AI+健康速览|开源医学大模型、AI问诊、虚拟药物试验

覆盖窗口：2026-10-06 至 2026-10-08。本期共 7 条，聚焦开源医学大模型、AI问诊、虚拟药物试验、AI口腔评估、儿童罕见病。

01｜Google 开源医学多模态基础模型 MedGemma：Nature Medicine 发布系统性评测

10 月 6 日，Google 团队在 Nature Medicine 发表论文，系统介绍开源医学视觉-语言基础模型系列 MedGemma 及其配套医学图像编码器 MedSigLIP[1]。MedGemma 基于 Gemma 3 构建，包含 4B 与 27B 多模态版本及 27B 纯文本版本，可对放射、病理、眼科、皮肤等多域影像与临床文本进行联合理解；MedSigLIP 则是基于 SigLIP 调优的 4 亿参数医学视觉编码器。

相对 Gemma 3 基座模型，MedGemma 在分布外任务上的提升包括：

 1. 医学图像问答提升 2.6%–10%；

 2. 胸片征象分类提升 15.5%–18.1%；

 3. 智能体化（agentic）评估提升 10.8%。

在开放式医学问答中，三位医师评级显示 4B 版本的事实性错误率为 15.4%，低于基座模型的 18.5%；81% 的 MedGemma 生成胸片报告被评为"可能带来与放射科医师报告同等或更好的临床管理决策"（基于 MIMIC-CXR 测试集的单一专家回顾性评估）。模型权重已开放发布，供研究社区微调与本地化部署。

值得关注的原因：该工作标志着医学 AI 底座从"一病一模型"走向"统一基座 + 按需微调"的开源路线。对数据外传受限、需要本地化部署的医疗机构而言，开放权重提供了数据主权与算力效率上的新选项。但需清醒看到：上述数字均为基准测试结果，81% 的胸片结论也来自单人非盲回顾评估，与临床可用性验证之间仍有距离；论文自身亦提醒既有基准存在饱和与数据污染风险，真实世界效用评估才是下一步。

02｜AI 问诊量级拐点：单日问诊两三千万次，超过全国医院日门诊总量

《光明日报》刊发 AI 问诊观察报道（央广网 10 月 6 日转载）。文章援引数据称，某 AI 助手一天承载的健康相关问诊已达两三千万次；而根据国家卫生健康委数据，2025 年 1—11 月全国医院日均诊疗人次约 1269 万——AI 问诊的体量，已超过全国所有医院一天的门诊总量。

医生侧的变化同样显著：同济大学附属东方医院妇产科主任段涛的"AI 分身"上线 6 个月，为 16 万人回答了 70 多万个问题，而其本人每天通常只能接诊 20 名患者；江苏南京溧水区东屏街道卫生院将 AI 辅助问诊嵌入全科、急诊、妇产科科室，病历差错明显减少，接诊效率提升约 30%。报道同时呈现了罕见病识别的正面案例（如 AI 提示排查剥脱性骨软骨炎、Ehlers-Danlos 综合征），也直面隐忧——当患者的 AI 答案与医生判断不一致时，医患信任可能被侵蚀；基层医生的结论是"AI 能减负，不能替医生签字"。

值得关注的原因：患者"带着 AI 的答案走进诊室"正成为就医新常态，问诊量超过线下门诊总量是标志性信号。大语言模型在医学中的应用框架、能力边界与安全部署已有系统综述[2]：其价值集中于分诊、健康信息可及性与流程提效，而责任主体归属、错误答案纠正机制与监管框架仍是短板。评估这一趋势时，应区分"问答量"与"有效诊疗决策量"两个口径——前者已井喷，后者仍待建立度量与治理。

03｜浙江"安诊儿"落地 2000 余家医疗机构：省级官方 AI 应用覆盖就医全流程

《经济日报》10 月 8 日报道，浙江省卫生健康委打造的数字健康人"安诊儿"已在全省 2000 余家医疗卫生机构落地，覆盖群众就医全流程。以金华磐安县为例：居民通过"安诊儿"AI 智能问诊描述症状后，系统快速匹配就诊科室并完成线上预约；就诊期间实时推送叫号进度与缴费提醒，支持医保、自费费用线上一键结算，平台还提供 AI 报告解读服务。

报道同时给出行业背景：全国 87% 的二级以上公立医院提供预约诊疗服务，5500 多家医院建成"一站式"服务中心；全国互联网医院达 3756 所，2024 年完成互联网诊疗 1.3 亿人次。

值得关注的原因："安诊儿"的样本意义在于省级官方背书 + 全流程整合：不是单点工具，而是把 AI 问诊、分诊、结算、报告解读嵌入统一入口。对基层与县域医疗而言，此类入口有望放大分级诊疗的分流能力。同时也需注意，AI 分诊的准确性证据并不均匀——近期一项针对大语言模型急诊分诊诊断准确性的系统综述与荟萃分析提示，模型在不同分诊任务间的表现差异较大[3]。入口级应用越普及，越需要配套人工复核与质量监测机制。

