真正的医疗 AI 需要架构重塑。

作者｜周永亮

编辑｜郑玄

江江（化名）最近去爬了一次山，回来觉得骨头痛。

普通人的第一反应是「锻炼少了」。但 31 岁的江江，第一反应是——「是不是骨转移了？」这种反应，在乳腺癌康复群里，都不叫过度焦虑，叫正常。

去年确诊乳腺癌后，她经历化疗、手术、放疗、靶向治疗的全套密集治疗后，目前正处于长达五年的内分泌治疗周期中。医生告诉她，早期乳腺癌治愈率在 90% 以上，让她安心过日子。但她却经常陷入反复推演的恐惧里。严重时，每周要看两三次心理医生。

这不是她一个人的处境。在中国，乳腺癌密集治疗结束后，患者还要面临长达 5 到 10 年的内分泌治疗周期。在这个漫长的周期里，患者被各种慢性副作用折磨——潮热、关节疼痛、极度疲劳、情绪崩溃。在现有医疗体系下，医生不可能仔细倾听每一个患者的主观感受，他们只能告诉患者，「这很正常，你要忍耐。」

01

压在心里的石头，被一个 APP 搬走了

与江江有相似遭遇的，还有佳宇（化名）。33 岁的她，也是去年确诊乳腺癌，与江江病理分型完全相同：雌激素、孕激素、HER2 均阳性。两人在小红书上因为相似的化疗进度相识，成了病友。

佳宇目前注射戈舍瑞林、口服来曲唑进行内分泌治疗。这个方案最大的副作用是浑身酸痛，而且位置不固定，今天膝盖疼，明天手腕疼。有一次，她吃了来曲唑七个月后，突然忘记吃了一次，当时极度慌张，赶紧去问国内一些主流的大模型，去平台看各种医生科普视频，「讲来讲去都是车轱辘话，没有一个准信。」

江江一开始很信赖 ChatGPT，但它给的推荐经常出错。有一次，她想找一款不含「生育酚」成分的钙片，ChatGPT 推荐了一款产品，但她去跟官方客服确认后，那款产品其实含有生育酚。随后，她转用国内一款主流大模型，但给出的也是同样的错误信息。

佳宇化疗期间副作用极其明显，完全吃不下饭。她问一款热门 AI 产品「吃不下东西怎么办」，得到的回复无非是「补充蛋白质、多吃鱼虾」。道理她都懂，但她当时的身体状况是实在吃不下去。直到后来因为缺钾进了急诊，第六次化疗去掉了卡铂这款药，情况才好转。

江江没想到，那块石头是被一个 APP 给「搬走」的。

治疗期间，她的淋巴结出现了一个极小的疑似病变。虽然后来被多位权威专家和影像检查交叉确认只是增生，但那块石头始终压在心里——「万一又是假阴性呢？」

所以，每次复查，她都会「折磨」她的医生，让医生反复保证。但这只能管用一个月，剩下的两个月依然极其难熬。一般来说，三个月一次复查。

直到她把这种极度的焦虑倾诉给 Cx 橙欣健康，这是深至科技旗下一款面向患者端的 AI 健康管理产品。

它没有像普通人那样只说「别瞎想、你没事」，而是帮她把医生已经给出的信息重新梳理成一个完整的逻辑链：你已经达到了 pCR（病理完全缓解）；化疗期间淋巴结没有任何恶化变化；放疗主任和主治医生都是权威专家，已经交叉确认过；前哨淋巴结活检取了六七个，覆盖范围已经很广。这些，都是你的主治团队已经告诉过你的事实。

这种「有理有据」的安慰，瞬间让江江安心了非常多。以前她焦虑到一周要看两三次心理医生，用它之后，频率降到了一周一次。她甚至自我调侃说，「帮我省了看心理医生的钱。」

江江总结了下 Cx 橙欣健康真正打动她的地方有两点：一个是它敢用「肯定句」。在漫长的康复期里，患者内心经常充满了负面情绪。Cx 橙欣健康不仅会用肯定句给患者吃定心丸，还会基于提交的病历资料，推导出一个完整的逻辑闭环。「我知道它不是在盲目安慰我，而是基于我的真实病情算出来的高概率结果。」

