
AI诊断的真实成绩单
半年累计数据很有意思。截至6月20日，系统处理了约12,400份影像报告、8,700份电子病历，以及约3,200次门诊语音记录。
肺结节筛查是表现最好的场景。AI对6mm以上结节的检出率达到97.3%，与该院影像科医生的平均检出率（96.1%）持平甚至略高。但张医生告诉我，关键不是检出率，而是分型建议：“AI对磨玻璃结节和实性结节的鉴别准确率大概在85%左右，这已经能帮我节省很多时间。但遇到混合磨玻璃结节，它的分型经常和我不一致。”
消化内镜辅助是另一个亮点。系统对早期胃癌的识别敏感度达到89%，特异度92%。这个数据，已经接近清华大学和长庚医院团队在2025年论文中报告的水平。但院方强调，这些数字是在“预筛后的样本集”上得出的，不代表真实的临床漏诊率。
病历生成和语音转录的满意度更高。医生们普遍反馈，AI生成的门诊病历初稿，能节省约40%的录入时间。急诊科主任直言：“以前一个夜班要写20多份病历，现在AI先出一版，我改改就行。”
但问题也在这里。
医生信任的三道坎
第一道坎：黑箱恐惧。 影像科王主任告诉我：“它告诉我这个东西是恶性的，但不说为什么。我是按它的建议报，还是按我的经验报？出了问题算谁的？” 哈佛医学院团队在最新发表的Cell论文中也指出了同样的问题：下一代多模态AI必须解决可解释性，否则临床信任无法建立。
第二道坎：责任真空。 2026年至今，国内尚无明确法规界定AI辅助诊断的医疗责任归属。院方和AI公司签署的服务协议中，有一条模糊的免责条款：“AI输出仅供参考，不构成临床决策依据。” 这句话，在法律上保护了AI公司，却把风险留给了医生。
第三道坎：习惯惯性。 最初两个月，医生们几乎不看AI的建议。直到一起事件改变了态度——一位52岁男性因咳嗽就诊，AI在DR片上标记了一个可疑结节，但接诊医生认为是伪影。两周后患者复查，结节确认存在。这件事在科室传开后，AI建议的打开率从30%飙升到了85%。
但这并不意味着信任建立。张医生的态度很有代表性：“我现在会看它怎么说，但不会照着做。它是一个参考项，不是决策项。”
基层的真实约束
基层医院引入AI，最大的约束不是技术，而是人和流程。
影像科只有6个医生，排班已经饱和。要他们额外学习一个AI系统的操作、理解AI的输出逻辑，本身就增加了负担。院方不得不把AI的培训压缩到每科室2小时的“速成课”。效果可想而知——直到现在，骨科医生还在抱怨“AI把骨质增生误报成了骨折线”。
网络和数据也是问题。医院的PACS系统是2019年部署的，接口标准与AI系统不完全兼容。每次系统更新，都需要技术人员手动同步一次数据。院方IT负责人苦笑：“我们没有专职的AI运维工程师，这个活现在是我兼着。”
端侧AI的进展给了基层医院一些希望。如果未来3B、7B级别的医疗垂直模型能在本地低功耗设备上稳定运行，医院就不再依赖云端，也能解决数据隐私的担忧。但目前，这样的方案还在实验阶段。
钱的问题
半年运营成本，院方透露了一个数字：约47万元。其中云端API调用占了60%，约28万。系统采购和部署费用约12万，剩余是人力和培训成本。
47万，对于一家县级医院来说，不算小数目。但院方算了一笔账：AI上线后，影像科的日均报告出具时间从4小时压缩到2.5小时，门诊病历生成效率提升约35%，急诊分诊准确率提高了约12%。这些效率指标，目前还很难直接折算成收入，但院方认为“值得继续投”。
2026年下半年，医院计划将AI扩展到病理科和超声科。但这也意味着更多的数据对接工作、更多的培训，以及——更棘手的责任问题。
落地的教训
半年实践，三条经验浮出水面：
不要让AI做“最后一公里”决策。 在基层医院，医生的专业自信和法律风险意识都很强。AI越是在诊断结论上强势，医生越是抗拒。把AI定位为“线索发现者”而非“诊断者”，接受度最高。
工作流集成比模型能力更重要。 系统最被称赞的功能不是高精度的影像识别，而是门诊语音转病历。因为它直接嵌入了医生的现有工作流程，不需要额外操作。
基层需要的不是最先进的模型，而是最稳定的方案。 该院技术负责人反复强调一句话：“别跟我讲你们模型多大、跑分多高。我就要它别宕机、别乱报、别让我挨骂。”
据智慧医疗网报道，当前医疗大模型面临的挑战，正是行业从概念炒作走向实际应用的必经之路。伦理审查、数据隐私、决策透明度，每一项都需要时间去打磨。
对于更多正在观望的基层医院来说，这家县医院的半年实践，或许比任何白皮书都更有参考价值。AI在基层医疗的落地，不会是一场革命，而是一场漫长的、充满摩擦的适应。
