10月25日下午，由中国计算机学会（CCF）主办，CCF YOCSEF杭州与CCF数字医学分会承办的技术论坛“智能协同进化：大小模型如何驱动数字医学与生命科学的融合跃迁？”在黑龙江省哈尔滨市举行的中国计算机大会（CNCC）上成功举办。

    论坛由CCF数字医学分会秘书长、鹏城实验室副研究员张彤和CCF YOCSEF杭州AC委员、CCF数字医学分会副秘书长、浙江大学研究员刘佐珠共同担任执行主席。论坛邀请了复旦大学宋志坚教授、首都医学大学何怡华教授/主任医师、西北工业大学尚学群教授、中国科学院深圳先进技术研究院李志成研究员、南京大学李武军教授五位领域内杰出学者做主题报告，并邀请浙江大学吴健教授、哈尔滨工业大学邬向前教授等专家学者参与圆桌思辨。

    论坛吸引了来自全国高校、科研院所、医疗机构与科技企业的六十余位代表参会。与会者围绕大小模型协同技术在数字医学与生命科学中的前沿应用、挑战与未来路径展开了热烈讨论。

论坛现场

    当前，生成式AI正以前所未有的速度重塑生命科学与医学的边界。当通用大模型展现强大认知与泛化能力的同时，垂直小模型以精准、高效与低成本的特性深入科研与临床一线。二者的协同演化，被视为破解生命复杂性、推动医学从实验室走向临床的关键引擎。然而，在从技术概念到临床落地的过程中，如何界定模型边界、实现有效协同、保障安全可信，仍存在诸多亟待跨越的鸿沟。本次论坛旨在搭建一个“产学研医”深度对话的平台，共同探索智能协同驱动医学跃迁的有效路径。

引导发言

一、Multi-LLM背景下的基础研究与精准诊疗

    宋志坚系统阐述了多模态大模型（Multi-LLM）对科学研究，尤其是医学基础研究范式带来的革命性冲击。他指出，这种新范式能够从海量数据中提取底层知识，推断潜在科学原理。宋教授介绍了其团队在可解释性Multi-LLMs方面的研究进展，并结合具体实例，展示了该范式在探索疾病机制与内在规律中的应用潜力。他强调，Multi-LLM不仅是一种工具，更是一种新的科研方法论，正深刻地改变着我们对生命复杂性的认知方式和精准诊疗的实现路径。

宋志坚做引导发言

二、心脏专病诊断大模型及智能体研发

    何怡华分享了其团队在心血管专病大模型领域的突破性实践。她指出，心血管疾病防治已进入智能化时代，但基层诊断能力不均、复杂病例诊断困难仍是核心痛点。何教授团队依托百万级高质量多模态数据库，研发了“安贞心宇”心血管专病超声诊断大模型。该模型具备专家级推理能力，在全年龄层心血管疾病诊断准确率上显著提升，尤其在复杂和罕见病例中优势明显。团队进一步开发了心脏超声智能报告系统、先心病胎儿智慧医疗智能体等三款产品，形成了从模型到应用的闭环，切实赋能基层医疗。

三、AI驱动的生物发现

    尚学群教授将视角聚焦于生命科学的最前沿——生物发现。她指出，生命系统本质上是多层次、高维度的网络结构，而图结构数据天然适用于表征生物实体间的复杂关联。尚教授团队利用图表示学习与预训练模型卓越的关系推理与结构化表征能力，正在深刻重塑疾病机制挖掘与新药发现的研究范式。她的报告重点探讨了如何利用跨尺度、多组学数据融合下的图学习技术，开发创新计算方法，以提升疾病风险基因识别与药物研发的精度与效率，为攻克复杂疾病提供了新的AI驱动力。

四、肿瘤跨尺度智能诊疗技术

    李志成研究员深入剖析了肿瘤这一复杂疾病的智能诊疗新路径。他指出，肿瘤影像-病理-基因多模态跨尺度智能分析是解析肿瘤复杂特性的有力工具。李志成研究员团队围绕脑胶质瘤分型和诊疗应用，提出了神经影像-病理形态-基因多组学融合解析的计算方法，不仅揭示了跨尺度关联机制，更发现了胶质瘤的新亚型和新靶点。这一工作为肿瘤研究开拓了多模态跨尺度融合诊疗的新途径，展现了AI在整合多源异构数据、推动精准医学方面的巨大潜力。