另一个是它有长期记忆。以前用其他主流 AI 通用模型，答案完全取决于当次「喂」给它的信息。同一个人、同样的病情，两次输入的提示词不一样，答案就完全不同。但 Cx 橙欣健康在后台建立了完整的个人画像，知道患者处于什么阶段、在用什么药。这种被 AI 深度了解和「托底」的感觉，是通用大模型完全做不到的。

改变佳宇对 AI 看法的，是那次忘服药后的慌乱夜晚。

她去问 Cx 橙欣健康「要不要补服？」，得到的第一句话是：「没事，不用补服。」

就这简简单单几个字，瞬间让她心里的石头落地了。它先给出极其确切的答案，再去解释药物半衰期等科普内容。这种「在第一时间给出确定性」的能力，对佳宇太重要了。

她还发现了另一个让她兴奋的功能，就医问题汇总。因为康复期很多副作用是一过性的，疼过一阵可能自己就忘了。她养成了习惯，只要一有不适就去跟 Cx 橙欣健康说。等到真正去医院复查前，只需要说一句「帮我汇总一下就医问题」，它就会把近期所有症状、需要和内分泌医生沟通的重点列得清清楚楚。

佳宇描述 Cx 橙欣健康给她的感觉，像一个「就医搭子」，「特别像那种专业医生的小助理，既兼顾了医学上的专业严谨，同时又带有一点现在年轻人喜欢的网感。」

02

一个「托底」的系统，是怎么建起来的？

很多人会好奇，这款产品到底是怎么做到的？

深至科技创始人兼首席执行官朱瑞星给出的答案，不是「我们的模型更好」，而是「这是一个代际差异的问题。」

互联网时代做的是「功能级产品」：产品经理主导，优化功能和交互界面，本质是功能驱动与体验优化。AI 时代，深至科技要做的是「架构级产品」，一个由垂域模型、智能体和数据三驾马车共同构成的底层系统。

「如果只是拿一个通用大模型，简单做个后训练，搭一套问答界面，现在懂行的工程师可能一天就能搞定。但这根本不叫医疗产品，充其量只是个聊天机器人。」

朱瑞星做出这个判断，并不是凭空而来的。深至科技成立于 2018 年，从超声 AI 影像软件起步，2021 年转型为「硬件+AI 服务」一体化模式，自研影像设备并铺设超 3.5 万台终端，已累计完成千万级疗效数据闭环。

这些数据的价值，不只是数量大，更在于数据的深度。

「我不仅需要知道你现在的状态，我还需要随着时间的推移，知道我给你的干预方案有没有让你的健康变好？你个人更偏好哪种干预方式？哪种方案你的依从性更高？从而在整个漫长的用药周期里，切实提升你的生存质量。」

这种对单个患者的「线性追踪」，才是深至科技真正的数据壁垒。

但数据只是地基。佳宇后来回想，那句「没事，不用补服」之所以有效，是因为它先给明确答案，再给理由。而这背后，是深至科技在意图理解上做的独特设计。市面上很多医疗 AI 的设计逻辑是「基于问题分类」，把用户提问划分为医学问题、非医学问题或多模态问题。这种设计本质上还是一个「你问我答」的功能机。

但患者的真实意图远比这复杂。比如，患者半夜关节疼得睡不着，跑来问「我能不能吃止痛药」，这个时候他的真实意图绝不是想听 AI 科普药物机理，而是迫切需要解决「疼」这个问题。同样是「退烧药能不能吃」，背后的核心诉求其实是做风险等级的判断。

为了精准捕捉这些意图，深至科技在最前端部署了一个极度强化的主会话模型。这个模型经过了深度的后训练，并接入了自建 RAG，专门用来理解患者「为什么这么问」。

江江感受到的那种「有理有据的安慰」，佳宇感受到的那种「活人感」，背后其实是深至科技接入的共情模型。

但共情并不是一味地温柔，而是要深刻理解患者所处的具体场景，从而动态调整「共情浓度」。

举个例子，患者因为药物副作用导致关节疼，来问能不能吃止痛药，这属于低危急场景，此时 AI 的共情浓度要高一些，给予更多的情感安抚和陪伴；但如果癌症患者发烧到 38.5 度，这属于高危急场景，这个时候 AI 的共情浓度必须降到最低，表现得非常严肃、直接，甚至带有指令性。只有通过这种方式，才能强有力地影响患者，促使她们做出正确的医疗选择。

