AI医疗目前整体处于L1到L2水平，即“辅助诊断”与“部分自动化”阶段：AI可以协助完成阅片、初步筛查、用药提示等任务，但决策主体仍是医生。这一阶段对应着上游数据采集、中游算法训练、下游临床应用三层产业链结构，三者各自分工明确，又因数据权属与伦理约束而协同困难。
产业链三层分工现状
上游：数据采集与治理。医疗数据是AI训练的“基石中的基石”，主要由医院和医疗设备商掌握。当前AI模型训练所需数据，大多通过企业与医院签署研发协议获得，并经过专门模块清洗，只保留必要字段。实际操作中普遍采用“数据不出院、模型出院”的物理隔离模式，即医院提供数据用于训练，但模型产出后才能离开医院环境。
中游：算法研发与模型训练。AI企业承担算法开发与模型迭代。以ChatGPT为例，其在医疗领域已有远程医疗虚拟助手、临床辅助决策、远程患者监护等多种应用场景——例如针对特定情况建议治疗方案、标记潜在药物相互作用、分析可穿戴设备数据并预警病情恶化等。但业内共识是：理解医疗数据远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”。
下游：临床落地与监督。医院和医生是最终应用方。目前大量诊断、阅片工作可由AI辅助完成，但任何情况下都不能容忍没有人类医生监督的自动化。托普据此判断，AI医疗不太可能超越自动设备的L3级水平——这与自动驾驶形成鲜明对比：自动驾驶在理想条件下已达L3，而AI医疗仍处在L1到L2的路上，核心原因在于医疗面临更严重的伦理问题（患者隐私、责任归属、生命决策等）。
协同难点：数据孤岛与商业转化
医疗数据权属问题贯穿产业链始终。主流观点认为：数据所有权属于患者、控制权在于医院、管理权在于政府，第三方机构需借助政府支持和医院配合方能进行商业化开发。目前国内大数据交易所已将“医疗卫生”纳入交易品类，但实际成交案例极少——贵州大数据交易所曾上架一款“儿童构音障碍早筛语音数据”产品，售价25万元，累计成交2笔。可见数据流通与商业转化仍处于极早期阶段。
常见问题
AI医疗的L1-L5分级具体指什么？
该分级借鉴自动驾驶标准：L1为辅助诊断（AI帮助医生保持判断，但需医生操控），L2为部分自动化（自动控速与转向的组合，如自动阅片加初步结论），L3为条件性自动化（系统驱动并监护环境，但依赖人为备份），L4为高自动化（有限环境内无需人工后备），L5为完全自动化（任何情况下无需人员后备）。当前AI医疗实际处于L1到L2之间。
为什么AI医疗比自动驾驶推进更慢？
核心在于伦理约束。自动驾驶出错后果是交通事故，而医疗出错直接关乎生命；同时医疗数据涉及患者隐私，权属复杂，数据获取与流通远比驾驶数据受限。托普因此认为AI医疗不太可能超越L3水平——医生必须始终保留最终决策权。
产业链上中下游最大的瓶颈是什么？
上游的数据孤岛问题最为突出：医疗数据权属模糊，企业与医院通过研发协议获取数据，但“数据不出院”模式限制了规模化训练；中游则面临“理解数据比获得数据更难”的认知鸿沟；下游受制于伦理监管，AI只能做辅助而非替代。三者相互牵制，形成当前L1-L2阶段的整体格局。