12月12日，第八届GAIR全球人工智能与机器人大会在深圳正式启幕。
本次大会为期两天，由GAIR研究院与雷峰网联合主办，高文院士任指导委员会主席，杨强院士与朱晓蕊教授任大会主席。
作为观测AI技术演进与生态变迁的重要窗口，GAIR大会自2016年创办以来以来，始终与全球AI发展的脉搏同频共振，见证了技术浪潮从实验室涌向产业深海。2025年，是大模型从“技术破壁”迈向“价值深耕”的关键节点，值此之际GAIR如期而至，携手智者触摸AI最前沿脉动，洞见产业深层逻辑。
大会上，首都医科大学附属北京安贞医院胎儿心脏病母胎医学中心主任何怡华教授亲临现场，为参会者带来了一场精彩纷呈的演讲分享。
何怡华教授开篇定调，她认为人工智能在心血管疾病领域的应用具有很大潜力。随后她以心脏超声为例，讲述了人工智能解决方案带来的诸多挑战，并相应阐述了心血管疾病领域内世界研究的状态、行业痛点和瓶颈问题，以及安贞团队的探索研究和转化应用。
何怡华教授表示，首都医科大学安贞医院研发了针对心血管体系应用的大模型，并希望在现有大模型的基础上构建应用体系与智能体，从而真正实现所需的预警、筛查、诊断、手术导航以及个性化干预。从产业角度出发，何怡华教授认为人工智能在医疗领域的应用，要做到在医疗诊疗场景真正价值落地，而非停留在技术解决层面。
关于人工智能如何真正赋能医疗诊疗场景，何怡华教授提出了一些思考：
1、AI医疗的核心目的是为了强基层，提升基层诊疗能力。要从顶层设计出发，思考AI在整个医疗体系中如何落地到诊疗场景。
2、要实现AI在医疗体系中的有效赋能，不单是解决技术问题。首先要培训，其次要做人工智能的赋能，并且后续要做到医疗团队以及医疗出口的支撑。这样的体系建设，才能让人工智能实现医疗诊疗场景的落地。
3、医疗的细分非常复杂，每一种疾病的治疗都自成体系。所以未来大模型和小模型的协同效应体现到医疗中，会是更垂域的小模型纵向解决了预警、诊断、治疗等一系列问题后，再通过上游模型的融合来解决更大的问题。
4、可穿戴设备的主动筛查、精准诊断，个性化干预、手术规划以及整个医院的系统管理，这些环节都是AI参与心血管疾病防治的关键点。
5、把很多专家手里的数据整合起来去训练模型，得到的未必是高质量模型。因为要训练高质量的AI医疗模型所使用的数据集必须同时符合以下条件：案例数量足够多、治疗成功率足够高、有出院记录可做结局验证。
6、DeepSeek等大模型的出现与普及，使得更多医生对AI的接受程度逐渐提高。但长期来看，未来我们依然会面对很大的政策挑战以及收费挑战。
以下是何怡华教授演讲的精彩内容，雷峰网作了不改变原意的整理与编辑：
AI如何赋能心血管疾病防治？
大家好，接下来我要聊的是一个很垂域甚至是微观的话题，我是做心血管领域的，同时，我的学科特色又是做心血管非常前端的胎儿心脏的缺陷预防。人工智能这个领域的应用，实际上具有很大潜力。
首先，我们要看看心血管领域面临的巨大挑战。我看到现场有很多来自人工智能行业的年轻朋友，可能觉得死亡还非常的遥远。但实际上在中国，心血管疾病一直是中国城乡人口死亡原因的第一位。
同时，我们国家的战略《健康中国2030行动计划》希望把标准化CVD死亡率从210多降到180多。但根据我们最新的统计数据来看，离目标值还相差很远，并且不降反升。所以这样一个高死亡率的疾病，是需要我们极度关注的。
今年，我们和几位专家共同梳理了中国心血管领域的现状，以及人工智能应用方面的机遇和挑战。
首先，在医疗可及性上，由于中国的地域广阔发展不均衡，我们面临着很大的挑战。尤其是高质量医疗水平的均衡性和可及性，在中国一些欠发达地区是明显不足的。另外，还有一个数据大家可能也会比较震惊。一般我们认为，心血管疾病的死亡往往都是在住院治疗过程或急救过程当中发生的。但根据最新的统计数据我们可以看到，82%发生在院外。
那么为什么这么多心血管疾病的死亡在院外呢？
首先，现在低风险人群的死亡率高于高风险。比如说，你已经知道了你是低血压、低血脂、或明确的心律失常，这个时候你可能会进行一些药物干预。而一些低风险人群，往往没有任何的干预措施和主动的健康防护，心血管疾病从发病到死亡时间的窗口是有限的，如果不能及时进行就诊，带来的风险还是比较大的。
