AI医疗的核心应用场景包括影像诊断、临床辅助决策、药物发现和健康管理，各场景对算法精度、数据标注、监管路径及付费模式的要求差异显著。目前影像AI（如肺结节、眼底筛查）是成熟度最高的场景，已获批三类证最多，单次收费模式可行；而临床辅助决策（CDSS）因医生信任度与数据整合难度高，曾导致IBM沃森在此场景失败。药物发现虽能加速靶点筛选，但距离商业化较远；健康管理依赖可穿戴设备与AI结合，数据隐私和用户粘性是主要痛点。
影像AI：成熟度最高的应用场景
影像AI在肺结节、眼底筛查等细分领域已实现商业化落地，是AI医疗中三类证获批数量最多的场景。其技术需求聚焦于高精度图像识别与标注，单次检查收费模式相对清晰，监管路径也较为明确。这一场景的AI模型在特定任务（如结节检测）上已接近甚至达到人类专家水平，但泛化能力仍需提升。
临床辅助决策：信任与数据的双重挑战
临床辅助决策系统（CDSS）旨在为医生提供实时、基于证据的建议，但医生对AI的信任度和多源医疗数据的整合难度是主要瓶颈。IBM沃森在此场景的失败，源于将“获取数百万页医疗信息”等同于“理解或使用这些信息”——正如《深度医疗》作者埃里克·托普所分析的，“如果不能深刻地理解所服务的行业，再多的数据也只是徒耗电力”。当前AI医疗整体仍处于L1到L2的水平，远未达到可在无人类监督下独立决策的L3级别。
药物发现与健康管理：潜力与痛点并存
药物发现场景中，AI可加速靶点筛选和分子设计，但距离商业化较远，需长期验证周期和大量资金投入。健康管理则依赖可穿戴设备与AI结合，通过分析连续数据（如心率、活动量）实现远程患者监护，但数据隐私保护和用户长期使用粘性是两大核心痛点。医疗数据作为AI医疗的第一驱动力，其权属（患者、医院、政府三方）的复杂性也制约着这些场景的规模化发展。
常见问题
AI医疗各场景的技术需求差异具体体现在哪里？
影像AI对算法精度和标注一致性要求极高，而临床辅助决策需要整合多源异构数据（如病历、检验报告、影像），并建立医生信任机制。药物发现要求AI具备分子动力学模拟等复杂计算能力，健康管理则更关注低功耗、实时数据处理与隐私保护。
为什么IBM沃森在临床辅助决策场景会失败？
核心原因在于将数据获取等同于数据理解。沃森虽然能读取海量医学文献，但缺乏对临床语境、患者个体差异和医生决策逻辑的深度理解。这印证了埃里克·托普的观点：理解医疗数据远比获得数据更重要也更困难。
AI医疗目前处于什么发展阶段？
参照自动驾驶的分级，AI医疗整体仍处于L1到L2的水平（辅助人类医生完成特定任务），远未达到可独立决策的L3级别。正如《深度医疗》所强调，在任何情况下都不能容忍没有人类医生监督的AI医疗实践。