中大新聞網訊（記者李麗興、呂思涵、張妍）在醫療領域，AI早已不可或缺。整合優化醫療資源，提高醫療服務的效率和質量，都能看到人工智能的身影。中山大學深耕生命健康領域，聚焦智能醫學及診療，在AI的協助下防治篩查、診療診斷、醫院管理都實現了有效提升。
“AI+眼科”為患者打開新“視界”
據統計，一方面，我國目前視障人士群體總數約為1700萬，占全球1/5；另一方面，我國各類眼病患者總數約為8000萬。然而當下國內注冊的眼科醫生僅6萬名，意味著平均每50000名眼病患者才能分配到1.6名眼科醫師。
隨著眼科醫學的發展，除了傳統診療手段之外，人工智能等新興技術正為致盲眼病的大規模早期篩查和精準診療提供越來越多的可能。
中山眼科中心即是“探路人”之一，早已瞄準人工智能技術的潛力，研究其在眼病防治的篩查、診斷、治療、隨訪及預測領域的應用。
中山大學中山眼科中心主任、醫院院長林浩添教授為患者檢查
作為中山大學中山眼科中心人工智能學科帶頭人，林浩添早已帶領團隊利用人工智能開展理論探索。早在2016年，林浩添就以深度學習模型，創建了全球首個人工智能白內障診療云平臺CC-Cruiser系統——以云服務的形式，輔助醫生完成先天性白內障的診斷、風險評估，并提供治療建議，CC-Cruiser人工智能平臺被評為全球醫學界的11大AI事件。2017年，眼科中心開啟了全球首個人工智能門診。
2023年3月，中山大學中山眼科中心啟動ChatZOC眼科大模型研發。同年12月，與華為啟動聯合研發，合作攻關破解技術難題。
2024年6月6日，在第29個全國愛眼日，發布國內首個眼科大模型ChatZOC，它是一個服務“醫教研防管”的眼科大模型，其中一大重要應用場景則是人工智能問診，通過與患者交互，引導他們說出病情，進而為其提供就診的建議。這一AI應用場景的落地，不僅能用通俗的語言幫患者理解病情，利用AI技術賦能醫療服務均等化，更能提升就診精準性和效率。
2024年10月以來，這一眼科大模型不僅在湖南、新疆、海南等省市自治區落地應用，還“出海”去了馬爾代夫，生成當地第一份AI報告。新疆喀什公益行動就是一次ChatZOC眼科大模型在實際醫療場景中的實踐成果。在該系統的幫助下，新疆喀什英買里鄉的40余名村醫和20名醫護人員具備了標準眼科診療能力。短短10天內，喀什地區近3萬居民足不出戶便能接受便捷高效的人工智能眼病篩查服務。
除了診療手段方面的苦心鉆研，中山眼科中心還聯合全國136家醫療相關機構單位發起了“百城光明行”活動，以自主研發的5G智能眼科巡診車為載體，組建多支醫療隊，奔赴全國各地，開展眼科健康篩查、義診和手術等醫療服務。
目前已在29個省級行政區、108個城市開展“上門式”的眼病篩查，累計服務超過15萬群眾。“巡診車+智能診療”創新模式成功實現了優質醫療資源下沉和區域均衡布局，打通了守護人民群眾眼健康的“最后一公里”。
從診療過程的數據信息化，到深度模擬醫生診斷思維，利用人工智能技術輔助醫生，推進數字醫學高質量發展，其意義不僅是門檻降低、成本降低，更重要的是將應用范圍變得越來越廣、準確率越來越高。
“AI+腫瘤科”為醫生量身打造專屬助手
“AI+”不僅能為廣大患者帶來福音，更為工作忙碌的醫生減負，讓醫生可以將更多的精力放在與患者溝通交流以及處理復雜病情上，提升醫療工作的整體效率和質量。中山大學腫瘤防治中心率先打造DeepSeek診療助手，開啟腫瘤專科智能化診療新時代。中腫這次引入的DeepSeek-R1 671B滿血版大模型，擁有6710億參數規模，能夠靈活應對各種復雜的醫療場景。