04｜天津团队研发 AI 口腔功能分级评估系统：瞄准老年人"嚼不动"痛点

《天津日报》10 月 8 日（经济周刊·京津冀版）报道，位于武清京津产业新城的唐乐（天津）营养科技有限公司自主研发 AI 口腔功能分级评估与干预系统，填补国内相关领域技术空白。评估流程为：老人咀嚼特制咬胶后，将其放入智能口腔功能评估设备，通过多模态数据融合技术，几分钟内即可输出一份涵盖口腔功能等级的详细检测报告。

该产品瞄准养老机构的真实痛点——护理人员判断老人"能不能吃东西"，长期依靠眼看与经验推测，缺乏科学量化标准。目前设备已完成样机生产，正稳步推进二类医疗器械注册证申报，并已落地养合养老集团、山东中粹鲁渝康养集团、廊坊职业学院等十余家合作单位。

值得关注的原因："口腔功能低下"（oral hypofunction）已是老年医学与口腔医学界确立的概念，与衰弱、营养不良及照护需求密切相关，其量化评估的循证价值已有研究支撑[4]。将咀嚼、吞咽相关功能的分级评估 AI 化、设备化，直指老年营养照护中"评估缺标准"的环节，是 AI 康养为数不多切中刚性需求的细分场景。需提示：该产品尚处注册申报阶段，未取得医疗器械注册证，临床效度有待注册研究与第三方验证。

05｜MRI2CT 获 FDA 510(k)：从标准 MRI 直接生成脊柱 3D 骨影像

10 月 7 日，MRI2CT 公司宣布其 AI 影像平台 NextMR 获 FDA 510(k) 清除：可直接从患者的常规诊断 MRI 生成腰椎与骶骨的 3D 骨可视化，无需额外 CT 扫描。平台兼容 1.5T 与 3T 扫描仪的常规序列，60 秒内自动生成 3D 骨输出，支持矢状位、冠状位、轴位及三维重建查看，为云端应用、无需本地部署。

其验证基于美国与以色列两地 145 例成人配对 MRI/CT 的回顾性数据集，达到亚毫米级皮质骨轮廓精度。公司称愿景是脊柱诊疗的"MRI-only 工作流"——患者以 MRI 开启诊疗路径后，无需再接受带来额外辐射的 CT 检查，即可衔接手术规划。

值得关注的原因："合成 CT"（从 MRI 生成 CT 等效影像）是医学影像 AI 的成熟研究方向，深度学习生成方法的系统性综述已梳理其技术谱系与验证要求[5]。NextMR 的获批把该技术从科研推向脊柱外科临床路径，核心价值在于减少辐射暴露、缩短影像链路。后续应关注其在真实世界骨科工作流中的鲁棒性（不同扫描仪、不同人群）以及支付端的态度。

06｜AI 虚拟临床试验进入实战：六项高调预测命中五项，行业重新思考"失败的试验"

路透社 10 月 7 日报道，AI 企业正与药企合作开展虚拟药物试验：在人体试验之前用计算模拟预测候选药物的成败。标志性案例是哥本哈根初创 BioinvestGPT——今年 7 月，其对诺华 del-desiran（一款罕见肌营养不良在研药）的模拟试验预测"临床获益不显著"；9 月该 III 期试验未达主要终点，诺华股价下跌 11%、市值蒸发约 300 亿美元，而公司 CEO 此前曾预期其年峰值销售达 50 亿美元。

BioinvestGPT 的方法是以 DNA 测序构建符合试验入组标准的"虚拟人体"，再用药物模型运行虚拟试验。迄今其对 6 项高关注度试验的公开预测命中 5 项（含 Moderna/默克黑色素瘤疫苗与 Vaxcyte 肺炎疫苗的成功预测），也在诺华 pelacarsen 上失手——团队复盘为"机制理解错误"，模型未纳入脂蛋白(a)颗粒大小的遗传变异。对于年末前读出结果的试验，其预测 Biogen litifilimab（狼疮）两项 III 期与武田 zasocitinib（克罗恩病/溃疡性结肠炎）II 期将失败。

行业背景：全球药企每年投入约 1400 亿美元开展临床试验，而候选药物批准率仅约 12%，数十年几乎没有变化；麦肯锡报告显示，AI 制药领域投资 2025 年达 84 亿美元，较 2023 年翻倍。QuantHealth 首席医学官 Francisco Beca 提出伦理之问："我们不该只问如何更快地做试验，而该问如何少做注定失败的试验。"武田与渤健高管则对预测性 AI 持保留态度，提醒基于历史数据的模型可能系统性偏向阴性预测。美国监管机构上周亦宣布了加速药物试验的一揽子举措，若成功或为预测性 AI 进入临床开发开辟路径。

