2026年4月1日，对医疗信息化从业者而言，是一个值得在日历上画红圈的日子。这一天，国家医保局正式将AI辅助诊断服务纳入医保乙类目录。这不是某个试点城市的局部动作，而是拥有13亿人看病钱袋子话语权的终极买单方，对AI临床价值投出的第一张正式选票。
在这之前，医疗AI面临着极其尴尬的“最后一公里”困境。技术早已日趋成熟，但在医院里，AI辅助诊断要么作为检查项目的附赠服务不单独收费，要么由患者全额自费。这两种方式都无法支撑规模化应用。对于医院而言，采购意愿受制于缺乏明确的收费编码和支付通道；对于企业而言，无法形成正向现金流，只能依靠财政补贴或科研经费续命。
如今，随着《医疗服务项目价格目录》中相关编码的陆续出台，收费路径清晰化了。据《中国卫生报》报道，这一政策直接消除了医疗机构引入AI系统的经济壁垒。截至目前，全国已有837家三甲医院同步落地了医保支付的AI辅助诊断服务。放射科的医生在查看CT影像时，屏幕右侧不再只是冷冰冰的原始切片，而是自动标注的结节位置、大小、密度分级甚至三维重建模型。这些曾经需要额外付费或免费赠送的功能，现在有了明确的医保报销比例。
然而，进医院只是开始，数据怎么用、责任怎么分、黑盒怎么管，才决定医疗AI能走多远。即便有了医保买单，医疗AI要实现真正的规模化落地，仍需跨过三道难以绕开的关卡。
第一关是数据：从“孤岛”到“燃料”的质变。
医保支付解决了“钱从哪来”的问题，但AI运转的核心燃料——数据，依然紧缺且低质。医疗健康数据具有多模态、高复杂、强专业的特点。X光、MRI、病理切片、基因测序、电子病历文本，这些数据散落在各家医院的PACS、HIS系统中，格式各异，标准不一。
公立医院作为数据的主要持有者，普遍存在“不能、不敢、不愿”共享的问题。“不能”是因为缺乏统一的数据清洗和标注标准，直接共享会导致数据不可用；“不敢”是出于对患者隐私泄露的担忧，一旦出事，医院将面临巨大的法律和舆论风险；“不愿”则是因为数据被视为医院的核心资产，缺乏合理的利益分配机制，共享动力不足。
没有高质量、标准化的多模态数据供给，AI模型的泛化能力和准确率就会遭遇天花板。这就好比给一辆跑车加了劣质汽油，引擎再好也无法跑出成绩。目前，行业内仍在探索建立安全、高效、可信任的数据共享流通机制，但这绝非一朝一夕之功。相比之下，我们在算力适配上的问题或许更容易解决。正如《昇腾910C集群实战：从算力调度到应用适配的避坑指南》中所述，从CUDA迁移到CANN，开发者还需面对算子、显存调试等具体技术坑点，但这些都是工程问题，有迹可循。而数据治理则是体系和生态问题，更为复杂。
第二关是伦理与合规：责任主体的模糊地带。
当AI辅助诊断成为常规诊疗的一部分，一旦误诊漏诊，责任该由谁承担？是提供算法的AI公司，是审核结果的医生，还是采购系统的医院？
目前的法律框架尚未完全覆盖这一新兴领域。医生在法律上是诊疗行为的最终责任人，但如果过度依赖AI，可能涉及注意义务的疏忽；如果完全不参考AI意见，又可能涉嫌未尽到当时医疗水平应有的诊疗义务。这种两难处境，使得许多医生在使用AI时变得小心翼翼，甚至出现“反向歧视”——因为害怕担责而刻意忽略AI的正确提示。
此外，数据隐私保护也是合规的重中之重。《数据安全法》和《个人信息保护法》对医疗数据的采集、存储、使用提出了严格要求。如何在利用数据训练模型和保护患者隐私之间找到平衡点，是每一家医疗AI企业必须直面的合规红线。任何一起隐私泄露事件，都可能让整个行业退回原点。
第三关是监管：如何管住“黑盒”？
医疗AI，尤其是基于深度学习的大模型，往往存在“黑盒”特性。医生知道AI给出了结论，但很难理解AI是基于什么逻辑得出的。在普通场景下，这可能只是效率问题；但在医疗场景下，这关乎生死。
监管机构需要建立一套针对AI医疗产品的全生命周期监管体系。这不仅包括上市前的临床试验和算法备案，还包括上市后的真实世界监测和动态更新管理。AI模型不是一成不变的软件，它可能在新的数据分布下产生漂移，导致性能下降。如果没有持续的监控和反馈机制，早期的准确率可能无法代表长期的安全性。
相比之下，其他行业的AI应用正在经历类似的转型期。例如，《报销交给AI Agent前，先看ERP接不接得住》中提到，财务报销场景下，单据识别和审批流的合规复核同样决定了AI能否真正落地。医疗AI面临的挑战更为严峻，因为它直接关系到人的生命健康，容错率极低。
医保支付通道的打通，是医疗AI发展史上的一个重要里程碑，但它绝不是终点。从“能用”到“好用”，再到“敢用”，医疗AI还需要在数据治理、责任界定和监管体系上补齐短板。只有跨过这三道关卡，医疗AI才能真正从“技术变量”转化为“产业操作系统”，惠及更广泛的患者群体。
在这个过程中，我们需要更多的耐心，也需要更严谨的工程实践。毕竟，医学是一门充满不确定性的科学，而AI，目前还无法完全消除这种不确定性。
