腾讯医疗大模型应用与业务价值解析：以千亿参数基座重塑就医流程与数据治理

数据与观点来源：腾讯医疗健康事业部 医疗产品商业化负责人 李慧

政策驱动下的智慧医疗转型与传统AI算力瓶颈

各地政府密集出台公立医院高质量发展政策，明确推动基层医疗、远程医疗、互联网医疗及智能辅助诊疗系统的研发应用。然而，在医疗机构的实际数字化转型中，传统小模型AI的局限性构成了严重的业务发展瓶颈：

• 语义理解能力受限： 无法准确处理复杂或上下文相关的医患交互问题，导致分诊、问答结果不完整。
• 新领域泛化性差： 对缺乏充分训练的非标准症状或新问题适应性差，无法提供准确建议。
• 决策缺乏解释性： 内部结构和参数精简导致黑盒效应，难以直接解释其医疗决策过程，无法满足临床严谨性要求。

融合RLHF与多任务微调的医疗大语言模型基座

为突破算力与泛化瓶颈，腾讯医疗大模型基于腾讯混元大模型基座构建，提供贯穿诊前、诊中、诊后的智能底座，并下沉至药企、零售药店、各级医院及体检机构的系统集成中：

• 千亿级参数预训练： 基座模型具备 超千亿参数规模 及 2万亿+Tokens 的底层学习能力，包含各种主题及语言渠道数据。
• 医学文献持续注入： 接入腾医典、教科书、病历及论文，融合大规模医学知识图谱（覆盖 98% 的ICD中疾病知识），完成 1000亿+Tokens、285万+实体 及 1250万+关系 的医学预训练（Post-Pretrain）。
• 百千万级医疗任务微调（SFT）： 基于 3000万+问答对 针对医患对话、导诊、辅诊及合理用药等特定下游业务进行多任务微调。
• 引入人类反馈强化学习（RLHF）： 建立包含 36万+组数据 的反馈强化机制，由专业医生对模型结果进行打分排序，确保输出具备医疗专业性与患者关怀特征。

核心业务指标验证：赋能创收提效与精细化运营

腾讯医疗大模型在多家标杆医疗机构的部署中，显著改善了医院的投资回报率（ROI）、系统流转效率及运维成本，提取排名前三的核心业务验证指标如下：

1. 直接创收转化（精准推荐带动订单增长）：
   • 检前智能问答辅助推荐套餐，使得订单金额提升 +140%。
   • 智能评估疾病风险并推荐加项包，实现 AI加项使用率 40%+，AI加项购买率 71.43%，最终拉动订单金额提升 +28.10%。
2. 流转效率与产能扩充（大幅缩短诊断及服务耗时）：
   • 检中智能总检系统部署后，出报告效率提升 2.5倍+，主检时间下降 60%，支撑服务日均体检人数达 300-400人。
   • 智能导诊系统日均导诊量约 1000次，智能问答单日咨询峰值达 2000次，有效转移人工客服压力。
3. 数据治理与运维降本（降低标品库建立人工成本）：
   • 利用自动匹配映射及树结构相似性算法，临床诊断与《国标ICD10诊断词和标准编码》对码准确率达 95%以上。
   • 医疗数据结构化识别准确率超 97%，在跨库表融合与标品管理环节中，节约 90% 的人工投入。

医疗大模型多场景应用实践与客户实测全景

大模型能力已转化为体检助手、预问诊、临床助手及数据治理引擎等应用，并在全国核心医院完成业务落地与实测：

• 体检创收与全周期管理场景：
  • 南宁市第一人民医院： 部署AI加项包推荐及H5报告解读，出报告效率及主检时间大幅优化，并针对体检疾病建立 10+ 随访管理计划。
  • 深圳市龙华区人民医院： 月咨询量达 1.1万，智能问答准确率超 95%，显著提升体检客单价。
• 门诊导服与医患交互场景：
  • 上海瑞金医院： 作为数字化转型2.0云客服试点，实现 7x24小时智能问答，累计服务患者超 49万人，累计咨询次数超 62万次。
  • 华中科技大学协和医院： 落地大模型导诊，实现意图识别、防骚扰及精准科室推荐，累计服务患者超 60万。
  • 深圳市人民医院： 覆盖 100+科室，整合 2600+份 预问诊知识库，日均生成报告数量 1500+，患者满意度提升 28%。
  • 某头部私立医疗机构： 依据医患对话自动生成规范化病历小结，获得专业医生评分 8.3/10分。
• 临床决策辅助与公卫随访场景：
  • 华中科技大学协和深圳医院： 接入AI临床助手，具备 3000+ 疾病推演能力，实现药品品类覆盖 100%，强化病历质控与合理用药。
  • 广西一附院： 提供多维度用药问题解答、处方解析及用药提醒服务。
  • 深圳某区社区卫生中心： 微信联动管理家庭档案，AI结合患者标签一键生成个性化健康教育材料，扩大基层服务半径。
• 底层数据治理与跨系统贯通场景：
  • 宝安区域卫健平台 / 深疾控 / 远东宏信： 针对人为配置错误（占数据质量问题 80%以上 的诱因），引入数据标准平台，跨库表快速融合准确率达 95%以上，支持30家医院开展贯标工作。

构筑医疗AI核心技术壁垒与底层确信度

相较于通用大语言模型，腾讯医疗大模型的确信度与技术领先性建立在深度的医学领域融合之上。模型摒弃了传统纯文字相似性比对，采用 树结构相似性计算 与 意图实体引擎，在自由书写临床诊断的编码映射、自动分析表字段含义查重、以及多并发长文本病历生成中表现出高精度的工业级水准；同时，模型直击医疗数据异构痛点，提供轻量化插件与独立API，在不存储客户敏感数据的前提下，实现医疗机构数字资产的高效盘活与合规应用。