当眼底筛查从三甲医院走进社区，当数字健康人陪伴居民走过全生命周期，中国正在走出一条独特的AI医疗平台化之路。

2026年5月，第79届世界卫生大会在瑞士日内瓦举行。在这场全球卫生治理的高级别会议上，来自中国的AI医疗实践成为焦点——北京同仁医院的人工智能眼底筛查诊断设备收到了秘鲁卫生部的采购意向邮件；浙江省医疗AI智能体“安诊儿”展示了40余项智能化服务，已接入2000余家医疗卫生机构，累计服务超2亿人次；上海则通过互联网医疗与数字健康城区融合，将优质资源系统性引向社区和家庭。

更值得注意的是，几乎在同一时间，国内首个AI医院集团创新联合体——北京华医智锦健康科技集团宣布完成集团化整合并落地北京投入运营。这标志着我国AI医疗从“单一智能体的技术探索”进入“平台化、标准化、闭环化、基层可及化”的系统性产业落地阶段-。

本文将深入剖析这一转型背后的技术架构、落地路径与治理挑战，探讨AI如何从“试点”走向“平台”，成为全民健康体系的“数字基座”。

一、技术架构：从单点应用到系统集成

AI医疗的技术架构正在经历从“单点应用”到“系统集成”的深刻演变。如果说早期的AI医疗更像散落在医院各科室的“智能插件”，那么当前的趋势则是构建一个覆盖筛查、诊断、治疗、随访全流程的“数字神经系统”。

1.1 多模态医疗AI：让AI“眼耳并用”

医疗数据的多样性是其显著特征。一名患者可能同时产生医学影像（X光、CT、眼底照片）、电子病历文本、基因测序数据、心电图波形等多种模态的数据。如何让AI同时理解和融合这些异构数据，是医疗AI走向系统化的第一个技术挑战。

中国各地正在探索各自的多模态集成方案。以北京海淀区的眼底筛查为例，社区卫生服务中心部署便携式AI眼底相机，30秒拍照、2分钟出报告，系统可自动筛查12类致盲性眼病及心脑血管疾病风险。这种方案将影像数据、患者基本信息、既往病史进行初步融合，实现了“社区检查、云端诊断、上级治疗、社区随诊”的全链条服务。截至2026年初，该模式已累计完成筛查18万人次，发现高危眼底疾病患者超千人次。

技术层面的挑战在于不同模态数据如何高效融合。传统方法是将各模态独立处理后简单拼接，但医疗场景需要更精细的方案。前沿研究提出基于注意力机制的融合架构，例如论文NASFL提出的transformer-guided ResNet骨架，能够自适应地在X光和CT影像之间进行多模态特征融合，在112,000余张影像、覆盖超过3万名患者的数据集上实现了99.6%的诊断准确率。

1.2 联邦学习：让数据“可用不可见”

医疗数据因其高度敏感性，跨机构共享面临严格的隐私合规约束。但AI模型的训练又需要足够广泛和多样的数据。联邦学习恰好解决了这一矛盾——模型在本地训练，只上传参数更新，原始数据从不离开所属机构。

然而，医疗场景的联邦学习面临独特的“模态异质性”挑战。不同医院采集的数据类型和格式差异巨大：三甲医院可能拥有完整的影像、文本和多组学数据，而基层机构可能仅有部分文本记录。2026年发表在Medical Imaging with Deep Learning（MIDL） 会议上的研究提出了概率特征插补网络（P-FIN） ，通过输出带有校准不确定性的插补特征，解决模态缺失场景下的可靠性问题，在最具挑战的配置下将AUC提升了5.36%。

更为全面的探索是2026年发布的开源基准Med-MMFL，它评估了6种代表性联邦学习算法，覆盖文本、病理图像、心电图、X光、放射学报告等10种医疗模态，并支持自然联邦、合成IID和合成非IID三种模拟真实场景的评估设置。

中国的实践同样印证了这一技术路线的价值。例如，上海疾控中心牵头成立的上海市公共卫生数据实验室，围绕超大城市公共卫生核心需求，将疾控业务与人工智能技术深度融合，搭建涵盖数据治理、知识图谱、算力支撑和模型研发的完整技术链路，重点把握场景、算法、语料、算力四大核心要素-。

二、可落地性：从“筛查-诊断-随访”到HIT深度融合

技术的价值在于落地。AI医疗从试点走向平台化的关键，在于能否无缝嵌入现有的医疗卫生信息系统（HIT）和工作流程。

2.1 全流程的接口设计

AI医疗系统的落地需要打通三个核心环节：

筛查环节：以北京同仁医院的AI眼底筛查系统为例，仅需一张眼底照片，2分钟内可快速筛查35种致盲性眼病及10项主要全身性健康风险。目前该设备已在多地基层医疗机构和体检机构落地应用，累计服务超400万人次。系统的关键设计在于大幅降低了筛查门槛——基层医护人员经过简单培训即可操作，AI自动完成高风险病例分级。

