从全心脏模型到基于LLM的疾病网络分析，清华长庚医院李栋从数据视角剖析医疗大模型发展趋势
内容提要
李栋教授在2025北京智源大会上指出，智慧医疗时代医疗数据的创新应用依赖于大模型，以提升医疗效率和精准诊断。尽管面临算法局限、算力成本和数据治理等挑战，AI仍是医疗变革的关键。未来需加强医生与数据科学家的合作，推动医疗数据智能化发展。
关键要点
-
李栋教授在2025北京智源大会上分享了智慧医疗时代医疗数据的创新应用。
-
大模型是提升医疗效率和精准诊断的关键，但面临算法局限、算力成本和数据治理等挑战。
-
本地部署、定制开发和断网使用模式是大模型在医疗场景中的最佳应用方式。
-
医疗大模型的应用面临算法硬伤、幻觉问题、算力陷阱和AI公平性等挑战。
-
医疗评判标准正在从传统的三甲标准转向六要素竞争，强调算力、数据治理和算法工程师的重要性。
-
智慧医疗需要通过数据驱动的模式革新，以提高医疗效率和降低成本。
-
传统逻辑回归方法在医学研究中存在缺陷，算法分析能够更好地处理多变量交互和海量数据。
-
医疗AI的四要素理论强调应用场景的重要性，数据是决定性因素。
-
大模型训练需要高质量、系统化的数据治理模式，不能简单依赖医院数据。
-
心血管和糖尿病研究展示了数据驱动的创新范本，强调了可穿戴设备和疾病网络分析的重要性。
-
未来医疗AI的发展需要跨学科合作，培养医疗与数据结合的人才，降低算力门槛，提高算法可解释性。
-
大模型背后的数据思维正在重塑医疗本质，推动智慧医疗服务患者和社会。
延伸解读
医疗大模型的应用模式
李栋教授提到的「本地部署+定制开发+断网使用」模式，适应了医疗数据保护的需求，避免了数据泄露的风险。然而，这种模式也意味着医院需要承担更高的算力成本，可能对资源有限的医疗机构造成压力。未来医院在选择大模型应用时，需权衡安全性与成本之间的关系。
医疗评判标准的转变
随着大模型的引入，医疗评判标准正在从传统的三甲医院标准转向六要素竞争。这一变化强调了算力、数据治理和算法工程师的重要性，意味着医院在资源配置和人才培养上需要进行相应的调整，以适应新的竞争环境。
数据治理的重要性
李栋教授指出，大模型训练需要高质量、系统化的数据治理模式，不能仅依赖医院现有数据。这表明，医院在进行大模型应用时，必须重视数据的清洗、标注和结构化处理，以确保模型的有效性和准确性。
跨学科合作的必要性
未来医疗AI的发展需要医生与数据科学家的紧密合作。李栋教授强调，培养具备医疗与数据双重背景的人才将是推动智慧医疗的重要因素。这种跨学科的合作能够提升AI在医疗中的应用效果，促进医疗服务的创新与发展。
延伸问答
李栋教授在2025北京智源大会上分享了哪些关于智慧医疗的数据应用？
李栋教授分享了大模型在智慧医疗中的创新应用，强调了医疗数据在提升医疗效率和精准诊断中的重要性。
大模型在医疗场景中面临哪些主要挑战？
大模型在医疗中面临算法局限、算力成本、数据治理、幻觉问题和AI公平性等挑战。
如何优化医疗大模型的训练数据？
医疗大模型的训练需要高质量、系统化的数据治理模式，不能简单依赖医院数据，而应采用分层级的数据治理结构。
智慧医疗如何通过数据驱动模式革新？
智慧医疗通过数据驱动模式革新，旨在提高医疗效率、降低成本，并改善患者就医体验。
李栋教授提到的医疗评判标准的变化是什么？
医疗评判标准正在从传统的三甲标准转向六要素竞争，强调算力、数据治理和算法工程师的重要性。
未来医疗AI的发展需要哪些跨学科合作？
未来医疗AI的发展需要医生与数据科学家的合作，培养医疗与数据结合的人才，以降低算力门槛和提高算法可解释性。