总结一下，心血管在整个防治过程中的关键障碍。第一是医疗资源的不均衡，尤其是心血管的治疗，学习曲线比较长专业性很强。第二是院外心血管死亡。第三就是儿童和青少年不健康的生活方式，现在有越来越多肥胖的孩子。第四是对预防策略治疗的依从性差，即主动健康意识比较差，现在全国的医疗行业都在建议主动健康管理。
现在几乎北京的每家医院都在建分院，近几年在不断扩张中，但只要建一个新院，就像我们的安贞医院——北京最大的一家单体医院，建成两个月之后就会人头攒动，这种疾病治不完。所以整体策略应该往前走，那就包括主动健康、早筛早诊、家庭体系的预防。
在这些方面，人工智能都有很大的机会空间。
首先，从可穿戴到主动筛查、精准诊断、个性化干预、手术规划以及整个医院的系统管理、慢病管理，这些环节都是人工智能参与心血管防治过程的关键点。
可穿戴方面，既往更多是心电的可穿戴，它涵盖的疾病种类在整个心脏的大疾病性当中还是有限的，所以我们一些专家正在尝试，是否可以把一些结构性的心脏异常，进行影像和心电的关联，甚至是与心音建立模型关联，赋予可穿戴的更多可能性。
通过可穿戴设备，不但能够识别心率异常，而且还能识别整个血流冲击波的异常，甚至是用简单的可穿戴超声检来测血流动力学的异常，实现主动健康。
心脏超声，作为一种几乎涵盖所有心血管疾病的一线无创检查方法，它不像CT、核磁，它的标准化和个性化很强，这对人工智能解决方案带来了很大的挑战。从数据的规范，到数据之间的立体关系，以及它与疾病发展之间语义关系的转写，包括影像的自动识别。
到今年，已经有很多专家尝试在解决心脏超声的结构、功能以及疾病评估了。目前最新的一些文章中，更多还是基于对影像的自动识别以及对心脏功能的自动测量，限于它是非公开数据，所以对疾病种类的判断是比较少的，但已经迈过了很大的一步。
其次，是关于图像的自动识别到文本决策、诊断的自动生成的研究。这是我们2019年开始做的一项工作，因为安贞医院最大的优势是数据量大，并且我们十多年前就开始建数据库了。这个数据库并非简单的临床应用数据库，而是全参数的数据库。
在2019年，我们发布了一个筛查数据模型。基于足够大的数据量，我们的效果还是很好的，筛查准确率达到了85%，相较于欧美的人工胎儿心脏病筛查准确率43%，还是有很大的提升。也就是说，在妈妈肚子里就能够把100多种心脏病准确诊断、筛查出来。
最后，除了可穿戴、预警、筛查以及诊断等方面，我们还在心血管疾病领域科研方面的研究，做了比较深入的探索。比如微观层面跨尺度的数据融合，为科学研究提供帮助，类似于对疾病的机制探索，构建了跨尺度的数字孪生模型算法。
在这方面，我们前期主要是通过对病理引产的胎儿进行大血管铸型，然后进行CT扫描构建虚拟超声，为未来心脏胚胎发育的可预测、可计算以及诊断导航做了一些前期工作。
AI医疗的更大目的是：提升基层诊疗能力
刚刚谈了整个大背景下我们所做的探索和工作。首先我认为，在医疗人工智能领域，除了产业维度的思考，更应该放在整个医疗体系去思考如何落地医疗场景。因为所有的医疗人工智能，其中很大一部分工作主要是为了强基层，提升基层的诊疗能力。
要做到强基层，首先要培训，其次要做人工智能的赋能，并且后续要做到医疗团队以及医疗出口的支撑。这样的体系建设，才能让人工智能实现医疗诊疗场景的落地，而不单是技术的解决。
关于技术解决，今年我给自己设置的目标就是，所有的产品要转化落地。但是在这一年的过程中，我意识到了很多问题，需要不断的和社区保健员、妇幼保健院、卫健委以及与所有的妇幼体系沟通。在沟通的过程中我们发现，这其中不仅是技术问题，更是整个医疗体系的问题，其中还涉及到政策的问题。但不管怎么说我们在不断尝试，离最终的规模化应用还是逐渐接近的。
后面我会谈到，我们研发了一个大模型，在整个心血管体系的人工智能技术层面，我们的方向是基于现有的语言大模型输入更多的模态，在这个大模型的基础上有很多的应用界面、应用体系或智能体，来实现实现我们所需要的预警、筛查、诊断、手术导航以及个性化干预。
