报告的核心结论数据密度很高，且都指向同一个判断：AI 已深度嵌入临床日常工作。近 80% 的医生已在工作中使用 AI，使用覆盖面处于较高水平；约 75% 的医生每天都会使用 AI，已形成一定的工作习惯；超过 70% 的医生认可 AI 价值，对其带来的影响整体持积极乐观态度。横向国际对比提供了参照系——美国 AMA 2026 年 3 月的调研显示美国医生使用率为 81%，中国为 79%，两者已相当接近。分年龄段看，中国医生的使用率分布呈现一个值得注意的特征：<25 岁 81%、25 至 34 岁 80%、35 至 44 岁 81%、45 至 54 岁 74%、55 至 64 岁 72%、65 至 75 岁 81%。中青年与高龄两端均处高位、45 至 64 岁的“骨干层”反而略低，这一分布与通常“越年轻越接受新技术”的直觉并不完全一致，可能与该年龄段临床与管理负荷最重、时间最少有关。

报告的样本结构决定了结论的代表性。本次调研采用线上问卷形式，通过丁香园平台开展，调研时间为 2026 年 4 月，累计样本数 4,150。机构分布上，三级医院占 45%、二级医院 35%、一级医院 9%、未定级 12%——三级与二级医院合计占八成，覆盖了中国医疗体系的核心诊疗力量。科室分布以内科为最大群体（36%，含心血管、内分泌、呼吸、神经、肾脏、消化、风湿等），其后是外科 17%、儿科 6%、急诊/重症 6%、影像/病理/检验 5%、全科 5%、肿瘤科 4%、中医科 4%、妇产科 4%、皮肤科 2%、精神心理科 2%。职业与职称结构上，医生占 86%、护士 5%、药师 4%、医技人员 2%；职称以中级（44%）和初级（29%）为主；医院管理人员占 23%。城市层级覆盖一线（5%）到四线及以下，结构完整。

报告对应用场景的分析，呈现出医生使用 AI 的清晰分层。了解度和使用率较高的场景集中在三类：临床决策、辅助诊断和讲课内容制作；而病历生成、患者管理、医保服务等场景使用率相对居中，报告判断这些领域的应用程度仍有提升空间。这一分布背后有合理的解释——临床决策与辅助诊断属于知识密集型任务，与人语言模型擅长的信息整合、文献检索、鉴别诊断提示高度契合；讲课内容制作则属于文本生成类任务，门槛低、见效快。相比之下，病历生成涉及院内系统集成与规范约束，患者管理与医保服务涉及流程、规则与隐私，都需要更深度的系统对接，因此推进相对滞后。报告的这一场景排序，实际上给医疗 AI 的产品方指出了两个方向：先把知识密集型场景做透，再啃流程集成类场景。

报告发现了一个颇具洞察力的结构性现象：通用型 AI 与专业医疗 AI 正在形成明确分工。通用型 AI 更多用于科研辅助、讲课内容制作等泛工作流场景——这类场景对专业准确性的要求相对宽松，更看重文本组织与信息整合能力，因此通用大模型已经足够好用。专业医疗 AI 则在患者管理、医保服务、医院管理等依赖流程、规则和系统集成的场景中更具优势——这些场景需要与院内 HIS、医保结算等系统打通，涉及结构化数据与合规要求，通用工具难以胜任。这一分工格局对产业的启示是：通用大模型的进步不会自动替代专业医疗 AI，后者的价值锚点在于系统集成与流程嵌入，而非单纯的语言能力。报告据此也提示，医疗机构在选型时应当按场景分型，而非追求单一工具的全面覆盖。

报告的最后一组结论指向科室差异：肿瘤科与影像/病理/检验科的 AI 应用相对更高。报告给出了两点解释。肿瘤科在临床决策、病历生成和患者管理中 AI 应用相对更高，或与肿瘤诊疗周期长、方案复杂、随访管理需求较高有关——这类工作的高信息密度与长周期管理特征，恰好是大模型擅长处理的问题。影像/病理/检验科的 AI 应用则更集中于辅助诊断，反映 AI 与医技诊断流程适配度较高，这与影像 AI 多年来在医疗领域的成熟积累一脉相承。另一条与职称相关的发现同样值得注意：高职称医生对 AI 效率提升、信息多元化、减少重复工作的价值感知更强，同时他们也更能识别其信息缺乏个体化、输出准确性不足等局限——也就是说，经验越丰富的医生，对 AI 的评价越接近“既看到能力也看到边界”的成熟状态。