专访福鑫科创CEO吴笛：AI与医生是伙伴，DeepSeek降低了模型使用门槛

本文来源：时代周报 作者：朱成呈

DeepSeek热潮正迅速渗透医疗行业，多家企业开始接入DeepSeek。

医药领域，医渡科技将DeepSeek整合至自研的“AI医疗大脑”YiduCore，强化医疗数据挖掘能力；互联网医疗领域，方舟健客宣布已成功接入DeepSeek开源大模型并完成本地化部署；医疗器械领域，鹰瞳科技升级万语医疗大模型，接入DeepSeek-R1提升AI影像诊断的准确率与效率；医疗信息化与数字化领域，福鑫科创也宣布旗下所有产品全面接入DeepSeek大模型。

借助DeepSeek的强大推理，可以提升垂类模型的准确性和实用性，增加对复杂状况下疑难杂症的处理能力。福鑫科创CEO吴笛在接受时代周报记者专访时表示，DeepSeek不仅能够从患者模糊的主诉中精准提取关键临床特征，还能自主构建符合医疗规范的决策树，识别潜在风险并提供防御性医疗建议，最终将碎片化的信息转化为结构化的诊疗方案。

吴笛曾任华为、戴尔战略规划总监。2016年，吴笛在深圳创办了云原生开发者工具公司——深圳行云创新。2020年，吴笛创立福鑫科创，致力于开发医疗AI低代码开发平台，并于2023年推出了其核心产品——Fusion医助大模型。

吴笛表示，福鑫科创是国内首批布局基于大模型的医疗信息化产品的公司之一。他指出：“我们早在行业发展初期便预见到大模型在医疗场景中的巨大潜力和应用前景，这为我们赢得了显著的先发优势。”

根据Data Bridge Market Research预测，全球医疗AI市场2023年估值约百亿美元，预计到2030年增长至2000亿美元，CAGR超过40%；根据Market.us的数据，生成式AI在医疗健康领域的市场规模预计将于2032年达到172亿美元，年复合增长率高达37%。

AI与医生是伙伴关系

时代周报：AI可能取代人类医生吗？

吴笛：医生和AI之间的关系更像是伙伴，而不是竞争者。

AI是医生的工具和助手，两者通过协作可以产生“1+1>2”的效果。AI擅长处理大量数据、做重复性的任务，比如筛查疾病、辅助诊断，帮医生节省时间，但具体怎么治病，还是要医生结合病情和其他因素来决定。

时代周报：福鑫科创如何定义AI与人类医生的协作模式，以确保技术的合理应用？

吴笛：两者的强项不一样，配合起来效果更好。医生更擅长解决复杂问题、用经验判断、和患者沟通，而AI在分析数据和识别模式方面特别快，可以给医生提供很多支持。

另外，医患之间的情感和信任是AI取代不了的。患者不仅需要一个诊断结果，更需要医生的安慰和解释，这是AI无法做到的。

未来，医生和AI会越来越紧密地协作。医生要学会用好AI，而AI也会变得更适合临床需求。两者结合后，医疗会变得更高效、更精准，让患者享受到更好的服务。

时代周报：你强调“AI与医生是伙伴关系”，能否从技术层面谈谈这一理念如何落地？

吴笛：我们的核心创新在于“多模态+实时反馈+科室定制化”。首先，Fusion医助大模型是一个多模态模型，能够解析检查检验报告、B超单等图片信息。例如，在武汉大学中南医院上线的AI预问诊，患者就可以通过在外院做的检查单输送给模型，让模型针对检查结果进行针对性地预问诊。

其次，Fusion医助大模型具备实时数据处理和反馈机制。在AI预问诊产品中，患者可以对模型提出的问题进行点赞或点踩的实时反馈，帮助模型持续优化。在AI生成式电子病历产品中，系统会实时对比模型生成的电子病历与医生实际修改后的病历，并将差异反馈给模型，以便后续优化。

此外，Fusion医助大模型在每个科室的使用中都进行了定制化调整。比如在产科，模型会使用月经周期、孕几，产几等专科病历医学术语。在放化疗科，由于大多是复诊患者，模型会自动抽取患者上次就医的病历内容，并结合本次就诊的对话内容，生成更加全面、准确的病历。

