刘炜：AI+应用重塑医院价值链——武汉协和“医教研”智能化转型实践

　　华中科技大学同济医学院附属协和医院（以下简称“武汉协和医院”）开展了诸多人工智能的探索与应用。“我们的人工智能建设架构呈现为一个自下而上、层层递进的多智能体协同应用技术体系。”医院信息与数据中心副主任刘炜介绍，该架构以数据层与知识层为基座，通过整合HIS、电子病历、影像、病理等多源异构临床数据进行场景化的动态编织，结合药品说明书、临床指南、文献数据库等专业知识，为上层提供统一的资源调用接口。

自下而上构建医疗AI技术闭环

　　在模型层，武汉协和医院的人工智能架构依托Kimi K3、DeepSeek V4与Qwen3.8等主流基座大模型，并聚焦临床试验、教学等场景，构建了多个医疗文本、医疗影像及医疗多模态垂类大模型，形成模型应用矩阵。基于上述模型能力，架构向上孵化出智能体应用层，涵盖病历、影像、手术、护理、服务、管理、教学、科研八大智能体，全面覆盖临床与管理全流程。这些智能体服务于业务场景层，以实现“赋能医疗、赋能患者、赋能管理”三大核心目标，构建了从底层数据治理到顶层业务价值转化的完整技术闭环。

　　医院从算力、存储、网络到安全四个维度，搭建了大规模、高规格的智算底座，为医疗AI应用提供了基础设施支撑，赋能医疗新质生产力。该底座有效保障了上层大模型的高效训练与推理，为后续智能体应用的落地奠定了算力基石。

　　为实现数据的高质量治理，武汉协和医院构建了“采集-治理-资产”自下而上、层层递进的体系，可从多源系统采集数据，针对场景对数据进行动态编织，经过全生命周期与多维度的深度治理，最终形成庞大且安全合规的高质量数据资产体系。

推进AI+应用探索与实践

　　长期以来，医学教育面临以下痛点：人工出题效率低；海量的临床病历处于沉睡状态，难以转化为教学价值；现有AI缺乏临床思维，存在幻觉和准确性问题。为改善这一状况，武汉协和医院自下而上构建全维医疗智能体生态：底层依托医院独家的临床病历数据资源；中层构建专为医学教育优化的临床思维教学垂类大模型；上层孵化智能体矩阵。该生态的最终愿景是建立医学AI教育中心，实现“数据-技术-临床-人才”全链路闭环，孕育出能辅助复杂诊断、制定个性化方案及科研探索的全维自主医疗智能体，旨在通过AI赋能，唤醒海量临床数据，创新医学教育管理评价模式。

　　在实践中，武汉协和医院自研了“书童”大模型及智能体应用，推动其在教学病例评估中的应用。该模型具备病例智能评分、要点提炼、优化扩充、临床思维提取及考题生成五大功能，通过与教学大纲比对，自动、客观、多维度评价病例，以过程性评价提升学生临床思维水平。

　　截至目前，教学智能体“书童”累计处理教学病例超2万份，智能生成考题超18万道，已在全院54个科室推广应用，覆盖约900名规培生，并推广至云南临沧医院、黄冈市中心医院等6家医疗机构。智能考试系统已在18个科室投入使用，累计组织出科考试23场，180余名学生参与考试，初步形成了覆盖教学资源建设、临床教学及考核评价的智能化应用体系。

图1 教学智能体“书童”（扫描上方二维码注册登录后可查看使用）

地址如下：https://stedu.whuh.com/samples

　　在科研方面，医院构建了全球首个人工智能+重大慢病新药临床试验多智能体协同及一体化应用平台。该平台自下而上分为算力层、数据层、知识层、算法层和应用层，整合多模态临床数据与疾病知识图谱，依托垂类大模型与AI智能体开发，全面覆盖方案设计、患者招募、数据采集管理、疗效安全性评价及监查稽查等临床试验全流程，旨在通过AI技术提升新药研发效率与质量。目前已整合临研6大慢病11000+患者、9000万+条数据，标注七大模态93,000+例影像数据、300,000+例临床文本数据，训练临床研究垂类大模型4个，构建4,126 条专家级临床试验思维链，建成临床试验通用智能体50个，专病智能体30个。