诊断环节：筛查出的阳性病例通过绿色转诊通道直接上转至三甲医院。北京同仁医院作为国家重点学科，在分级诊疗体系中负责接收转诊患者、提供诊断服务、开展复杂手术，并为疑难重症病例提供专科会诊与远程诊疗支持。

随访环节：治疗后的患者回到社区，AI系统继续提供健康管理服务。这形成了“筛查—诊断—治疗—随访”的完整闭环。

2.2 与HIT的深度融合

单点的AI工具固然有用，但只有与医院信息系统深度集成，才能真正改变医疗流程。这需要解决几个层面的技术问题：

首先是数据标准对接。医院HIS、LIS、PACS等系统使用的是各不相同的数据格式和接口协议，AI系统需要适配这些“方言”。华医智锦集团的解决方案是自主研发的AIMES医疗大模型（已通过国家网信办大模型算法备案）和AI医院智联中枢——后者被定义为面向AI原生医院的“操作系统级”智能中枢平台，支撑从家庭健康管理到临床诊疗的全链条服务。

其次是工作流嵌入。AI不应成为医生额外操作的负担，而应“隐形”地融入现有工作流。这要求AI系统提供标准化的API接口，能够被医院现有系统自动调用。苏州的实践提供了有益参考——作为中国—世卫双年度合作项目城市，苏州依托统一平台实现跨机构协同，双向转诊和远程会诊已常态化。

2.3 基层可及性的技术支撑

AI医疗的“最后一公里”在于基层。浙江的“安诊儿”给出了一个全国性的答案：从2023年11月上线至今，安诊儿已迭代至3.0版本，链接2000余家医院和2000万用户，帮助居民将平均就医时间缩短20分钟，使用满意率达98%。基于“安诊儿”经验孵化的全国版健康AI“蚂蚁阿福”APP，总用户数超1亿，每天解答超1000万个健康问题，其中55%的用户来自三线及以下城市——这意味着农村、小乡镇用户也能通过手机获得专业的医疗健康服务。

值得关注的是，目前“安诊儿”与“蚂蚁阿福”已完成系统对接实现协同服务，“阿福”APP定位到浙江居民后可一键切换至“安诊儿”服务模式，为用户提供个性化、精准化的医疗健康服务。这一省域深耕与全国推广的联动模式，为AI医疗的普惠提供了可复制的技术路线。

三、平台化挑战：标准化、合规与持续迭代

当AI医疗从一个医院、一个城市的试点，走向全国乃至全球的平台化部署时，一系列系统性挑战随之浮现。

3.1 多厂商AI服务的标准化

医院环境中，AI服务可能来自多个厂商：有的提供影像诊断，有的提供病历质控，有的提供慢病管理。这些异构AI服务如何协同工作，如何统一管理，如何确保互操作性？

一个重要的技术方向是基于FHIR（Fast Healthcare Interoperability Resources）的AI透明度标注。HL7国际组织于2026年启动了“AI Transparency on FHIR”工作组，目标是在FHIR资源中标注AI使用情况，包括哪个AI被调用、模型版本、置信度、输出时间等元数据。这一规范使得下游用户和系统能够知道当前处理的数据是否经过了AI的介入、来自哪个AI、置信度如何，从而做出知情决策。

中国的主流AI医疗平台也在探索类似的方向。华医智锦集团的“智联体MaaS平台”融合前沿医学知识图谱、循证医学证据与真实世界数据三大引擎，构建起跨机构、跨区域、跨国界的医疗资源网络。其“千病智能体”覆盖常见病、重大病、罕见病，提供从症状识别、预问诊、分诊到治疗方案、用药规范、随访、病程管理的全流程医疗支持。

3.2 临床验证与监管合规

AI医疗产品的临床验证和监管合规是平台化的“准入门槛”。目前，国家相关部门已出台多项政策为“AI+医疗”划定航道。《智能体规范应用与创新发展实施意见》明确要求在医疗健康领域提升医学影像分析、疾病诊断推理、定制化诊疗方案生成等医疗辅助智能体性能，探索药品管理、手术排程、病历管理等智能体，推动AI从辅助工具向“协同决策者”演进。

在具体实践中，浙江省已建立起一套完整的大模型测评验证机制。浙江省联合中国信通院、中国医学科学院建立测评体系，已累计测评55款模型，并正遴选建设一批临床验证中心，让产品在真实医院环境实战检验-。这种“先测评、再部署”的机制为AI医疗的平台化提供了质量保障。

