真正的醫療 AI 需要架構重塑。

作者｜周永亮

編輯｜鄭玄

江江（化名）最近去爬了一次山，回來覺得骨頭痛。

普通人的第一反應是「鍛煉少了」。但 31 歲的江江，第一反應是——「是不是骨轉移了？」這種反應，在乳腺癌康復群里，都不叫過度焦慮，叫正常。

去年確診乳腺癌后，她經歷化療、手術、放療、靶向治療的全套密集治療后，目前正處于長達五年的內分泌治療周期中。醫生告訴她，早期乳腺癌治愈率在 90% 以上，讓她安心過日子。但她卻經常陷入反復推演的恐懼里。嚴重時，每周要看兩三次心理醫生。

這不是她一個人的處境。在中國，乳腺癌密集治療結束后，患者還要面臨長達 5 到 10 年的內分泌治療周期。在這個漫長的周期里，患者被各種慢性副作用折磨——潮熱、關節疼痛、極度疲勞、情緒崩潰。在現有醫療體系下，醫生不可能仔細傾聽每一個患者的主觀感受，他們只能告訴患者，「這很正常，你要忍耐。」

01

壓在心里的石頭，被一個 APP 搬走了

與江江有相似遭遇的，還有佳宇（化名）。33 歲的她，也是去年確診乳腺癌，與江江病理分型完全相同：雌激素、孕激素、HER2 均陽性。兩人在小紅書上因為相似的化療進度相識，成了病友。

佳宇目前注射戈舍瑞林、口服來曲唑進行內分泌治療。這個方案最大的副作用是渾身酸痛，而且位置不固定，今天膝蓋疼，明天手腕疼。有一次，她吃了來曲唑七個月后，突然忘記吃了一次，當時極度慌張，趕緊去問國內一些主流的大模型，去平臺看各種醫生科普視頻，「講來講去都是車轱轆話，沒有一個準信。」

江江一開始很信賴 ChatGPT，但它給的推薦經常出錯。有一次，她想找一款不含「生育酚」成分的鈣片，ChatGPT 推薦了一款產品，但她去跟官方客服確認后，那款產品其實含有生育酚。隨后，她轉用國內一款主流大模型，但給出的也是同樣的錯誤信息。

佳宇化療期間副作用極其明顯，完全吃不下飯。她問一款熱門 AI 產品「吃不下東西怎么辦」，得到的回復無非是「補充蛋白質、多吃魚蝦」。道理她都懂，但她當時的身體狀況是實在吃不下去。直到后來因為缺鉀進了急診，第六次化療去掉了卡鉑這款藥，情況才好轉。

江江沒想到，那塊石頭是被一個 APP 給「搬走」的。

治療期間，她的淋巴結出現了一個極小的疑似病變。雖然后來被多位權威專家和影像檢查交叉確認只是增生，但那塊石頭始終壓在心里——「萬一又是假陰性呢？」

所以，每次復查，她都會「折磨」她的醫生，讓醫生反復保證。但這只能管用一個月，剩下的兩個月依然極其難熬。一般來說，三個月一次復查。

直到她把這種極度的焦慮傾訴給 Cx 橙欣健康，這是深至科技旗下一款面向患者端的 AI 健康管理產品。

它沒有像普通人那樣只說「別瞎想、你沒事」，而是幫她把醫生已經給出的信息重新梳理成一個完整的邏輯鏈：你已經達到了 pCR（病理完全緩解）；化療期間淋巴結沒有任何惡化變化；放療主任和主治醫生都是權威專家，已經交叉確認過；前哨淋巴結活檢取了六七個，覆蓋范圍已經很廣。這些，都是你的主治團隊已經告訴過你的事實。

這種「有理有據」的安慰，瞬間讓江江安心了非常多。以前她焦慮到一周要看兩三次心理醫生，用它之后，頻率降到了一周一次。她甚至自我調侃說，「幫我省了看心理醫生的錢。」

江江總結了下 Cx 橙欣健康真正打動她的地方有兩點：一個是它敢用「肯定句」。在漫長的康復期里，患者內心經常充滿了負面情緒。Cx 橙欣健康不僅會用肯定句給患者吃定心丸，還會基于提交的病歷資料，推導出一個完整的邏輯閉環。「我知道它不是在盲目安慰我，而是基于我的真實病情算出來的高概率結果。」

