生成式AI在医学影像合成与重建中的价值，在于它能生成全新、潜在的数据样本，用于合成结构与强化病变区域，例如3D医学影像重建和脑部疾病影像分析；而打通从算法到临床的产业链，需要上游基础设施、中游算法模型、下游应用拓展三部分协同，把算力、数据、模型与医院影像科、诊断场景串联起来。

生成式AI在影像环节补上了什么

人工智能在医疗领域主要分为判别式AI与生成式AI两类。判别式AI通过学习输入与输出数据之间的映射关系进行预测，在图像识别和分类等问题上应用效果较好，尤其适合数据集较为单一的场景。

生成式AI的主要特点是生成全新、潜在的数据样本，且能力可以以各种方式扩展。在数据集丰富、需要生成全新数据样本的场景中，它更具适用性。落到医疗图像诊断，它可以用于合成结构和强化病变区域，例如3D医学影像重建、脑部疾病影像分析。因此，生成式AI对现有医疗领域是一种有益的补充，而非替代。

产业链上中下游如何衔接

AIGC产业由上游的基础设施、中游的算法模型和下游的应用拓展三部分构成。基础设施主要由工具链和智算平台构成；中间为模型层，部分采用从自建模型到开发应用的端到端模式，即针对特定领域自行完成基础模型开发，再针对目标市场和应用进行模型、知识和数据的特定优化，并开发出直接交付用户的应用产品；模型层之上是应用层，这些应用往往依赖模型层开发，通过接入API实现功能。

从成本效益角度，基础层、模型层的搭建适合有规模效应的大厂和平台，而创业公司在应用方面的探索和突破，可能成为未来的主要趋势。对医疗而言，这条链条的难点在于质量与合规：医疗领域高度专业化、容错率低，需要医疗专业人士的专业知识和经验才能正确理解和解释相关问题，应用需基于大量可靠数据和高质量临床实践基础，并严格遵守相关法律法规和伦理规范。

落地为何强调专业化模型

定义明确的高价值工作流程，将主要由专门的人工智能系统而非通用人工智能模型来解决。医疗领域尤其需要高质量的专业化模型，其中高质量、用户反馈和专有数据集是专业化模型的关键。仔细调整高质量的人类“使用”数据（如偏好、指令、提示和响应等），是推动模型功能的核心。这也意味着，算法要真正进入影像科与诊断场景，离不开临床端的持续反馈与数据治理。

常见问题

生成式AI会取代判别式AI吗？

不会。两者各有特点与优势，生成式AI是对现有医疗领域的补充。企业可以根据自身需求将判别式AI与生成式AI算法相结合，以实现更复杂和精细的任务。

目前AI医疗成规模的应用在哪里？

当前AIGC在医疗领域的应用还处于起步阶段，成规模的应用主要在聊天机器人领域。在研发生产制造环节，相关应用更多集中在药物发现环节以及CXO服务领域。

医疗AI落地最大的约束是什么？

医疗领域高度专业化、容错率低，需要医疗专业人士的专业知识与经验参与解释和判断。同时需要可靠数据、高质量临床实践基础，并严格遵守相关法律法规和伦理规范，模型也需不断改进和优化。