时代周报：福鑫科创的大模型产品目前主要面向医院客户，这一市场定位是出于怎样的战略考量？

吴笛：福鑫科创从成立之初就一直在做医疗信息化，因为这个市场空间广阔，具备孕育多家百亿、千亿市值HIT企业的土壤。

医院本身数据丰富，包括电子健康记录（EHR）、医学影像、基因组数据、临床试验数据等。这些数据在量和质上都为大模型的训练提供了良好的基础，使得模型能够学习到更复杂的医疗知识和模式。

此外，国家卫健委顶层设计也在大力推动医疗人工智能的落地应用，也间接推动了医院在医疗AI产品采购上的支付意愿的提高。比如在2024年11月，国家卫健委三部门联合发布的《卫生健康行业人工智能应用场景参考指引》，明确给出了84个应用场景。

模型私有化部署，数据“不出院”

时代周报：在训练Fusion医助大模型时，使用了哪些类型和规模的医疗数据？如何确保数据的多样性、代表性和质量？特别是在处理罕见病或边缘病例时，如何避免数据偏差对模型性能的影响？

吴笛：第一类是真实临床数据的积累，包括HIS（医院信息系统）、EMR（电子病历系统）、PACS（影像归档与通信系统）和LIS（实验室信息系统）等。我们为多家医院建设了临床数据中心（CDR，Clinical Data Repository），用于集中管理和存储海量的临床数据。这些系统为我们提供了超过3000万条来自真实临床场景的脱敏数据，涵盖广泛的病患信息和医疗行为。

第二类是权威的临床知识库体系。我们的知识库包括20万+医学专业实体、50万+医学实体关系的知识图谱、15万条药品说明书、六百本医学专业书籍以及上千本医学科普书籍。

第三类数据是用户的反馈机制与奖励模型优化。我们的产品已在多家大型三甲医院落地使用，特别是在生成式电子病历等关键应用中。医院的主任医师和教授每天都对模型的输出进行正反馈（认可输出）或负反馈（修改、删除输出），帮助我们不断优化和训练AI模型。

在处理罕见病或者边缘病例的时候，我们采用合成数据、转移学习、小样本学习、跨领域数据整合等方式去降低由于数据偏差导致模型性能不佳的问题。

时代周报：医疗数据涉及高度敏感的患者隐私，福鑫科创在开发和部署Fusion医助大模型时，如何确保数据的安全性和合规性？

吴笛：我们坚持“数据不出院”的核心原则，所有模型训练和推理过程均在医院内部完成，通过私有化部署确保数据始终处于院内安全环境中。技术层面，我们用数据加密和匿名化方法保护医疗数据的隐私，确保敏感信息不被泄露；管理层面，我们建立数据质量监控系统，定期对医疗数据进行质量评估和监测，及时发现和纠正数据质量问题。

AI生成式电子病历最有潜力

时代周报：接入DeepSeek，对医疗垂类大模型的发展有何推动作用？

吴笛：DeepSeek采用MoE架构，相比传统大模型，不仅降低了40%以上的算力消耗，还在推理精度上保持了竞争力。这一优化使医院在资源紧张的情况下，能够以更低的成本引入AI技术，提升医疗服务效率。

同时，DeepSeek通过思维链技术，增强了AI在临床诊断中的透明度和可解释性。它不仅能够提供有效的诊疗建议，还能详细解释其推理过程，帮助医生更好地理解AI的决策依据。

此外，DeepSeek显著降低了对提示词的要求，使得临床医生能够更轻松地与模型互动。这一改进不仅提升了用户体验，还降低了医务人员使用AI的门槛，使更多医生能够快速掌握并应用AI技术解决复杂的医疗问题。

时代周报：你认为未来医疗大模型最有潜力的应用场景是什么？

吴笛：我认为AI生成式电子病历最有潜力。

我们先定义下“最有潜力”：一是看场景价值，二是实现难度，生成式电子病历相对来说实现难度中等，但是价值最高。

传统的医生在门诊看诊场景中，单个患者就诊时长按照10分钟计算，一般用于书写电子病历的时间在5分钟，开药、开检查的时间在3分钟，真正用于问诊的时间也平均只有2分钟。

有了AI之后，AI会实时记录医患的对话，并将其转化为医学术语，按照门诊电子病历模板自动书写电子病历，大大节省了医生书写病历的时间。按照一个医生每天看诊50个病人计算，每天可以至少节省1个多小时的书写病历时间。