3.3 模型更新与生命周期管理

AI模型需要持续迭代——新的疾病认识、新的诊疗指南、新的训练数据都需要模型更新。如何在保持服务连续性的前提下完成模型更新，是所有AI医疗平台的共性挑战。

关键的技术手段包括：A/B测试部署（新模型与旧模型并行运行对比效果）、灰度发布（逐步扩大新模型的服务范围）、以及模型版本回滚（发现问题时快速恢复）。华医智锦集团的“AI医院智联中枢”被明确定义为面向AI原生医院的“操作系统级”智能中枢平台，已在中关村论坛全球首发并率先在博鳌超级AI医院落地应用，其平台化架构正为模型的持续迭代提供系统性支撑。

四、监管与生态：政策护航下的制度创新

AI医疗的平台化不仅是技术问题，更是制度问题。国家数据局近期释放的信号值得关注：“词元”不仅是智能时代的价值锚点，更是连接技术供给与商业需求的“结算单位”，为商业模式的落地提供了可量化的可能-。这一概念的提出，意味着AI医疗服务的价值计量和付费模式正在被提上政策议程。

与此同时，工业和信息化部与国家数据局联合启动了2026年“模数共振”行动，重点面向医药等20个行业，部署了七项重点任务，包括构建行业通识数据集、完善模型评测机制、创建“模数共振”空间探索协同机制、打造“模数共振”创新联合体构建全栈方案等-。这一行动从政策层面为AI与数据的深度融合打通了制度通道。

在国际层面，中国在世卫大会期间联合巴西、埃塞俄比亚、阿曼、秘鲁、南非、西班牙、坦桑尼亚、泰国等国共同发起《数智时代卫生体系共创未来倡议》。这标志着中国的AI医疗实践经验正在从“自用”走向“共享”，为全球卫生体系的数智化转型提供了可参考的范式。

五、中间件视角：AI医疗平台的“连接器”

在医院信息系统与AI智能体之间，需要一个承上启下的“连接器”——这正是中间件发挥价值的地方。这个连接器需要负责四类核心功能：

数据标准化与协议转换。医院内部运行着HIS、LIS、PACS、EMR等多种异构系统，各自使用不同的数据格式和通信协议。AI医疗平台需要一个统一的接入层，将这些“方言”翻译成AI能够处理的标准化格式，同时将AI的输出转换回各系统可识别的形态。

服务编排与路由。一次“就医陪诊”可能涉及挂号智能体、导诊智能体、报告解读智能体、随访智能体的协同工作。中间件负责这些智能体之间的消息路由、任务编排和状态管理。

统一鉴权与审计。医疗数据涉及高度敏感的个人隐私，每一次AI调用都需要认证授权，每一笔操作都需要可追溯。统一鉴权中间件能够实现身份认证、权限控制和操作审计的集中化管理。

跨机构协同。分级诊疗要求不同层级的医疗机构共享数据和协作。中间件在机构之间建立“信任边界”和数据交换通道，同时严格遵守隐私保护要求。

金蝶天燕在国产中间件领域长期深耕应用服务器、消息中间件和企业集成平台。在AI融入全民健康体系的进程中，其在API网关、统一身份认证与数据交换平台等领域的技术积累，可以延伸至医疗AI平台的“连接器”角色。例如，金蝶天燕的消息中间件可用于构建高吞吐、低延迟的医疗事件传输管道，将社区卫生服务中心的筛查请求实时路由至三甲医院的AI诊断服务。这些技术能力本身与金蝶天燕的传统业务高度一致，而在AI医疗场景中的部署，更多是在技术能力基础上进行的场景适配与应用集成。这正是中间件在AI时代发挥“连接器”作用的典型体现。

六、结论：从试点到平台的跨越

AI融入全民健康体系，正在经历从“试点”到“平台”的历史性跨越。北京的经验展示了AI如何下沉到基层、打通全流程；上海的实践揭示了AI如何推动公共卫生体系从被动响应走向主动感知；浙江的模式则证明了智能体可以通过省域共享实现规模化覆盖；而首家AI医院集团的落地，标志着我国AI医疗正式进入平台化、标准化、闭环化、基层可及化的系统性产业落地阶段-。

技术层面，多模态融合、联邦学习和FHIR标准化正在为AI医疗的平台化提供坚实的底座。政策层面，国家数据局的“词元经济”理念和国家网信办的智能体规范，为AI医疗的价值计量和合规发展指明了方向。

未来5年，中国将发展防治康管全链条服务，加强健康数据互通共享，为群众提供覆盖全生命周期的整合型医疗卫生服务-。在这一进程中，从医院信息系统到AI智能体的“中间连接层”，将成为决定平台化成败的关键环节。

正如一位与会专家在世界卫生大会上所言：“中国当下所呈现的，或许不仅是‘AI+健康’的实践样本，更是未来健康社会的制度原型。”当疾病防控从被动响应走向主动感知，当优质医疗资源不再受制于地理距离而是通过数字底座流向每一个家庭，AI医疗的平台化之路才刚刚开始。