其实医疗很复杂，每一个心血管又有很多细分领域。实际上我们的安贞医院就是一个大的心外科和心内科。光是心内科就有十几个，心外科也有十几个。为什么会这样划分呢？因为每一个疾病从发病机制到解决方案都是自成体系的。
因此，未来的大模型和小模型的协同体现在医疗方面，肯定是更垂域的小模型纵向解决了预警、诊断、治疗等一系列的小问题，再通过上游模型的融合来解决面上的问题。
再举一个关于胎儿出生缺陷防治的例子。在早期，胎儿在妈妈肚子里还没有出生之前的心血管疾病，这类疾病叫先天性心脏病，它和冠心病的发病机制完全是不一样的。先天性心脏病更多时候是由于环境暴露、遗传等各种原因引起的，所以它的管理方式也不一样。
细分到妇幼体系的建设以及人工智能的赋能点，我们来梳理一下，这个疾病要怎么进行医疗模式的管理？
先天性心脏病一体化管理是我最先在国内提出的，十年后它被国家卫健委作为公共卫生政策在全国推广，开始建立胎儿心脏病一体化管理区域医疗中心。
要提出这样的管理体系，首先要建立一个合理的医疗防治模式。原先的管理更多是在产前阶段，筛出来之后把它引掉。而现在的管理是从二级预防（即产前）进行明确诊断，包括母体对胎儿影响的相互关系，推送到孕前对母体的高风险防控，一直到出生之后建立合理时间窗的新生儿干预和救治。
在这个体系之下，最关键的问题是如何在产前把它诊断出来？这个时候，超声是一个最主要的诊断方法，或者说是唯一的一个诊断方法。那么我们就要提升整个基层对胎儿心脏病的诊断能力、人工智能的视觉影像识别、自动化的导航、多模态的融合，并且进行病因推送。比如跨尺度数字孪生机制的研发、蛋白质的预测等等，这些都需要我们进行新技术融合。
在围生期的管理中，因为胎儿是不具有呼吸的，一出生之后他就呼吸了，整个血流动力学就发生了变化。那么我们可以通过计算围生期的心脏变化，通过数据挖掘建立孪生数字，计算出生即刻他必须改变的通道，在不同疾病当中会发生什么样的风险。这一点非常重要，因为涉及到是否需要外科就位吸氧或做手术，器官与胚胎发育的计算，以及基于新生儿的救治，这都需要进行整体个性化的手术干预。
梳理完之后，我们可以利用具备的数据，开发相应的小模型、大模型。而没有具备的，要进行高质量的数据建立。实际上我认为，找很多专家把他们手里的数据整合起来然后去训练模型，这个模型的质量不会很高。
因为医疗层面所谓的高质量数据集，一定是要求这个医院在该领域治疗这种疾病的数量是非常多的，其次，治疗的成功率是高的。以及相应所有的病历都是有出院记录的，要有结局验证。如果死亡率是10%或20%，拿这些数据来训练模型来论证方法的可行性，那肯定是达不到要求的。
要建立高质量数据集，无论是单中心还是多中心，首先得在头部医院进行。其次是全参数，要建设有顶层设计的高质量数据集。
在这方面，我们安贞医院已经建设了是国际上最大的胎儿横断面高质量数据集，拥有超过10万例数据记录。同时我们建立了产前、产后的配对数据，可以通过动态发展挖掘病因的可能，包括心脏以外的器官，也是相互影响的。
目前我们还拥有很多从胎儿发育到成人阶段的数据，以及很多后天获得的数据，其中包含影像20万例，文本300万例。同时，我们基于发现的新基因以及一些目标建立了实验室数据，比如母体蛋白组学对筛查先天性心脏病可行性建立的队列等，后续我们还会进行前瞻性补充。
心血管防治AI产品旨在早筛、预警和决策
最后呢，简单介绍一下我们已经研发出来的人工智能产品。
基于已经具备的数据，以及整个心血管防治的系统问题和关键节点问题，我们开发了一些产品，希望能够赋能心血管的防治，包括早期筛查、预警以及决策维度。
在早期研发的语言大模型中我们采用了百万级的数据，已经入选了国家医疗人工智能基地，并且今年9月份在卫健委的牵头下，已经正式发布全生命周期的大模型了。我们建立的“安贞心宇”心血管大模型效果也非常好，平均诊断率可达90%。由于医疗数据都是非公开的，尤其涉及到心血管特别专业的。因此在大量数据的训练下，我们的“安贞心宇”大模型对于每一个疾病的诊断效果都优于现在性能较好的公开模型，尤其是儿童和成人的大血管疾病。
同时，由于当下少子化、过度引产等原因，我们又开发了一个能够在诊室应用的决策系统。包括超声报告智能体、产前胎儿心脏超声影像自动识别和测量，以及智能影像诊断和咨询报告。在这个过程中我们运用影像小模型和心脏AI语言大模型，实现了从影像到文本的自动生成。
