《國務院關于深入實施“人工智能 +”行動的意見》一發布，就成了街談巷議的焦點，引爆國內的AI市場。不少人就好奇，這個意見跟普通人有關系嗎？人工智能+怎樣讓每一個普通人都切切實實地受益呢？

我們注意到，在 “人工智能 + 民生福祉” 板塊中，明確提出要靠AI打造更有品質的美好生活，有序推動人工智能在輔助診療、健康管理、醫保服務等場景的應用。

健康醫療，與每一個人都息息相關。而“人工智能+醫療”這一政策導向，正在醫療一線涌現出生動的實踐。

就在近日，中山大學腫瘤防治中心（下稱 “中山腫瘤”）做到了一件了不起的事情：給鼻咽癌患者調整一次精準放療計劃，從過去幾天的時間縮短到了20.8分鐘。這是什么概念？患者接受放療時，腫瘤每天都在發生細微變化，若依據 3 天前的影像制定方案，正常組織很可能被誤照。過去調整一次治療計劃，需醫生、物理師、計劃師輾轉完成 5 個步驟，全程要折騰 3 到 5 天，等方案最終確定時，腫瘤位置或許已經變了。

如今，中山腫瘤借助 AI 打通全流程，醫護團隊每天只需 20 多分鐘，就能為患者量身定制最貼合當下病情的治療方案。這不僅是效率的飛躍，更實實在在幫患者少受傷害。在這場與生命賽跑的征程中，大數據與 AI 成為精準診療的加速引擎。為何中山腫瘤能將 AI 如此高效地應用于臨床？這背后離不開堅實的基礎設施支撐。中山腫瘤以華為OceanStor Pacific全閃分布式存儲+DME Omni-Dataverse統一數據空間為基礎，搭建起了融合醫療 AI 數據湖，觸碰深藏診療價值的 “數據冰山”。

想了解“人工智能+”如何造福民生？我們不妨一同探尋數據冰山下涌動的生命之火。

世界衛生組織2022年數據顯示，我國每年腫瘤新發患者已高達482萬。而來自疾控機構和臨床一線的數據顯示，截至2023年我國癌癥患者5年相對生存率約為40.5%。

同一種病、同樣的治療方案，為什么不同患者的效果會天差地別？因為人體是個復雜的系統，基因、免疫狀態、生活習慣等多重變量相互影響，要破譯每個人的生命密碼，并不容易。

因此，“同病異治” 既是傳統醫學的理想追求，也是現代精準醫療的目標。但這一目標的實現，始終面臨一個關鍵難題：數據。

傳統的手術切除、放療、化療等治療手段，著眼的只是疾病的 “可見部分”，就像海面上的冰山一角。而真正影響治療效果的核心因素，其實是潛藏在海面之下的海量生命數據。

中山大學腫瘤防治中心副院長孫穎教授說得很實在：讓患者做大量檢查，不是為了折磨人，而是只有從內鏡、病理、影像、組學全維度數據中，對腫瘤有個精準判斷，治療才能有的放矢。單張病理切片超過1.5GB，做一次CT要拍上千張圖，加上基因檢測、每次復診的記錄，十幾年下來，一個患者就能攢出成百上千GB的數據，這么多數據，剛好能讓AI派上用場。

從個體特有的基因變異、動態變化的免疫狀態，到復雜的分子生物學改變，這些海量個人健康數據，是決定治療效果的關鍵，更是精準醫療、智慧醫療的前提。像鼻咽癌這類數據密集型疾病，正是精準醫學與智慧醫療的最佳試驗場。

但過去，受限于技術局限，這些數據一直沒能被深入挖掘，這也是 “同病同治不同效” 的重要原因。

到底是什么束縛了數據在醫療場景的高效應用呢？我們來一探究竟。

中山大學腫瘤防治中心歷時10多年的數字化建設，完成了從有紙化向無紙化的轉型，病理玻片沿著 "信息化-數字化-平臺化" 的演進路徑持續發展。

如今，在中山腫瘤門診時，過去需翻閱厚厚一摞紙質病歷，如今通過時間軸功能，像全景圖一樣，醫生一眼就能看清患者二三十年開在本院的完整診療軌跡。

數據越來越多，對診療判斷來說是件好事，卻也對醫院的數字基礎設施提出了嚴峻考驗：

首要問題是放不下。以前沒有大數據平臺支撐時，臨床工作雖然也能開展，但過程極為繁瑣。醫生需在10個不同系統間反復切換，點擊多次，才能完整調取患者診療數據。加上中山腫瘤的日均接診量大，數據資源呈指數級增長，每位患者的醫療影像、檢驗報告等資料往往形成上千個碎片化文件。面對如此量級的數據洪流，傳統存儲架構明顯力不從心。

其次是跑不快。孫穎教授提到，數字化之后，醫生最怕卡。以前看病理波片是用光學顯微鏡，醫生扭旋鈕就能10倍、40倍的輕松放大，數字化以后，病理切片一張就有1.5GB，加載時如果總轉圈，速度跟不上，醫生手一動畫面全是格子，就會嚴重拖慢工作節奏。

