数智之说念

刘劲、段磊、李嘉欣/文

近日，国度卫生健康委办公厅等五部门发布《对于促进和表率“东说念主工智能+医疗卫生”应用发展的实施意见》，提议“东说念主工智能+医疗卫生”发展的时期表：到2030年，下层诊疗智能援助应用基本罢了全掩盖，推进罢了二级以上病院广漠开展医学影像智能援助会诊、临床诊疗智能援助有筹备等东说念主工智能本事应用，“东说念主工智能+医疗卫生”应用范例表率体系基本完善，建成一批民众起初的科技创新和东说念主才培养基地。

面前，中国的医疗影像智能化成立如实正在提速，捏行医学影像智能会诊业绩，为擢升下层医疗业绩才略提供新旅途。

医疗影像（X光片、CT、MRI、超声等）指哄骗多样成像本事，将东说念主体里面的结构或组织以可视化的容貌呈现出来，对疾病的会诊、调治和监测起到紧要的作用。

由于医疗影像的数字化起步较早，数据结构相对范例化，便于蓄意机视觉处理，早在90年代，业界便驱动尝试将医疗影像与蓄意机援助会诊相聚首；其后，以卷积神经会聚（CNN）为代表的深度学习本事在图像识别领域取得巨大突破。自2017年傍边起，AI本事与医疗影像的盘问、临床考验和实质应用驱动快速发展，成为AI本事在各行业中最早罢了限制化落地的场景之一。

伸开剩余87%

咫尺，AI医疗影像产业的援助会诊本事已较为锻练，步入实质落地应用阶段，头部三甲病院简直都引入了AI医疗影像居品。

AI为医疗影像的价值

AI本事已为医疗影像领域带来巨大价值。

我国影像科医师严重短缺，尤其是在坚苦的三级病院。根据咱们的访谈，三级病院每位影像科医诞辰均需出具80—100份CT陈诉、60—80份磁共振陈诉或120—150个超声检查，超负荷职责现象广漠。

在传统模式下，医师需审阅多数影像图片，从中找出并标注病灶的大小、形态、位置，再聚首多方信息完成一份会诊，频频耗时近30分钟。而在AI援助下，病灶识别和定量标注等耗时容貌被大幅自动化，统统这个词会诊经过可缩小至5—10分钟，显赫擢升了医师的职责效果，尤其缓解了职责早已过饱和的三级病院医师的压力。

AI的应用已浸透到影像科多个主流检查格式中，如胸肺部的肺结节与肺炎识别、骨科的骨折检测与骨龄分析，以及乳腺的病灶援助检测等；在放疗、手术等调治场景中也得到平方应用。在影像检查格式中，AI的中枢作用在于自动识别并标注病灶，援助医师会诊，其识别准确率广漠高达95%以上。在放疗的影像援助上，基于AI的放疗靶区勾勒、剂量蓄意和自妥当放疗操办等，梗概将几小时的医师调治操办制定压缩至几分钟内完成；在外科手术中，用AI医疗影像本事援助医师制定手术操办，以及在术顶用定位和导航援助实施手术也有了可以的进展。

恰是基于这种“又快又准”的价值，许多病院驱动引入AI医疗影像居品，非常是在三级病院的影像科已罢了相比限制化的应用。粗俗估算，宇宙三级病院总共约有14万名影像科医师，平均工资约19万元，保守假定AI能为其量入制出一半职责时期，表面上每年可创造高达130多亿元的价值。

生意化逆境

关联词，巨大的价值创造并未滚动为相应的生意答复。根据咱们的测算，2020年至2024年统统这个词行业的累计生意收入不及30亿元，平均每家病院终生使用一款AI医疗影像居品仅需40万元，且多为一次性的软件买断模式，后续业绩收费乏力。行业堕入“叫好不叫座”的生意化逆境，企业拿获的价值远低于其创造的价值。

主要原因是现阶段用于援助的AI医疗影像居品本事门槛相对较低，同质化竞争强烈。

频频，使用几千例标注的医疗影像教练一组串联的“小模子”即可罢了援助功能，本事门槛和研发老本低，导致入局者繁密。禁止2025年，已有100余款AI医疗影像居品获批三类医疗器械注册证（NMPA），在“同台竞技”；单论胸肺一个场景，就独特坤、推思、深睿、联影、医准等十余家企业竞争。

强烈的竞争迫使厂商纷纷接纳“免费试用”策略霸占病院进口，最终将统统这个词行业拖入囚徒逆境：只消一家免费，统统东说念主都被动跟进；而当病院风气免费模式后，任何一家率先收费的厂商都可能被立即替换，导致市集份额丧失。

此外，病院的经费国法也导致AI医疗影像居品可销售市集进一步收窄。由于现阶段AI居品的功能还停留在援助会诊阶段，未提供超出医师水平的增量功能，医保和患者穷乏付费使用AI的能源，主要靠院方致使科室的经费购买AI医疗影像居品。

关联词，除头部三甲病院外，其他病院梗概用于购买软件的经费金额很有限，不少三乙和二级病院全年检查收入在百万量级，许多影像科自身处于亏空景象，即使是购买刚需的、售价在几十到百万元的CT硬件开导都经费吃紧，更无用提职守非刚需的数十万元的软件用度，导致AI影像居品的市集天花板被进一步压缩。

