近期，在动脉网举办的肿瘤大模型专题圆桌上，医渡科技高级算法架构师焦增涛围绕肿瘤大模型的落地实践、核心挑战与未来方向发表 见解。结合医渡科技在肿瘤大模型领域的探索经验，焦增涛系统阐释了肿瘤大模型从技术研发到临床落地的核心逻辑，展现了医渡科技以技术创新赋能肿瘤诊疗升级的实践路径。
数据筑基：破解“孤岛”与“治理”难题
随着AI大模型从通用领域向垂直场景 渗透，专病专科正成为技术落地的核心赛道——在众多医疗细分领域中，肿瘤领域由于诊疗需求的紧迫性、数据维度的丰富性及技术应用的适配性，成为大模型攻坚的关键阵地。
“数据是模型的基石。”焦增涛指出，尽管肿瘤领域数据丰富，但其价值却难以释放：数据如孤岛般分散，可及性是首要障碍；即便获得数据，标准不一、质量参差的现状也严重影响了可用性；而将碎片化、非结构化的原始数据精加工成模型可学的“知识”，更是一项艰巨工程。
医渡科技凭借十余年在医疗数据智能领域的深耕布局，构建了核心优势：公司通过助力医院及区域建设数据平台，在保障隐私合规的前提下解决“数据孤岛”难题，医渡科技医院网络已覆盖全国4000余家医疗机构，自主研发的“AI医疗大脑”YiduCore已累计经授权处理分析了超过60亿份医疗记录。
面对医疗数据标准不一的难题，医渡科技建立了包含数百项标准化指标和近20个主题模型的数据治理体系，将多元异构数据转化为结构化数据，为模型训练打下坚实基础。在数据精加工环节，医渡科技一方面融合医学专家知识与大模型能力，通过算法辅助标注，另一方面针对专业文献中的流程图、表格等非文本信息进行专项知识加工，保障模型质量。
场景破局：需求导向的四步方法论
数据是石油，模型是引擎，而临床融合是方向盘。焦增涛在讨论中提到：“AI医疗不能‘拿着锤子找钉子’，要让医院从被动接受者变为需求定义者，才能真正推动肿瘤大模型从技术概念走向临床现实。”
核心流程分为四步：先由医院主导明确高频、高负荷或者是高风险的临床场景，其次临床医生与AI医疗厂商共同定义业务需求，明确待解决的是效率、质量，还是可解释性与可控性问题。随后，双方联合评估技术路径，不盲目依赖大模型，而是综合判断适配传统机器学习、信息化技术或大模型，平衡效果与成本。最后是系统与医院业务场景的 适配，焦增涛强调，只有完成与医院业务流程、信息系统和合规要求的 耦合，AI模型才能真正蜕变为“临床工具”。
这一方法论已在医渡科技与多家知名医院的合作中得到验证。在中山大学肿瘤防治中心，双方以临床刚需锚定方向，2025年初快速完成DeepSeek与医渡科技AI中台的本地化部署，上线的肿瘤专科AI诊疗助手已 融入医生工作流，在智能病历生成、TNM分期评估与辅助决策等多场景发挥效能。
“个性化适配也是关键。”焦增涛以中肿落地为例，医院上线的“我的智能助手”功能允许医生零代码自定义，医院医护人员已自主创建了超过140个个性化智能助手。这种将AI设计权交还临床的模式，有效解决了不同专科、不同年资医生的需求分化问题。
目前，医渡科技AI中台已落地30余家知名三甲医院，还正将大模型应用拓展至更多关键癌种，包括与中山六院打造结直肠癌大模型，与青岛大学附属医院研发胰腺癌早筛大模型等。
未来展望：构建数据、技术与生态的协同体系
谈及行业发展，焦增涛从数据、算法、生态三个维度提出展望。
在数据侧，他建议联合行业专家、医疗机构共同探索发布更多脱敏公共专病数据集，并呼吁在政府指导下推进跨机构数据联盟建设，逐步推动医疗数据标准统一。
算法层面，重点突破可解释性、幻觉控制、轻量化部署等方向。其中在幻觉控制方面，医渡科技通过模型训练优化、知识融合增强、监督机制完善及工程控制强化等多重手段，将幻觉发生率控制在1%以内。
生态建设上，焦增涛强调建立临床问责机制与保险兜底制度的重要性，这需要政府、医院、企业、保险机构多方协同，共同引导行业良性发展。
“肿瘤大模型的价值不在于技术炫技，而在于解决临床真问题。”焦增涛总结道。医渡科技正通过数据筑基、场景深耕与生态共建，推动肿瘤大模型从实验室走向诊疗一线，为精准医疗与普惠医疗注入智能动力。