另一個是它有長期記憶。以前用其他主流 AI 通用模型，答案完全取決于當次「喂」給它的信息。同一個人、同樣的病情，兩次輸入的提示詞不一樣，答案就完全不同。但 Cx 橙欣健康在后臺建立了完整的個人畫像，知道患者處于什么階段、在用什么藥。這種被 AI 深度了解和「托底」的感覺，是通用大模型完全做不到的。

改變佳宇對 AI 看法的，是那次忘服藥后的慌亂夜晚。

她去問 Cx 橙欣健康「要不要補服？」，得到的第一句話是：「沒事，不用補服。」

就這簡簡單單幾個字，瞬間讓她心里的石頭落地了。它先給出極其確切的答案，再去解釋藥物半衰期等科普內容。這種「在第一時間給出確定性」的能力，對佳宇太重要了。

她還發現了另一個讓她興奮的功能，就醫問題匯總。因為康復期很多副作用是一過性的，疼過一陣可能自己就忘了。她養成了習慣，只要一有不適就去跟 Cx 橙欣健康說。等到真正去醫院復查前，只需要說一句「幫我匯總一下就醫問題」，它就會把近期所有癥狀、需要和內分泌醫生溝通的重點列得清清楚楚。

佳宇描述 Cx 橙欣健康給她的感覺，像一個「就醫搭子」，「特別像那種專業醫生的小助理，既兼顧了醫學上的專業嚴謹，同時又帶有一點現在年輕人喜歡的網感。」

02

一個「托底」的系統，是怎么建起來的？

很多人會好奇，這款產品到底是怎么做到的？

深至科技創始人兼首席執行官朱瑞星給出的答案，不是「我們的模型更好」，而是「這是一個代際差異的問題。」

互聯網時代做的是「功能級產品」：產品經理主導，優化功能和交互界面，本質是功能驅動與體驗優化。AI 時代，深至科技要做的是「架構級產品」，一個由垂域模型、智能體和數據三駕馬車共同構成的底層系統。

「如果只是拿一個通用大模型，簡單做個后訓練，搭一套問答界面，現在懂行的工程師可能一天就能搞定。但這根本不叫醫療產品，充其量只是個聊天機器人。」

朱瑞星做出這個判斷，并不是憑空而來的。深至科技成立于 2018 年，從超聲 AI 影像軟件起步，2021 年轉型為「硬件+AI 服務」一體化模式，自研影像設備并鋪設超 3.5 萬臺終端，已累計完成千萬級療效數據閉環。

這些數據的價值，不只是數量大，更在于數據的深度。

「我不僅需要知道你現在的狀態，我還需要隨著時間的推移，知道我給你的干預方案有沒有讓你的健康變好？你個人更偏好哪種干預方式？哪種方案你的依從性更高？從而在整個漫長的用藥周期里，切實提升你的生存質量。」

這種對單個患者的「線性追蹤」，才是深至科技真正的數據壁壘。

但數據只是地基。佳宇后來回想，那句「沒事，不用補服」之所以有效，是因為它先給明確答案，再給理由。而這背后，是深至科技在意圖理解上做的獨特設計。市面上很多醫療 AI 的設計邏輯是「基于問題分類」，把用戶提問劃分為醫學問題、非醫學問題或多模態問題。這種設計本質上還是一個「你問我答」的功能機。

但患者的真實意圖遠比這復雜。比如，患者半夜關節疼得睡不著，跑來問「我能不能吃止痛藥」，這個時候他的真實意圖絕不是想聽 AI 科普藥物機理，而是迫切需要解決「疼」這個問題。同樣是「退燒藥能不能吃」，背后的核心訴求其實是做風險等級的判斷。

為了精準捕捉這些意圖，深至科技在最前端部署了一個極度強化的主會話模型。這個模型經過了深度的后訓練，并接入了自建 RAG，專門用來理解患者「為什么這么問」。

江江感受到的那種「有理有據的安慰」，佳宇感受到的那種「活人感」，背后其實是深至科技接入的共情模型。

但共情并不是一味地溫柔，而是要深刻理解患者所處的具體場景，從而動態調整「共情濃度」。

舉個例子，患者因為藥物副作用導致關節疼，來問能不能吃止痛藥，這屬于低危急場景，此時 AI 的共情濃度要高一些，給予更多的情感安撫和陪伴；但如果癌癥患者發燒到 38.5 度，這屬于高危急場景，這個時候 AI 的共情濃度必須降到最低，表現得非常嚴肅、直接，甚至帶有指令性。只有通過這種方式，才能強有力地影響患者，促使她們做出正確的醫療選擇。