五、数智赋能医院高质量发展

    李武军教授从医院宏观管理与临床实践的视角，分享了数智技术赋能的落地成效。他基于在南京鼓楼医院的实践，介绍了团队自主研发的全院级大数据平台、专病数据库和AI大模型平台。这些技术创新已深度融入医院的临床诊疗、运营管理和患者服务中，实现了从科研创新到实际生产力的转化。李教授的报告生动证明了，数智技术不仅是前沿科研工具，更是驱动医院高质量发展、提升整体医疗服务效能的核心引擎。

执行主席为引导发言嘉宾颁发感谢牌

思辨环节

   在精彩的引导报告之后，与会嘉宾围绕五大核心议题展开了深入、激烈的思辨。

思辨环节

思辨议题一：在数字医学与生命科学AI应用领域，通用大模型、专用大模型与专用小模型的核心能力边界应如何界定？

    专家们认为，三者并非替代关系，而是协同共生。通用大模型强于常识认知、逻辑链推理和跨领域知识泛化，专用大模型在特定领域（如心血管、肿瘤）深度挖掘，具备专家级诊断推理能力，角色像主任医师。专用小模型则专注于具体、高频、对实时性要求高的任务，角色更像是实验技师。界定边界的关键在于明确任务场景对“知识广度”、“领域深度”和“执行效率”的需求权重。

思辨议题二：在临床诊断与治疗场景中，利用大模型架构时面临的关键挑战有哪些？

    与会嘉宾的共识性的挑战集中在三方面。1、可靠性挑战：医学容错率极低，模型输出的“幻觉”问题必须解决。2.数据挑战：高质量医学数据标注成本高、隐私保护要求严，且多模态数据标准不一。3.流程嵌入挑战：AI工具如何无缝、合规地嵌入现有临床工作流，而非增加医生负担，是落地成败的关键。

思辨议题三：以大模型为基座、搭配多Agent协同的技术架构，是否会成为未来主流应用趋势？

    与会嘉宾持肯定态度。他们认为，未来的诊疗生态很可能是一个“数字医院”或“虚拟诊疗中心”，其中，大模型作为调度中枢和知识引擎，而多个具备专项能力的Agent（如问诊Agent、影像分析Agent、手术规划Agent）协同工作。当通用大模型通过微调具备专用能力时，专家建议应保持其泛化核心优势，同时通过标准化接口与专用模型高效协同，形成良性发展模式。

思辨议题四：在要求“知识准确性”与“可解释性”的场景中，各类模型的责任该如何划分？

    与会嘉宾倡导建立“可追溯、可解释、权责清晰”的AI责任链。通用大模型对提供的基础知识、逻辑推理的合理性负责。专用大模型对领域内的诊断建议、推理路径的准确性和专业性负责。专用小模型对其执行的具体任务（如测量、分割）的精确度负责。与会嘉宾认为，可解释性是医学应用中不必可少的部分，应进一步融合循证医学依据，提高实际使用效能。

思辨议题五：如何在推动数据标准化的同时，实现模型与算法知识的安全高效流动？

    与会者呼吁，需构建“数据不出域、知识可流通”的新范式。联邦学习等机制可能在实际实施过程中存在巨大挑战，医生们分享数据的医院较低。需要在机制层面，由政府或权威机构牵头，建立国家级医学数据治理体系与标准，以及模型知识共享的激励机制与合规路径。同时，推动建立基于共识的医学AI开放社区，让大医院、大团队率先开展开源创新、开放共享的尝试，促进算法模型在安全保障下的协作与迭代。

    通过一个下午的热烈讨论与深度思辨，与会嘉宾不仅充分交流了智能协同技术在数字医学与生命科学领域的最新进展与成功经验，更精准剖析了当前面临的核心挑战与应对策略。大家一致认为，推动大小模型的协同进化，不仅是技术问题，更是涉及数据、标准、伦理和商业模式的系统工程。本次论坛形成的诸多共识与思路，将为所有致力于此的研究者、医生和产业同仁提供有价值的参考，共同推动数字医学向精准化、普惠化的未来稳步跃迁。