　　通过深度的AI部署，平台实现了从早期研发、准备阶段、研究实施到研究结题的全链条提质增效，加速创新疗法惠及全球患者。围绕“智能协同、去中心化、降本增效”三大核心要素，打破传统信息孤岛，构建起智能协同的临床试验工作流。在研究端，AI以历史临床试验数据为基础，辅助试验方案设计、智能招募、动态质控及全流程伦理审查，推动各环节实现智能化升级。在试验参与者端，平台以临床试验参与者为中心，优化电子知情、远程访视、送药到家、上门医护的去中心化管理与参与体验。在企业端，实现智能远程监查等智能体运用，达到了降本增效的预期目标。专病智能体立足医学专业视角，覆盖临床研究全流程，围绕研究设计、受试者招募、随访管理、安全管控、影像评估五大环节实现各节点智能化、规范化落地：前置介入顶层设计校验方案、规避漏洞；依托专科模型精准富集受试者，兼顾入组速度、质量与风险管控；借助专科随访智能体统一流程口径，打造线上线下、院内院外一体化随访体系；联动居家设备构建全闭环安全管控链路，实时预警处置风险；针对肺癌、乳腺癌、眼科部署影像评估智能体，以自动化盲态评估规避人工偏差，保障结果精准合规。

　　特别是E2E数据采集智能体，实现全球首个端到端的自适应临床试验数据采集框架以及自动化电子病历数据拉取采集，开发的E2E智能体实现自动建库、取值、核查、溯源四道工序全部前置到院内由智能体自动完成。

　　此外，医院创新性引入虚拟临床试验，建立数万份虚拟患者库与数字孪生架构，有效补充罕见病对照组并支持前期模拟，全面赋能新药研发提质增效。

图2 临床研究智能体平台（需先扫描上方推广版二维码注册）

访问地址如下：https://smart-protocol.whuh.com/login

　　武汉协和医院构建了多器官、单中心超声数据库，为超声AI研究奠定了海量数据基石。该数据库的影像数据全面覆盖颈部、心脏、肝脏等全身多器官。依托这一庞大且多模态的数据资产，医院正深入开展图像分割、异常检测、疾病诊断及预后评估等AI应用探索，有力推动了超声医学的智能化进程。

　　医院研发了超声AI视觉语言基础大模型，以2.45亿高质量超声数据为基座，历经视觉基础、视觉-语言基础及多模态报告生成三阶段训练。其诊断性能可媲美高年资超声医师，在图文检索与报告生成方面可替代报告技术人员，覆盖运动、消化、循环等8大解剖系统，提升了超声诊断流程的自动化水平，是医疗AI多模态大模型的重要突破。

　　医院研发了具身智能体检超声机器人系统，实现了机械臂“扫”、AI大模型“检”与“诊”的“扫-检-诊”一体化全流程。在技术上，该系统依托多任务超声AI大模型，结合超声影像与问诊病史，实现病灶分割、分类与检测，支持心脏、甲状腺、腹部等多部位自动扫查，有力推动了医疗同质化与智能化进展。

推进医疗大模型应用，加强人才培养

　　在刘炜看来，大模型在医院的应用场景广阔，但落地难度极大：一是算力获取难，模型训练成本高昂，且受GPU硬件迭代与规模经济性制约；二是算法接纳难，通用模型难以满足严肃医疗的专业要求，且“黑盒”特性导致可解释性不足；三是数据准备难，高质量医疗语料制备复杂，且面临数据不出院的软硬件部署与安全流通难题；四是场景落地难，不同科室业务差异大，定制化需求强，对工程化实施路径要求极高。

　　多模态大模型在医疗数据与知识转化过程中发挥着重要作用。通过多模态自监督训练，模型能够整合文本、影像、EHR、基因组等数据，并结合文献、临床记录与知识图谱进行推理。同时，模型支持灵活的问答交互与动态任务规划，赋能患者客服、互动记录、增强型手术、放射报告生成及床旁决策等应用，旨在使AI更接近人类“多感官协同”的认知方式，结合多模态输入实现复杂推理。

　　“人工智能在医院应用的真正瓶颈不在于算法或算力，而在于缺乏同时理解临床、工程与AI的交叉人才。”刘炜建议，可从以下方面培养人才：一是重构“临床+数据+AI”三合一课程，打破学科壁垒；二是推行医学生与工科生双向轮转至少6个月的联合实训；三是以真实临床项目驱动，参与数据治理到模型部署的全流程工作；四是改革评价体系，为交叉人才建立独立评价通道。