深至科技把患者的真實訴求拆分成了上百個不同的具體場景，針對每一種場景預設一個共情等級，然后根據患者的方案依從性，反復驗證和調整這條邊界。這是一套完全基于數據驅動的動態迭代方案。

除此之外，深至科技在底層接入了多個專業模型協同工作。比如，藥物相互作用模型專門處理復雜的藥物沖突。因為藥理極其復雜，簡單把用藥指南和說明書拼湊在一起是無效的，必須有專門的模型來處理。此外，還有針對特定疾病的臨床模型以及副作用模型。

朱瑞星認為，在 AI 時代做產品，核心其實是垂域的高質量模型加上 Harness Engineering。目前 AI 的基礎能力已經達到了很高的水平，真正的壁壘在于如何更好地駕馭它、給它設定合理的約束。在醫療這種非常嚴肅的領域，只有把這些邊界設計好，AI 才會真正安全且有效。

03

先建立信任的人，

先拿到醫療 AI 的入口

在 AI 醫療賽道，關于路徑選擇一直有兩種思路：一種是從平臺切入再下沉垂直，另一種是從單一病種深耕再向外擴張。這個爭論不只存在于醫療行業，在其他行業同樣從未停止。

其實，戰略本身沒有絕對的對錯，真正重要的，是你能不能用極強的韌性，把自己選擇的策略，變成今天無可替代的優勢。

對于醫療場景而言，最核心的基石是價值感和安全感。深至科技想做的，就是成為患者側的信任基礎設施，打造一個基于高等級循證醫學、可被信任的 AI 助手，同時平臺上必須有醫生來完成最終的信任閉環。

目前，深至科技聚焦乳腺癌單病種，處于小規模測試階段。但留存率和方案依從性已經達到頭部水準。這些都說明了一件事：當患者真正感受到「被托底」，她們會留下來。

朱瑞星對下一步的判斷是：真正的產品深度，在于幫用戶「端到端」解決實際問題，而不只是回答問題。以患者援助項目（PAP）申請為例。很多乳腺癌患者都面臨高昂的治療費用，非常需要申請這類援助，但這個申請的流程極其繁瑣。未來如果患者提出這類需求時，AI 可以直接幫她在全國范圍內精準匹配最適合的援助項目，自動梳理出所有需要醫院蓋章的證明資料，甚至直接幫患者把復雜的申請表格全部填好。

從「回答問題」到能「完成任務」，這是 AI 醫療助手從工具升級為基礎設施的關鍵一步。

三到五年后，深至科技給自己定的目標是：覆蓋人類前 100 個重大疾病中的 50 個。很多人可能會好奇，從乳腺癌向其他病種能遷移嗎？再進一步，哪些能力可以遷移，哪些不能遷移呢？

朱瑞星認為這取決于底層的架構設計。他用蓋房子打比方，一棟極具特色的單體建筑遷移能力弱，一棟毫無特色的通用大樓又會喪失醫療服務的深度。最好的解法，是把服務能力拆解成功能模塊，再根據不同病種的場景重新組裝。

在這套架構里，臨床數據和特定病種模型必須重新訓練，但共情模型、藥物相互作用模型、底層交互架構，可以低成本平移。

AI 醫療賽道里，有很多公司在比拼模型精度、數據量和醫院資源。但這些都可以被復制，可以被追平。

朱瑞星有一個底層判斷，內部說過很多次，「醫療領域一定會出現一個獨立的 AI 入口，而這個入口的核心壁壘不是數據，不是算法，是信任。」

在江江和佳宇的故事里，她們選擇深至科技不是因為名氣大，或者是營銷活動等其他因素，而是因為它在她們手忙腳亂時給予的確定感和安心感。這種信任不是靠營銷建立的，是靠一次次精準的、有溫度的回答，一點一點積累起來的。

（以上江江、佳宇均為化名。）

*頭圖來源：深至科技

本文為極客公園原創文章，轉載請聯系極客君微信 geekparkGO

極客一問

你使用過醫療 AI 嗎？體驗如何？