免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 1 证券研究报告 电子 AI 大模型+医疗:从问诊到新药开发 华泰研究 电子 增持 (维持) 研究员 黄乐平，PhD SAC No. S0570521050001 SFC No. AUZ066 leping.huang@htsc.com 为问诊、影像、制药等各个医疗健康场景注入新活力 医疗健康领域是人工智能率先落地的行业之一，也已经催生了 Nuance、IBM Watson 等一批全球知名企业。随着基于大模型的生成式 AI 的出现，我们看 到 AI+医疗有望迎来一波新的发展机遇，具体看好：1）基于大模型的实时 问诊病例生成，2）按需生成新蛋白质结构提高药物发现效率等应用。另一 方面，目前尚未看到面向医疗影像的新 AI 大模型服务，大模型在医疗影像 大模型服务，大模型在医疗影像 领域主要作用是降本。国内关注讯飞医疗、云知声、晶泰、数坤等企业发展。 AI+问诊：从语音录入到实时生成内容，提高临床记录环节效率 病例的录入是 AI+医疗中最经典的应用场景之一。2021 年被微软以 197 亿 美金收购的 Nuance 和国内的科大讯飞、云知声等是主要企业。生成式 AI 的出现，使病例的录入过程从过去医生问诊后口述总结，向基于大模型的自 动实时问诊记录生成演进。今年

域，并正 在深刻地改变这个领域的研究和发展流程。无论是在早期的药物筛 选、药物优化，还是在药物的临床试验和后期的上市监控，AI的应用 都愈发广泛。 在上篇 "AI for 医疗" 的专题文章“AI for 医疗: AI大模型在药物 靶点识别中的应用”中，我们整体描述了药物研发的流程，并介绍了AI 大模型在药物研发的第一步: 靶点识别中的应用。这篇文章，我们将 延续这一路线，介绍AI在药物研发的第二步: 充分利用了大规模的无标签数据后，模型表征分子的能力进一步加强了，这也进 一步证明了充分利用无标签的分子数据，将AI模型做大，对分子性质表征任务而 言，是有着明显的优势的。 AI大模型在先导药物发现中面临的挑战 贯彻着"AI for 医疗"系列的一贯理念，我们认为 AI对药物研发的帮助并非 是颠覆性的，而是一种在目前技术框架下的优化和增强。AI在先导化合物的发现 中同样存在着自身的问题。下文将主要列举三点。 准确性的验证： 不

2023年是中国医疗大模型发展的元年，各种医疗大模型已广泛应用于临床辅助决策、 医学研究、健康管理等多个场景。未来，医疗大模型有望实现多模态AI与医疗实践全 流程的深入链接，应用于医疗教育和临床培训，提高药物研发和药物反应监测等方面 的能力。但在实际应用中，医疗大模型仍面临一些挑战，如准确度、透明度和可解释 性等问题，以及对数据隐私和安全问题的担忧。本文主要探讨医疗大模型在医疗领域 的应用及其面临的挑战。 的应用及其面临的挑战。 大模型技术在医疗领域的应用 （一）医疗大模型的逻辑框架 医疗大模型一般指在医疗健康领域应用的大规模预训练语言模型（LLM），其训练数 据集包含大规模的医疗科研文献、电子病历、医学图像等，参数量通常在百万级到亿 级，远超过普通深度学习模型，因而能够获取更强的特征提取和学习能力等。 医疗大模型的典型运作逻辑主要包含三个层面： 从数据层看，大模型可构建医疗数据集，收集包括电子病历、文献报告、医学知识图 献报告、医学知识图 谱、医学图像等多源异构的医疗数据，同时进行数据清洗、标注、统一编码，构建规 模化的医疗语料库。 从模型层看，可使用Transformer、BERT等框架，输入大规模医疗语料，通过Masked LM、Next Sentence Prediction等方式进行无监督预训练。 从应用层看，预训练模型微调，结合医学知识图谱、规则库等知识源增强医学专业 性，使用知识蒸馏、参数剪枝等技

医疗行业数字化转型解决方案 自然环境 经济水平 科学技术 医疗水准 政局稳定 国民素养 人民日益增长的寿命预期 与医疗资源的矛盾 按人均，我国为 83 位 5 年增长变化 國家 醫生數量 每萬人 醫生數量 每萬人 醫生數量 中國 埃及 179900 24 28.3 西班牙 163800 38 49.5 烏克蘭 143728 31 35.4 巴基斯坦 127859 8 8.3 英國 医疗资源有多少缺口？ 20% 30% 50% 非大城市 大城市 - 大医院 大城市 - 医院 80% 集中在 东部 药物： A $50 亿 VS C $-30 亿 创新： A 48 医保资金的不平衡；商保与医保的平衡 医疗行业利益链打破与医疗质量的监管 100 万 级别的医生 地区不平衡 级别差异大 药械的效用 保障的资金 数字化 & 云服务 （能在有限的条件下）解决哪些问题？ 举些”栗子” 数据多跑腿，病患少跑腿；分级、区域、医联体诊疗（区块链、云化） DRGs(Diagnosis Related Groups) 进行医疗费用区间的管控（合理控 费）

