医疗数据长期处于孤岛状态，是AI医疗落地最现实的瓶颈。破解之道不在于强行“拿走”数据，而在于建立一套权属清晰、数据不出院、模型可流通的合规机制，并在算法与算力上形成自主底座。 医疗数据的所有权理应属于患者，控制权在医院，管理权在政府，第三方机构需借助政府支持与医院配合，方能对其进行商业化开发和利用。当前AI模型训练所需的医疗数据，大多通过企业与医院签署研发协议获得，并在物理隔离下实现“数据不出院，模型出院”。这一模式既守住了隐私边界，也让算法迭代有了合法来源。自主可控，本质上是制度设计、技术能力与合规流通三者共同支撑的结果。

数据孤岛为何难破：权属分散与流通稀缺

AI的三大基石是数据、算法、算力，而数据被称为AI时代的“石油”。但在医疗领域，这桶“石油”的开采权高度分散：患者拥有所有权，医院掌握控制权，政府承担管理权。三方权责分离，使得任何单一主体都难以独立完成数据的商业化开发。

流通端的稀缺更为直观。国内各大数据交易所已有不少将“医疗卫生”数据纳入交易品类，但目前仅有贵州大数据交易所上架了一款“儿童构音障碍早筛语音数据”产品，售价25万元，已交易两笔。这款产品由82个音节组成，主要用于3-6岁儿童在自闭症、构音障碍、发育迟缓及言语障碍等疾病早期筛查的AI算法训练。一款产品、两笔交易，折射出医疗数据要素市场的早期形态。

自主可控的底座：算法、算力与合规机制

在数据难以大规模集中的前提下，自主可控的路径需要绕开“占有数据”的思路，转向“用好数据”。

合规机制上，研发协议加物理隔离的“数据不出院、模型出院”模式，已在实践中运行。它把数据留在医院内部，让模型在医院侧完成训练或验证后输出，既尊重了医院的控制权，也满足了企业对算法迭代的需求。

算法层面，理解医疗数据比获得数据更重要也更困难。埃里克·托普在《深度医疗》中分析IBM医疗AI沃森的失败时指出，“最基本的失误之一，就是将获取数百万页的医疗信息等同于理解或使用这些信息。”如果不能深刻理解所服务的行业，再多的数据也只是徒耗电力。

算力层面，医疗数据以全基因组序列、高分辨率图像、可穿戴设备连续数据输出等形式持续井喷，对算力底座提出更高要求。算法与算力的自主能力，决定了这些数据能否被有效驾驭并转化为临床价值。

伦理边界决定自主可控的上限

自主可控不只是技术问题，还涉及伦理框架。埃里克·托普将自动驾驶汽车与AI医疗相提并论：目前在理想环境和交通条件下，自动驾驶汽车已达到L3水平，但AI医疗仍处在L1到L2的路上。他认为，AI医疗不太可能超越自动设备的3级水平——阅片、诊断等工作可由AI辅助完成，但就医学整体而言，绝不能容忍没有人类医生和临床医生的监督。这一判断为自主可控划定了边界：算法可以自主，决策权仍需保留在人类医生手中。

常见问题

AI医疗的数据孤岛能靠技术手段直接打通吗？

单靠技术手段难以直接打通。医疗数据的权属分散在患者、医院与政府三方，第三方机构需借助政府支持和医院配合才能进行商业化开发。更现实的路径是通过研发协议与物理隔离，实现“数据不出院、模型出院”，在合规前提下让算法获得训练来源。

为什么医疗数据交易目前如此稀少？

医疗数据属于患者隐私，控制权在医院，管理权在政府，三重权属关系使得上架交易需要跨越复杂的合规门槛。国内各大数据交易所虽已将“医疗卫生”纳入交易品类，但目前仅有贵州大数据交易所上架了一款儿童构音障碍早筛语音数据产品，累计交易两笔，反映出医疗数据要素市场仍处于起步阶段。

自主可控是否意味着AI要替代医生做决策？

并非如此。AI医疗目前仍处在L1到L2的辅助阶段，阅片、诊断等工作可由AI辅助完成，但医学整体上绝不能容忍没有人类医生和临床医生的监督。自主可控指向的是算法、算力与数据流通机制的自主能力，而非替代医生的临床决策权。