190万条皮肤病数据教会AI看皮肤科：一个专病大模型是怎么"下沉"到社区的

如果说通用大模型像一位"什么都知道一点"的全科生，那么专病大模型更像一位"只看一个科、但看了上百万个病例"的专科医生。9月12日服贸会"人工智能+医疗健康"论坛上，中日友好医院分享的樱智皮肤病AI模型，就是后者的代表——基于190多万条皮肤病数据研发，如今已接入医院信息系统，并且下沉到了社区医院使用。

通用大模型"懂医"和专病大模型"会看病"之间，差距到底在哪？这个模型的落地路径，恰好把这个问题的答案完整演示了一遍。

先讲人话：专病大模型和通用大模型差在哪

拿皮肤科举个例子。你问通用大模型"手上起红疹是什么病"，它会给出一份教科书式的鉴别诊断清单——面面俱到，但常常答不到点上。而皮肤科门诊的真实难点是：同一个红疹，在接触性皮炎、湿疹、银屑病早期之间的区分，靠的是医生看过成千上万张皮损后形成的"眼力"。

专病大模型补的就是这份"眼力"。它的训练数据不是互联网上的泛化医学文本，而是单一专科多年沉淀的真实临床数据——病历、皮损图像、病理报告、用药记录。数据窄、但深；模型不追求什么都能聊，只追求在这一个专科里，判断贴近一线专家的水平。一句话概括：通用大模型学的是"医学知识"，专病大模型学的是"这个科的临床经验"。

190万条数据是怎么攒出来的

樱智大模型由中日友好医院与北电数智联合打造，2024年12月在博鳌皮肤健康医学创新论坛上首发"樱智·α"皮肤专病大模型。它的底座是医院多年积累的190多万条皮肤病数据。

这个数字值得展开讲。医疗AI行业常说"数据是燃料"，但真正稀缺的不是数据的量，而是数据的"成色"：门诊病历要有规范的诊断结论，皮损照片要有对应的临床背景，病理报告要和图像、用药互相印证。三甲专科中心的丰厚积累，恰好构成了这样一块"高成色"的数据矿——这也是为什么皮肤科会成为大模型落地的优势专科：视觉（皮损图像）+文本（病历、病理）的多模态组合天然丰富，且影像标注的成熟度在临床科室里名列前茅。

樱智医助能干什么：医生身边的四个帮手

落到产品层面，患者和医生接触到的形态叫"樱智医助"，已率先落地博鳌超级医院，功能覆盖四件事：

• 病历分析：从复杂病历里提取关键信息，辅助医生快速把握病情；
• 报告解读：把病理分析报告"翻译"成结构化的要点，减少漏读误读；
• 用药指导：基于病情给出用药参考，降低基层用药差错风险；
• 文书生成：把医生口述的临床信息整理成规范文书，替医生省下写病历的时间。

注意这四件事的共同点：它们都不越界替医生做最终诊断，而是把医生时间里最容易被消耗的"读、写、查"环节接过来。这是医疗大模型目前最务实的产品定位——增效而非替代。

可信数据空间：大模型"少胡说"的关键设计

医疗场景里，大模型最大的敌人是幻觉——一本正经地编造不存在的文献、剂量和结论。樱智的解法是"医疗可信数据空间"：把行业公开数据与院内专病数据在安全合规的框架下结合，让模型的回答锚定在经过验证的医学证据上。

用人话讲：不依赖模型"背"下来的模糊记忆，而是让它像循证医学工作者一样，从可信数据里检索依据再作答——这就是它被称作"循证医学大模型"的原因。对医疗AI而言，这套设计的意义不亚于模型本身：答得快不难，答得对不对、错了能不能溯源，才是医院敢不敢把它接入HIS系统的分水岭。

下沉社区：AI补的是基层缺医生的那一段

樱智最值得注意的动向，是它已下沉至社区医院使用。基层皮肤科的痛点很直接：全科医生缺皮肤科的鉴别经验，患者皮疹问题量大面广，转诊单和误诊率常年居高不下。

专病大模型补的正是这一段：社区医生接诊时，模型提供接近专科水平的报告解读和用药参考，等于把三甲专科的"经验底座"远程租借给了基层。这比"把患者往上转"更高效，也比"让专科医生下沉坐诊"更可复制——医生的时间不可复制，模型的推理能力可以。

M×N矩阵：野心与边界

中日友好医院为樱智规划的终局是一个"M×N"矩阵：N个专病模型覆盖皮肤、呼吸、免疫、心脏等多科室，M个智能体覆盖助诊、助研、助教、助管等应用场景，交叉组合成一个医院的AI能力底座。

规划的逻辑成立：专病模型的技术路径一旦在皮肤科跑通，数据治理、可信空间、产品化、下沉渠道都可以复用到下一个科室。但边界同样清楚——每个新科室都意味着新一轮数据积累、标注和验证周期，"皮肤科的今天"未必能立刻复制成"心脏科的明天"。M×N矩阵的真正约束，不是算力，而是每个科室的数据成色和验证耐心。

对观察者而言，樱智给出的最有价值的样本是：一个专病大模型从数据底座、幻觉控制到基层落地的完整链路都已闭环。接下来行业要看的，是这条链路在第二个、第三个专科上的复现速度。

---

原文链接：190万条皮肤病数据练成的"樱智"下沉社区：中日友好医院分享皮肤AI大模型落地经验

千方医数集编辑部 出品