DeepSeek能否变革中低收入国家医疗？公平性、治理与部署策略分析

《The Innovation》：Can DeepSeek transform healthcare in low- and middle-income countries? Equity, governance, and deployment strategies

为解决大型语言模型(LLM)在中低收入国家(LMICs)医疗领域应用的系统性障碍，研究人员开展了DeepSeek在医疗健康领域应用的公平性、治理和部署策略研究。结果表明，DeepSeek-R1在治疗推荐准确性(Likert平均评分:4.48 vs 4.70,p=0.1522)和诊断任务中表现与GPT-4o相当，且具有开源透明、经济可及和本地化部署三大优势，但需配套基础设施和政策支持才能避免加剧医疗不平等。

　　

在全球人工智能浪潮席卷医疗领域的背景下，大型语言模型(LLM)为改善中低收入国家(LMICs)的医疗不平等带来了新的希望。然而，现实情况却令人担忧——尽管AI驱动的临床工具取得了显著进展，但这些创新大多局限于高资源环境。LMICs仍然面临着系统性障碍：碎片化的数字基础设施、持续的临床医生短缺、数据稀缺以及严重的预算限制。这种技术应用的"南北差距"正在加剧全球医疗资源分布的不平等。

正是在这样的背景下，一篇发表在《The Innovation》期刊上的评论性文章引发了广泛关注。该研究深入探讨了DeepSeek这一开源大型语言模型在LMICs医疗领域应用的潜力与挑战。研究表明，DeepSeek-R1在125例临床评估中，其治疗推荐准确性(Likert平均评分:4.48 vs 4.70,p=0.1522)与GPT-4o相当，并显著优于Gemini-2.0 Flash(p=0.0235)，在各种诊断任务中也表现出与GPT-4o相媲美的性能，这为其作为成本效益高且临床能力强的替代方案提供了实证支持。

研究人员主要采用了多维度比较分析法，通过对DeepSeek与主流商业LLM的性能基准测试，结合中国医疗机构的实际部署数据（收集517家已完成部署机构的官方信息），从技术可行性、经济可及性和政策环境三个层面进行了深入分析。研究还借鉴了Johnson等人提出的公平AI治理三阶段模型：(1)包容性模型开发；(2)工作流集成测试；(3)迭代式部署后监测。

透明度与可解释性

DeepSeek的开源架构提供了全面的可视性，使模型权重、数据流和决策路径完全透明。这种可审计性对于监管机构、临床医生和学术机构至关重要，有助于将AI输出与国家临床指南和伦理框架对齐。与专有LLM的不透明性形成鲜明对比，DeepSeek支持模型微调并通过验证建立信任。然而，在监管生态系统尚不完善的LMICs，透明度的优势可能因缺乏明确的AI监督法律、技术和伦理指南而受限。

经济可及性

商业LLM的成本（主要由基于云的推理费用驱动）对LMICs而言难以承受。相比之下，DeepSeek可以在本地服务器或国家云平台上部署，减少经常性支出，并使国家能够保留对敏感健康数据的控制权。这进一步支持了财政可持续性和数据主权。但本地部署需要基础数字基础设施，而LMICs的许多农村和基层医疗机构仍缺乏可靠的互联网连接、充足的电力供应和网络安全保障。

政策环境与治理

除了性能和可负担性考虑外，更广泛政策环境的变化显著影响AI部署结果。中国医疗机构的DeepSeek本地化部署热潮就得益于近期政策支持。此前，中国禁止医疗机构部署非开源LLM的政策极大地限制了其使用。许多LMICs在碎片化的数字治理生态系统中运作，其特征是采购程序不一致、数据保护法薄弱和监管不确定性。因此在LMICs推广DeepSeek不仅需要技术本地化，还需要投资于政策支持、治理机制、临床能力建设和部署后监测。

中国部署实践的现实镜像

截至2025年5月3日，基于特定医疗机构发布的官方信息，约有517家机构完成部署并开始使用DeepSeek。分布数据显示，DeepSeek主要部署在城市三级医院（东部178家、中部91家、西部156家），而二级医院和初级中心部署较少，这种分布趋势可能导致城乡差距进一步扩大。虽然本地化部署有助于缓解云数据泄露的担忧，但将数据安全责任转移到了医院身上，而许多医院缺乏必要的网络安全基础设施。

为应对这些挑战，北京卫生法研究会和中国生物医学工程学会于2025年3月29日发布了《DeepSeek部署专家共识》，概述了安全合规AI实施的最佳实践，强调技术评估、员工培训和迭代治理机制的必要性。没有这些，部署可能变成象征性的：技术令人印象深刻但操作上不可持续。

健康公平不能仅通过技术进步实现。在LMICs，紧迫的健康优先事项——如孕产妇健康、慢性病管理和传染病控制——需要有针对性的解决方案。部署全功能LLM而不根据当地需求进行调整会带来"特征漂移"和资源错配的风险。为避免自动化偏见和促进负责任使用，每个部署都必须配备培训模块。临床医生不仅要解释AI输出，还要质疑它们。

DeepSeek本地化部署的一个主要限制是更新周期和技术演进将远低于商业LLM。不同频率的技术迭代是否也会导致健康不平等，需要未来更多的研究证据来回答。

LMICs在医疗保健中采用LLM已不再是问题，问题在于这些模型将如何整合。DeepSeek为弥合全球健康公平差距提供了独特机会。但其成功较少取决于它能做什么，而更多取决于它如何、在哪里以及由谁使用。作为一种开放和主权数字创新的新范式，DeepSeek有潜力实现AI访问的民主化——前提是其部署是公平驱动、基础设施意识且政策对齐的。