本次大模型部署不僅與醫生工作站打通，更重要的是與全院高質量大數據平臺進行聯動。從2015年起，中腫與醫渡科技攜手探索腫瘤專科大數據平臺的建立，2020年建成國內首個T+0實時更新的腫瘤大數據平臺，平臺整合了45個核心業務系統的數據，治理3000余條結構化數據，打造成覆蓋200萬患者全病程的醫療數據"活地圖"。依托十年構筑的數據護城河，大模型深度融通200萬份全周期病歷，實現秒級數據調閱與智能解析，充分發揮大數據+大模型結合的技術優勢，提供貼合專科場景的個性化輔助。這不僅是簡單的技術疊加，更是醫療數據價值的巨大變革。
中腫此次推出的大模型獨特之處在于，更加細致地考慮到了不同專科、不同年資、不同崗位醫生的需求，讓醫生可以在統一大模型底座上，按照個人診療經驗與習慣，選擇自己的患者診療數據，配置業務流程邏輯，按需搭建應用智能體，破除傳統AI醫療“一刀切”設計的困境。
“當1000個醫生有1000種需求時，只有讓AI適應人，而非人適應AI，才能讓AI真正扎根臨床。”中山大學腫瘤防治中心孫穎副院長這樣說道。
中山大學腫瘤防治中心副院長孫穎作Deepseek及大語言模型應用培訓
除了用智能體協助醫生處理日常事務，中山大學腫瘤防治中心還搭建起鼻咽癌等腫瘤放療靶區及全身危及器官的人工智能自動勾畫平臺，解決臨床中放療靶區及危及器官勾畫準確性低、勾畫準確性高度依賴醫生經驗、勾畫者間差異大、勾畫費時的問題。
他們通過醫工融合和產學研合作，采用三維多尺度卷積深度神經網絡算法，利用人工智能仿真腫瘤生長規律，提取和分析所標記的目標區域的特征，輔助醫生快速、準確對全身69個全身多部位危及器官進行智能勾畫，大幅提升醫生勾畫精度和工作效率，醫生的人均靶區勾畫工作時間從3小時縮短到0.5小時。目前，院內已累積使用7.3萬次，已推廣至國內30個省，361家醫院，累計服務患者60萬人次，大幅提高放射治療精準度和效率，提升放射治療水平的同質化。
“AI+醫院”打破醫院治理“數據孤島”
數據孤島、質量參差、利用低效.....這些是當前醫院數智化轉型普遍面臨的痛點。醫療機構每天產生海量數據，卻因數據的分散性導致關聯性問題，為管理決策提供支持上存在不足。“一般三甲醫院都有一兩百個業務系統，這導致，你想把這些數據串聯起來使用的時候，存在很多障礙”，中山大學附屬第三醫院大數據中心主任劉子鋒說。
為什么一家醫院會有多達一兩百個信息系統？“沒有任何一個廠家能把醫院的所有業務全部做完，太繁雜了。”劉子鋒回答。醫院的業務流程種類繁多，比如門診流程、住院流程、手術流程等，每個流程在信息化時，都有相應信息系統“上新”，每個系統都有可能由不同的廠家來做，技術進步也帶來了很多新流程、新系統。
在智能化改革方面，附屬三院一直是“領頭羊”角色。而為了破除龐雜數據困境，進而提高醫院運營效率，附屬三院大數據中心積極開展“數據治理”，將孤立的數據孤島匯成“數據湖”，再針對不同系統業務數據進行標準化處理。數據治理的過程比想象中繁瑣，包括建立數據標準，分類、預處理等多個環節。這項工作，劉子鋒帶著團隊做了三年。從2019年做到2022年，把附屬三院的5000萬門診患者、120萬住院患者的數據匯入了統一的“數據湖”中，涉及文本總數據量30TB，數據表26600+張，數據量300億條。
附屬三院大數據平臺界面
使用患者Agent進行患者信息檢索
到2022年，數據治理告一段落，正巧遇上ChatGPT橫空出世，附屬三院順勢開展人工智能建設，搭建了智能體平臺和數據管理預處理平臺，在“數據湖”上搭建出“工具房”。國家衛健委在2024年11月出臺《衛生健康行業人工智能應用場景參考指引》，給出了80多條具體應用場景的建議。劉子鋒團隊結合醫院實際篩選出了若干個應用場景，患者端、醫生端、管理端、科研端均部署了數項，推出了用于醫院內部服務與管理的“三院私域GPT”、用于幫助門診醫生提升效率的“智能預問診”系統，以及用途多樣的“患者數字分身智能體”，等等。
在醫療AI迅速發展的大背景下，附屬三院主動擁抱大數據、人工智能時代，讓人工智能賦能更多人，為患者提供更好的醫療服務，把附屬三院的智慧化建設成果向更多基層醫院推廣使用，造福更多的患者。