值得关注的原因：虚拟试验把 AI 制药的价值锚点从"分子设计"推进到"临床开发决策"——管线取舍、并购标的评估、试验设计优化都可能被重塑；模拟耗时以月计甚至更短，而人体试验动辄数年。in silico 临床试验的方法学讨论已有十年积累[6]，但当下公开样本量仍小，pelacarsen 的误判案例提示对生物学机制的建模仍是软肋。其现实价值更可能是"降序决策"——判断哪些项目不值得推进，而非替代人体试验。

07｜加拿大 Conscience 双项目：AI 罕见病识别扩院部署，CLN7 基因治疗试验落地

加拿大非营利组织 Conscience 10 月 6 日宣布同时支持两个儿童罕见病项目：

 1. ThinkRare 扩展部署：由 CHEO 研究所开发、已在 CHEO 临床使用的 AI 驱动规则式算法，通过分析电子病历识别可能患有未确诊罕见遗传病的儿童，将推广至加拿大更多儿童医院；

 2. CLN7 Batten 病基因治疗：由 Elpida Therapeutics 开展的 AAV9/MFSD8 基因治疗 I/II 期多中心试验引入加拿大，CureSPG50 与多伦多病童医院（SickKids）合作推动，Conscience 两年资助约 76.9 万加元。CLN7 由 MFSD8 基因突变引起，属致命性超罕见儿童神经退行性疾病，尚无获批疗法；此前 I 期 4 例患者已完成给药，显示安全性与早期获益迹象，I/II 期拟再纳入 9 名儿童。

Conscience CEO Peng Fu 表示，罕见病"高未满足需求、有限商业激励、巨大协作潜力"的三重属性，正是其以 AI 与开放科学介入的立足点。

值得关注的原因：两个项目分别卡位罕见病的"诊断关口"与"治疗关口"。诊断端，AI 从电子病历中主动筛查未确诊患者，是把深度学习罕见病识别能力（如面部表型分析的开创性工作[7]）转化为卫生系统基础设施的探索；治疗端，"患者组织 + 儿童医院 + 非营利资助"的组合，为超罕见病提供了绕开传统商业化路径的开发范本。罕见病平均诊断延误常以年计，识别关口的前移，其公共卫生价值可能不亚于单点疗法突破。

参考文献（GB/T 7714-2015）

[1] SELLERGREN A, KAZEMZADEH S, MAHVAR F, et al. An open vision-language model for diverse medical applications[J]. Nature Medicine, 2026. doi: 10.1038/s41591-026-04626-w.

[2] THIRUNAVUKARASU A J, TING D S J, ELANGOVAN K, et al. Large language models in medicine[J]. Nature Medicine, 2023, 29(8): 1930-1940. doi: 10.1038/s41591-023-02448-8.

[3] CUI L, WANG M, XU Y, et al. Diagnostic accuracy of large language models for emergency department triage: a systematic review and meta-analysis[J]. BMC Emergency Medicine, 2026, 26(1). doi: 10.1186/s12873-026-01639-z.

[4] KAWAMURA K, MAEDA K, MIYAHARA S, et al. Oral hypofunction and social aspects in older adults visiting frailty outpatient clinic[J]. Journal of Oral Rehabilitation, 2024, 51(10): 2150-2157. doi: 10.1111/joor.13803.

[5] ACQUAH I K, ISSAHAKU S, TAGOE S N A. A systematic review of deep learning techniques for generating synthetic CT images from MRI data[J]. Polish Journal of Medical Physics and Engineering, 2025, 31(1): 20-38. doi: 10.2478/pjmpe-2025-0003.

[6] VICECONTI M, HENNEY A, MORLEY-FLETCHER E. In silico clinical trials: how computer simulation will transform the biomedical industry[J]. International Journal of Clinical Trials, 2016, 3(2): 37. doi: 10.18203/2349-3259.ijct20161408.

[7] GUROVICH Y, HANANI Y, BAR O, et al. Identifying facial phenotypes of genetic disorders using deep learning[J]. Nature Medicine, 2019, 25(1): 60-64. doi: 10.1038/s41591-018-0279-0.

关于本刊

LUMIN. 出品

免责声明　本号所载内容均整理自公开网络信息，仅用于信息交流与学术参考，不构成任何医疗、诊断、投资或法律建议。本号已尽合理努力核对信息来源，但不对其真实性、准确性、完整性与时效性作出任何保证，亦不承担因使用本内容而产生的任何直接或间接责任。对信息真实性的核实与验证不属于本号义务，请读者以原始来源为准，自行判断与决策。