AI医疗目前整体仍处于L1到L2的辅助级别，即AI在诊断流程中承担“辅助”角色，由人类医生掌握最终决策权。在这一阶段，产业链上最先承接落地需求的环节，并非高难度的全自动诊断，而是数据标注与清洗、医学影像识别、以及医院信息系统（PACS）集成等基础性、工具性环节。这些环节技术成熟度相对较高、落地路径清晰，构成了AI医疗从实验室走向临床的第一站。
为什么是辅助诊断环节先行？
在AI医疗的早期阶段，影像识别与辅助阅片是落地最顺畅的场景。其背后的逻辑在于：影像数据标准化程度高、标注相对明确，且AI在特定任务（如病灶初筛）上的表现易于验证。正如《深度医疗》一书所指出，很多诊断工作和阅片工作可以用AI辅助完成，但在任何情况下都不能容忍没有人类医生的监督。这意味着，当前阶段AI的价值不在于替代医生，而在于提升医生的工作效率，这恰好是影像设备厂商与PACS系统集成商最擅长的领域。
产业链各环节的受益顺序与议价能力
从产业链视角看，AI医疗的受益顺序大致遵循“数据→工具→服务”的传导路径。以下为各环节在L1-L2阶段的受益逻辑对比：
| 产业链环节 | 主要参与者 | 在辅助诊断阶段的角色 | 议价能力特征 |
|---|---|---|---|
| 上游：数据与算力 | 数据标注公司、云计算厂商 | 提供训练数据与计算资源，数据清洗与物理隔离是刚需 | 数据权属复杂，第三方机构需借助医院配合才能开发，议价能力受制于数据获取渠道 |
| 中游：算法与设备 | AI算法企业、医学影像设备厂商 | 将算法嵌入设备或独立软件，实现辅助识别与提示 | 掌握核心技术，但需与医院现有工作流深度适配，议价能力较强 |
| 下游：应用与集成 | 医院、体检中心、PACS系统集成商 | 部署系统、改造流程，让AI真正进入临床路径 | 掌握场景与数据入口，对供应商有较强选择权 |
值得注意的是，医疗数据是AI医疗的第一驱动力，但现阶段理解医疗数据远比获得数据更重要、也更困难。IBM沃森失败的教训之一，就是将获取数百万页医疗信息等同于理解这些信息。因此，在辅助诊断阶段，真正能创造价值的并非拥有多少数据，而是能否将数据转化为医生可用的临床工具。
常见问题
AI医疗会很快进入L3或更高阶段吗？
不会很快。与自动驾驶已能部分达到L3不同，AI医疗仍处在L1到L2的路上，且面临更严重的伦理问题——患者和医生都难以接受在没有人类监督的情况下由机器做出关键医疗决策。业内普遍认为，AI医疗不太可能超越自动设备的L3水平。
辅助诊断落地对医院最直接的价值是什么？
主要体现在效率提升与流程优化。AI可以辅助完成大量阅片和初筛工作，帮助医生节省时间、减少遗漏，但最终诊断仍由医生确认。医院通过PACS系统集成实现AI能力的嵌入，是当前最务实的落地方式。
数据问题会阻碍辅助诊断的推广吗？
会，但正在逐步解决。医疗数据权属复杂，通常数据不出院、模型出院，这限制了模型的迭代速度。不过，随着大数据交易所将医疗卫生数据纳入交易品类，合规的数据流通渠道正在建立，这将为辅助诊断模型的持续优化提供支撑。