不難看到，要讓更多患者受益，必須得釋放數據價值，讓數據放得下、讀得快、傳得穩。唯有如此，才能借助 AI 技術深度挖掘數據背后的關鍵信息，為患者量身定制個性化診療方案。

歷經十五年，中山腫瘤已完成了信息化、數字化建設，那么下一步的目標就是整合匯聚數據資源，通過高性能存儲，構建大數據與AI雙平臺，為精準醫療發展筑牢數據根基。

構建了大數據和AI雙平臺之后，中山腫瘤喚醒了沉睡的數據冰山，智能化水平也大幅飛躍。

就說看片子這件事，以前醫生圍著一套影像忙前忙后，現在AI自動標出可疑病灶，大幅提高工作效率。AI還能幫醫生智能生成病歷，中山腫瘤把DeepSeek嵌在工作站里，節省 60% 的寫病歷時間。醫院還建了不少智能體，能回答患者像 “手術后吃什么” 這類簡單問題。這樣一來，醫生從機械勞動中解放出來，能有更多時間和患者聊專業問題；醫生有更多時間看片子、交流病情，患者就診體驗也更好了。

這些智能化帶來的改變，都離不開數據基礎設施，那就是中山腫瘤以華為OceanStor Pacific全閃分布式存儲+DME Omni-Dataverse為基礎構建大數據和AI平臺，落地的融合醫療AI數據湖建設方案。

為什么這套方案能把數據冰山的潛能，給釋放出來呢？

先說說最讓醫生頭疼的卡頓問題。靠OceanStor Pacific全閃分布式存儲和DPC分布式并行客戶端，就像把小水管換成大口徑管道，多個存儲節點并行傳輸，讓調病理切片能 “一秒千片”，看 CT 影像能 “一秒千張”，醫生想翻多快都行。

這套存儲還特別省空間。中山腫瘤每年要產生超 1PB的 數據，醫療數據越存越多，要是用傳統存儲，機房得堆滿柜子。但OceanStor Pacific有兩個辦法：一是高密硬件設計+30.72TB大容量 SSD盤，一個機柜能裝下傳統設備3倍的數據；二是無損數據壓縮技術，針對數字化病理和PACS影像等不同場景智能選取最佳的壓縮策略，不影響診斷精度還能省空間。

再說說數據共享難的問題，這就得靠DME Omni-Dataverse統一數據空間。為中山腫瘤三院區的數據搭了個統一空間，改變各院自存、調不到、調得慢等局面。

具體來說，DME Omni-Dataverse支持全局可視，統一存儲資源池匯總了各個院區數據。支持跨院直連，數據不用搬家，通過統一鏈路直接訪問，既省時間又保安全。支持智能歸檔和實時訪問分院數據會自動匯總到中心歸檔，這樣跨區協作時，調閱數據不用人工跑腿，也不用長時間等待，工作效率高了不少。此外，這一空間還支持數據不出域、可用不可見，讓敏感數據始終待在安全區域，既解決了共享效率問題，又守住了合規底線。

可以看到，在中山腫瘤探索平臺化、智能化過程中，融合醫療AI數據湖建設方案扎扎實實地解決了基礎設施問題，相當于給數字系統打了個好地基。有了這個地基，大數據和AI 雙平臺才能跑起來，支撐腫瘤專科醫院的一院多區高質量發展。

“有時去治愈，常常去幫助，總是去安慰”， 這句流傳百年的醫療箴言，道出了大家對看病的樸素期待，也是醫療的人文初心。而中山大學腫瘤防治中心的智能化實踐，正讓這種有溫度的醫療，從理想變成了現實。

這一目標的前提，就是對數據這座龐大冰山的深入挖掘。

有了以高性能存儲作為統一數據湖構建的大數據和AI雙平臺，醫生不用再為讀圖卡頓、切換系統而浪費時間，能騰出更多功夫跟患者聊病情，緩解求診者的顧慮，真正做到“總是去安慰”。

而對于患者來說，幫助也是實實在在的。AI數據湖把病理切片、影像、基因這些分散的數據聚在一起，數據多跑腿，醫生點開屏幕就能看到完整治療記錄，不用患者自己抱著一沓片子跑斷腿，治療方案也能更精準。

更重要的是，有了大數據和AI的助力，有望增加治愈的幾率。孫穎教授分享，發生率只有0.01%的罕見腫瘤，過去一個醫生一輩子可能也就碰到1~2例。但現在，有了大數據支撐，從上千萬的病歷里，一下子找出了幾百個相似病例。醫生通過分析這些病例的規律，就能探索出更有效的治療方案，或許以前無法治愈的疾病，就有了新的希望。

中山腫瘤從信息化起步，歷經數十年，逐步邁向數字化、平臺化，最終突破了數據整合與應用的壁壘，實現智能化飛躍。這條數智化征程中，全閃分布式存儲猶如一艘堅實的生命方舟，穩穩托舉著每一份CT影像、每一頁病理報告、每一組基因序列。

曾散落在各院區的數據，如今在AI數據湖里奔涌著、流動著，化作守護生命的希望之火。這，就是科技最動人的溫度。