篇。 人工智能大模型在医疗领域的应用现状与前景展望 郑琰莉 （天津泰达普华医院 天津 300203） 李舒玉 （先进操作系统创新中心 (天津) 有限公司 天津 300450） 苏文星 （1 中国科学院大学 应急管理科学与工程学院 北京 100049， 2 先进操作系统创新中心 (天津) 有限公司 天津 300450） [摘要] 目的/意义 梳理分析人工智能大模型在医疗领域的研究现状，旨在为人工智能大模型在 智能大模型在 该领域的研究提供新思路。方法/过程 在相关文献分析基础上，梳理人工智能大模型在智慧医疗、 医疗元宇宙、医学研究等领域的应用场景及具体实例。结果/结论 虽然人工智能大模型目前面临 一定风险与挑战，但其在医疗领域仍具有广阔的发展空间。 [关键词] 人工智能大模型；智慧医疗；医疗元宇宙；医学研发 Application Status and Prospect of Artificial medical care; medical metaverse; medical research and development 1 引言 根据《“十四五”规划和 2035 年远景目标纲要》，医疗领域数字化建设和智慧医 疗建设成为“十四五”时期的重要任务。人工智能作为实现该任务的重要技术基础， bmr.202312.00027V2 http://www.biomedrxiv.org.cn/article/doi/bmr

招募效率低：人工筛选过程耗时且效率不高，很难快速识别和招募合适的患 者，这可能导致临床试验启动和完成的时间延长。 • 数据利用不充分：人工匹配的方法难以充分利用患者的历史医疗记录和其他 相关信息来进行更精细化的匹配。 • 复杂性和多变性不足：临床试验可能没有考虑到患者病情的复杂性和多变 性，例如患者可能同时患有多种疾病，这在传统的匹配方法中难以体现。

在大量的蛋白质目标中进行对接，这会极大的消耗计算资源和时间。结构相似性 分析则非常依赖已知的蛋白结构，对结构未知的蛋白无从下手。 随着AI技术的发展，越来越多的问题在AI的帮助下得到了改善。如大语言模 型可以整合海量的医疗研究相关文本，通过在文本中提取潜在的关联信息，发现 人类可能忽视的模式或连接。目前已有研究通过向大语言模型提问的方式，提取 出针对特定疾病的潜在靶点，从而避免一些不必要的组学实验。此外，AI模型完 性分析等技术的实 现。 基于上述所提的AI在靶点发现中的应用，本文将依据近期的AI医疗相关论 文，为大家介绍AI在药物靶点发现中的两个应用: 驱动新颖靶点的发现，预测蛋 白质结构。并将为大家介绍这些方法的技术细节以及局限性。 医学大语言模型驱动新颖靶点的发现 目前已有研究利用大语言模型，通过分析海量的医疗文本，实现了对新颖靶 点的挖掘。这里我们以英矽智能于23年9月发表的论文: Biomedical 毫无疑问，人工智能的发展对药物靶点的鉴定起到了一定帮助。但需要注意 的是，这些帮助并非是颠覆性的，而是一种在目前技术框架下的优化和增强。无 论是大语言模型推动的新颖靶点发现还是AI辅助的蛋白质结构预测，在医疗行业 的应用都会严重受限于深度学习的可解释性和训练数据的质量。 总的来说，AI在药物靶点识别中的应用无疑为我们提供了新的工具和技术， 使我们能够更好地理解和解决生物医学中的一些复杂问题。但我们也应明白，AI

人工智能大模型 在医疗价值链上的应用场景和实践 2024/11/19 Yubo Ji s EMENS: H a l t h ' n r s " , " Unrestricted © Siemens Healthineers, 2024 02 视觉大模型 (VLM) 04 多模态大模型 (Diffusion-related) 05 展望 01 大语言模型 中医诊疗 用药咨询与指导 洞悉药物相互作用 医生助手 患者助手 LLM 在医疗领域的使用场 景 面向科研 科研转化助手 s EMENS: H a l t h · n r · · 面向医生 面向患者 © Siemens Healthineers, 2024 5 纯文本大模型在医疗中的产品 在右侧髂窝内，盲肠的后内侧可见扩张 的厚壁阑尾（最大直径 13 毫米；长度 7 厘米）。 西门子医疗 LLM 实例 1 – 自然语言报告 结构化报 告 s EMENS: H a l t h · n r · · 西门子医疗 LLM 实例 2 一 自动扫描协议生成 -> 质 控 / 提速 s EMENS: H a l t h

leadleo.com 报告标签：人口老龄化、智慧养老、可穿戴医疗设备、养老机器人、互联网医疗 主笔人：吕佳睿 白皮书 2025/09 中国智慧养老产业 白皮书 | 2025/09 www.leadleo.com 400-072-5588 2 摘要 从全球智慧养老发展格局来看，欧美等发达地区 依托完善的社会保障体系与成熟的医疗资源，已 构建起系统化的智慧养老服务体系。而以中国为 代 环，数据显示其使用使高血压早期检出率提升 12.5%，慢性病风险下降4-7%。人工智能云平台 作为数据价值转化核心，通过“设备-平台-医疗” 一体化生态，显著提升服务响应效率。 在产品服务创新方面，养老机器人正向技术融合 与产品分化方向发展，互联网医疗则通过平台适 老化改造、数据互联互通、AI深度融合和服务生 态构建四大路径，打造以老年人为中心的智能健 康生态系统。 综上所述，中国智慧养老产业正通过技术创新、 全周期健康管理生态 智慧养老产品正经历从单一功能向系统解决方 案的升级。可穿戴设备通过技术融合形成覆盖 “预防-诊断-康复”的全周期健康管理闭环；养老 机器人向技术融合与产品分化方向发展；互联 网医疗则通过适老化改造、数据互联、AI融合等 路径，构建“设备-平台-服务”一体化生态。这些 创新正推动养老服务从基础照护向个性化、普 惠化的健康管理解决方案演进，为应对老龄化 挑战提供技术支撑。 中国智慧养老产业