正文
具体到 AI 层面，就是利用 AI 技术吸收全国顶级医院、顶级医生的医疗知识和技术，降低服务成本，从而普及到各级医院中去，以惠及全国所有患者。
要实现这种普惠化，并考虑到数据安全性，私有化部署大模型是一种可行的路径。据了解，目前国内已有近百家医院完成 DeepSeek 本地化部署，主要为知名大型三甲医院，比如复旦大学附属华山医院、深圳大学附属华南医院等，本地化部署主要是为了支持临床决策、病历质控、影像分析、科研辅助、医院管理等场景应用。
但这种方式本身并不够普惠，私有化部署成本比云服务高得多，满血版 DeepSeek 一体机价格基本都是百万级别，不是普通医院负担得起的，这还不算实际运行中产生的运维和人力成本
。
王国鑫解释道，“
是不是所有医院都具备训练医疗模型的能力，能够支付招聘优秀工程师的成本，并具备足够优质的训练数据，是存在疑问的。
实际上，在中国，大部分专病疗法相关 AI 课题都需要多中心的联合训练。多中心就是大量的优秀的医院联合在一起研发。所以我很怀疑是否所有单个医院都有足够的能力去做这件事。所以医疗大模型的研发，需要像我们这样的垂域领域企业同步支持多家医院，来推动大型课题研发，以解决数据共通性的问题。”
但要实现多中心联合训练，最核心的难题是医疗数据共享，技术层面的难题比如数据标准、数据质量等都还是其次，根本还是在于权利上
，“ 这里面涉及到数据确权的问题，
目前医疗数据的特点是权利不清晰，我们并不知道它属于患者、医院或科室，甚至厂商。比如说一个患者今天做 X 光检查，影像是不是属于厂商并没有确定的答案。
有政策面的问题，也有敏感性的问题，人们对于关乎切身利益的东西都是极其关注的。所以
任何医疗数据的共享，都是重要的法律和伦理问题。
”
那么，如何推动这个问题的解决呢？
王国鑫表示：“ 从政策方面看，过去几年国家一直在研究数据要素流通。我们的优势是能集中力量干大事，所以数据要素流通的研究其实是全国性的。北京如今也有很多先行试点，推动医院进行脱敏数据的资产化，只不过目前案例还比较少。从过去几年我们工作的实际情况来看，总体还是走课题加科研转化。”
“ 比如说我们可以跟医院进行联合课题的申报，在一个单独课题的情况下，可以进行脱敏科研数据的一定程度的共享，当然这不涉及到数据的转移，更多是以更合规数据处理的方式来进行，比如说就在院内完成模型的训练。
理论上，医院不可能把医疗数据转移给任何一家公司。
”
“
所以，对于第三方而言，医疗数据的使用只能是点对点的。坦诚地说，这其实阻碍了纯技术的发展。但医疗领域的特殊性就在于，我们不能完全用一个纯技术发展的视角来看待人类伦理的问题。
”
因此，王国鑫认为，要解决医疗数据资源难题，一方面需要推动医疗数据的资产化，另一方面医疗 AI 公司必须要做好未来广泛依赖合成数据的准备，以及更好地挖掘医疗现有开放数据的准备，“
比如，其实有很多疾病案例数据是存在于医疗论文之中的，它们可开放获取，而且不涉及到敏感信息。我们可以基于这些数据进一步模拟医生或者患者的情况，从而产生更高价值的数据。
”
在近期发表的论文 “ Citrus: Leveraging Expert Cognitive Pathways in a Medical Language Model for Advanced Medical Decision Support ” 中，王国鑫的团队就提出了这样的方法。
（ 注：Citrus 指京东健康的医疗大模型
京医千询 ）
https://arxiv.org/pdf/2502.18274
论文中提到，医学专业知识是通过临床实践培养获取的，临床实践需要高度复杂的医学推理技能，涵盖患者咨询、诊断、鉴别诊断和治疗等。
因此，用于智慧诊疗的医学语言模型要想成功地辅助临床决策，不仅要处理海量医疗数据，还要模拟专业医疗人员复杂的认知过程。
临床实践中的医学推理涉及两种推理方法：“
模式识别法 ” 和 “
假设-演绎法 ”。前者基于临床观察和经验总结来发现模式，更加直观，后者根据已知的医学理论，基于症状组合来确定疾病。
模式识别能力通常接触大规模、高质量的医学数据集学习得到，假设-演绎推理能力则需要通过合成的思维链数据训练得到，思维链数据通过模拟专家的推理过程获得。