深至科技把患者的真实诉求拆分成了上百个不同的具体场景，针对每一种场景预设一个共情等级，然后根据患者的方案依从性，反复验证和调整这条边界。这是一套完全基于数据驱动的动态迭代方案。

除此之外，深至科技在底层接入了多个专业模型协同工作。比如，药物相互作用模型专门处理复杂的药物冲突。因为药理极其复杂，简单把用药指南和说明书拼凑在一起是无效的，必须有专门的模型来处理。此外，还有针对特定疾病的临床模型以及副作用模型。

朱瑞星认为，在 AI 时代做产品，核心其实是垂域的高质量模型加上 Harness Engineering。目前 AI 的基础能力已经达到了很高的水平，真正的壁垒在于如何更好地驾驭它、给它设定合理的约束。在医疗这种非常严肃的领域，只有把这些边界设计好，AI 才会真正安全且有效。

03

先建立信任的人，

先拿到医疗 AI 的入口

在 AI 医疗赛道，关于路径选择一直有两种思路：一种是从平台切入再下沉垂直，另一种是从单一病种深耕再向外扩张。这个争论不只存在于医疗行业，在其他行业同样从未停止。

其实，战略本身没有绝对的对错，真正重要的，是你能不能用极强的韧性，把自己选择的策略，变成今天无可替代的优势。

对于医疗场景而言，最核心的基石是价值感和安全感。深至科技想做的，就是成为患者侧的信任基础设施，打造一个基于高等级循证医学、可被信任的 AI 助手，同时平台上必须有医生来完成最终的信任闭环。

目前，深至科技聚焦乳腺癌单病种，处于小规模测试阶段。但留存率和方案依从性已经达到头部水准。这些都说明了一件事：当患者真正感受到「被托底」，她们会留下来。

朱瑞星对下一步的判断是：真正的产品深度，在于帮用户「端到端」解决实际问题，而不只是回答问题。以患者援助项目（PAP）申请为例。很多乳腺癌患者都面临高昂的治疗费用，非常需要申请这类援助，但这个申请的流程极其繁琐。未来如果患者提出这类需求时，AI 可以直接帮她在全国范围内精准匹配最适合的援助项目，自动梳理出所有需要医院盖章的证明资料，甚至直接帮患者把复杂的申请表格全部填好。

从「回答问题」到能「完成任务」，这是 AI 医疗助手从工具升级为基础设施的关键一步。

三到五年后，深至科技给自己定的目标是：覆盖人类前 100 个重大疾病中的 50 个。很多人可能会好奇，从乳腺癌向其他病种能迁移吗？再进一步，哪些能力可以迁移，哪些不能迁移呢？

朱瑞星认为这取决于底层的架构设计。他用盖房子打比方，一栋极具特色的单体建筑迁移能力弱，一栋毫无特色的通用大楼又会丧失医疗服务的深度。最好的解法，是把服务能力拆解成功能模块，再根据不同病种的场景重新组装。

在这套架构里，临床数据和特定病种模型必须重新训练，但共情模型、药物相互作用模型、底层交互架构，可以低成本平移。

AI 医疗赛道里，有很多公司在比拼模型精度、数据量和医院资源。但这些都可以被复制，可以被追平。

朱瑞星有一个底层判断，内部说过很多次，「医疗领域一定会出现一个独立的 AI 入口，而这个入口的核心壁垒不是数据，不是算法，是信任。」

在江江和佳宇的故事里，她们选择深至科技不是因为名气大，或者是营销活动等其他因素，而是因为它在她们手忙脚乱时给予的确定感和安心感。这种信任不是靠营销建立的，是靠一次次精准的、有温度的回答，一点一点积累起来的。

（以上江江、佳宇均为化名。）

*头图来源：深至科技

本文为极客公园原创文章，转载请联系极客君微信 geekparkGO

极客一问

你使用过医疗 AI 吗？体验如何？