AI医疗的下游应用场景已从早期的影像诊断扩展到药物研发、临床决策支持及健康管理等多个领域，需求结构正从单一辅助工具向高价值、专业化的专用模型演变，其中药物发现和诊疗环节的生成式AI应用成为增长重点。
判别式与生成式AI的分工
AI医疗的技术基础主要分为两类：判别式AI擅长图像识别与分类，在医学影像（如CT、MRI、病理切片）中实现高准确度的疾病识别与疗效预测；生成式AI则专注于生成新数据样本，在3D医学影像重建、脑部疾病分析及药物发现中发挥作用。两者结合可完成更复杂精细的医疗任务。
下游应用场景分类
药物发现与研发环节：生成式AI目前更多集中在药物发现及CXO服务领域，例如生物制药企业利用Transformer等模型预测结构、发现药物，CRO企业训练语言模型服务临床。
诊疗环节：AI通过工作流程改进、新数据集成和个性化互动，辅助问诊、健康管理。在心理健康等专病领域，AI也带来创新应用。当前成规模的应用主要在聊天机器人领域，例如谷歌推出的医用语言模型Med-PaLM 2。
临床决策支持：AI可辅助医生诊断并提高就诊效率，但需注意其建议的准确性，需结合个案判断。
患者咨询与医疗教育：AI能向患者传授健康知识、预防措施，并为医学教育提供教学工具，但可能产生误导性回答，需专业医生监督。
需求结构演变趋势
医疗领域正从通用人工智能模型转向高质量的专业化模型。正如Eric Schmidt指出，高价值工作流程将由专门的人工智能系统主导，医疗领域尤其需要高质量、用户反馈和专有数据集。这意味着未来增长优先级将从通用聊天机器人转向药物发现、个性化诊疗等容错率低、专业度高的场景。
常见问题
AI在药物发现中的具体作用是什么？
生成式AI可用于预测分子结构、发现潜在药物靶点，以及通过生成式模型加速临床试验数据模拟，提高研发效率。
判别式AI和生成式AI在医疗影像中如何分工？
判别式AI用于识别和分类病灶（如肿瘤检测），生成式AI则用于合成结构、强化病变区域，例如3D影像重建和脑部疾病分析。
当前AI医疗应用面临哪些主要挑战？
主要包括用户隐私保护、模型输出准确性需专业医生监督，以及高质量专有数据集的获取与合规使用。