我们希望作为一个广覆盖的渠道，将上述智能体整合到超声机器当中形成一个定制化的机器。因此，我们与深圳迈瑞医疗联合开发了心脏全生命周期的诊断一体机。在北京，这两个大模型已经在市健康云部署全面上架，实现与共享助手和医生工作站集成。
最后，在医疗领域随着DeepSeek等大模型的出现与普及，使得更多医生对AI的接受程度逐渐提高，但其中仍然存在很大的政策挑战以及收费挑战，而这些都是我们未来要面对的。
谢谢大家！
以下是雷峰网与何怡华教授采访对谈的精彩内容，雷峰网作了不改变原意的整理与编辑：
雷峰网：“安贞心宇”医疗AI大模型在研发过程中遇到了哪些挑战？
何怡华：挑战主要集中在三个方面，数据收集、知识壁垒导致的信息不对称，以及心血管疾病本身的复杂性。
首先是数据收集，17年AlphaGo的横空出世，启发了我关于AI医疗的思考并立刻开始着手做。要训练模型就需要收集大量相关数据来建立数据库，但是在医院这种高密度快节奏的工作环境中，要从庞大的数据库中往下导数据，再经过收集、拷贝、入库、整理、出库，以及高精度的数据标注。
这其中的每一个环节都需要耗费巨大的人力成本和时间成本，而上述所有环节都需要经年累月的坚持去做。光是做1个标准的数据收集就包含300多项参数量，所以建立这个数据库的困难复杂程度是可想而知。
其次是知识壁垒带来的信息不对称，要想把学科的交叉应用做好，医疗团队和算法技术团队双方都始终需要树立主动学习的理念，互通对方领域的新鲜知识。比如算法技术团队需要知道医疗领域里一些最新的技术进展，才能在数据生成的过程中准确判断哪些是需要的，哪些是不需要的。
之前的合作单位，有些甚至几个月都做不出我们想要的数据标注结果。后来在2023年，我们通过北京市科委的“创新协同“项目，获得了跟科大讯飞的合作机会。当时科大讯飞医疗语言大模型的通科知识就已经超越了90%的通科医生，在这个基础上我们用胎儿心脏的专科语料去训练垂域的医疗AI大模型，最终花了三年时间做出了“安贞心宇”医疗AI大模型。
最后是心血管疾病本身的复杂性。因为心脏是一个立体动态的器官，它作为身体的“血泵”不仅时刻处于跳动状态中并且伴有血流流经。同时，心脏本身就是一个非常复杂的系统包含了很多部件，且每个部件疾病的发病原因、表现形式和结局都自成体系，以至于应用在心血管疾病领域的AI医疗模型需要大小模型协同，同时也导致我们在建模过程中需要不断增加参数收集维度，相应也提高了数据标注和数据清洗的难度。
雷峰网：“安贞心宇”AI医疗大模型的具体落地效果如何？
何怡华：目前，“安贞心宇”大模型的平均诊断准确率已经可以达到90%，在复杂胎儿心脏病和儿童心脏病中的效能最高。除了北京市的整个医疗系统外，之后的小模型也已经在八个省二十多家医院应用了，小模型已经拿到了二类医疗器械经营许可证。
如果站在更高的维度来看，其实现在我们做的AI医疗与上一轮AI浪潮中的“医联体”是不太一样的。现在的AI医疗更加倾向于在医疗诊治场景中，实现AI的可交互性和泛化性，是能够切实给基层医疗带来助益的，无论是电子病例报告生成，还是诊断推理，以及患者后续的医疗管理，它整体是非常系统化的。
但不能忽视，虽然国家层面在积极推进AI医疗的普及，AI医疗技术要真正的下沉铺设到基层，还有有着技术、资金、政策等现实方面的问题要解决。比如基层算力不足的情况下，要向下铺设AI医疗，是由区域医疗来解决还是当地政府自行解决？
雷峰网：未来AI医疗大模型的主导权在谁？医疗机构还是第三方商业机构？
何怡华：这个问题需要结合具体使用场景来看待，目前来说AI医疗大模型最终还是由医生来使用，在这个过程中不可能完全没有医生的人工参与。如果没有医生的参与完全由第三方商业机构来主导，那么后续的整个医疗管理又是一个很大的问题。
像我们跟科大讯飞的合作中，双方共享知识产权库关系上是平等的。所以未来在AI大模型的发展中，医疗机构和第三方商业机构还是要各司其职，将精力放在各自擅长的领域。更新迭代大模型产品离不开医疗机构的参与，但具体的商业运营医疗机构也不会插手。总而言之，无论将来由谁牵头，大模型最终还是要在医疗路径中去解决问题。