强烈竞争下，现存AI医疗影像企业盈利终点坚苦。以AI眼底影像头部企业鹰瞳科技为例，2024年全年收入1.5亿元，但销售用度占近一半，探讨其他运营和财务用度，2024年亏空2.6亿元，盈利情况堪忧。大部分非头部企业的年收入仅在千万元量级，难以掩盖艰深的研发开支，长期依赖融资资金防守。这并非个案，而是同质化竞争下全行业困局的一个缩影。

“AI+医疗影像”的更大后劲

这种困局是可能被窜改的，这条件AI本事在医疗影像分析、疾病会诊、调治、监测等方面带来更大价值，也对应着更高的研发门槛和竞争壁垒。

咫尺，AI仍只可提供援助会诊价值，诊疗上的准确性仍存在不及。具体来说，在检查方面，咫尺AI在第一步“找出病灶”方面进展出色，致使比东说念主类更全面（漏检率低）；但在第二步“判断疾病良恶性质”上的进展还不够令东说念主舒心（误诊率高于优秀东说念主类医师）。在调治（化疗和手术等）援助方面，AI援助可大幅提高医师的准备效果，但操办仍需医师进行东说念主工检查、复核才能确保质地；在术中可起到定位和导航的援助作用，但调治的实檀越体仍是医师。这使得即便莫得监管国法，其才略上限暂时只可行动医师的提效助手，难以取代医师。

要进一步擢升其价值，需要更强的基础模子才略。咫尺医疗影像领域生意化模子依然以卷积神经会聚（CNN）为主，其上风是对局部细节特征捕捉较好，但自然穷乏全局视线，“见木不见林”，容易对复杂的疾病影像产生误判。比如，在一张全身PET—CT扫描中，判断一个骨骼上的可疑窦是原发性骨肿瘤照旧肺癌的骨迂回，需要将骨骼病灶和辽阔的肺部信息相关起来，这种才略所以CNN为基础模子的AI所不具备的，优秀的医师彰着可以作念到。此外，CNN对三维影像的融会才略也相比弱。

业界已坚定到引入Transformer可大幅擢升AI医疗影像才略的上限。Transformer最初为当然话语处理（NLP）而生，是近两年疾速发展的谎话语模子的底层基础，其中枢兵器是炫耀观点机制（Self-Attention），擅长全局结构和长距离依赖的分析，这正巧能弥补CNN的短板。

在上述案例中，骨骼上的可疑窦可通过重观点机制，径直与辽阔的肺部结节成就强相关，从而为“肺癌骨迂回”这一会诊提供强有劲的左证。这种擢升让AI从“援助会诊”向“寂寞会诊”更进一步。

除了影像分析自身的上限擢升，引入Transformer有望令AI从影像切入，但不啻于影像，而是跃升为处理多维度医疗信息的临床空洞大模子，这个上限由Transformer的多模态才略掀开。

表面上，通过Transformer处理多模态数据的才略，咱们可以把一个病东说念主的影像数据（CT、MRI、X光、病理切片）、文本数据（病史、主诉、既往检查陈诉）、检查数据（血液、尿液）、时序数据（心电图、脑电图）、组学数据（基因、卵白质组）都给到AI，将AI从“单兵作战”（纯影像）推向“全域有筹备”，它龙套了不同医疗数据形态之间的壁垒，为构建一个掩盖从筛查、会诊、手术操办到术后随访全经过的真是的、空洞性的临床诊疗大模子铺平了说念路，罢了会诊、调治与管束容貌的协同。

难点和契机在于数据

从基于CNN到基于Transformer的AI医疗影像范式迂回，从单一模态的影像援助分析到多模态的空洞诊疗模子调遣旅途似乎是廓清而令东说念主饱读吹的。学术界比年如实有多数基于Vi－sionTransformer（ViT）、SwinTrans－former、CNN-Transformer搀和的论文在RSNA、MICCAI等顶级会议上发表，任务涵盖肿瘤检测、器官分割、病灶分类、跨模态检索等，在许多基准测试中也取得了杰出CNN模子的得益。

但盘问热度与生意落地之间存在巨大领域，还很少有基于Transformer的得手AI医疗影像应用出现，更无用说多模态空洞诊疗模子。

这里面有许多原因，包括医疗领域自然的保守和风险厌恶属性，对新本事的审批条件严苛，CNN援助会诊软件已有 FDA、NMPA批准的案例，而Transformer多模态模子属于更复杂、更不透明的模子，评释性更弱，更痛心审。何况，以Transformer为基础的本事阶梯还在快速迭代中，企业对参加长周期认证一个“可能逾期”的架构会心存疑虑。蓄意老本与部署挑战，Transformer模子频频参数目更大，蓄意复杂度更高，尤其是在处理高永别率3D医疗影像时，对GPU蓄意和存储才略的条件极高；病院的IT系统广阔而复杂（PACS、RIS、EMR等），Transformer模子的复杂性可能导致集成更坚苦。此外，大部分厂商和病院还是围绕CNN构建了器具、东说念主才、适配等生态，生态颠覆需要饱胀大的价值擢升才能推进各方下定决心调遣。

但在巨大的后劲面前，长期看算力、生态、监管都并非最大的挑战，因为它们可以通过本事杰出、市集演化和战术调整来处治。咱们觉得，阻截AI医疗影像上前发展的最大、最焦灼的挑战是数据，最大的机遇也贮蓄在数据之中。

VisionTransformer要是从新教练，需要百万到千万级的图像数据，在医疗领域的微调一般也需要十万到百万级的标注数据，这比咫尺主流商用医疗影像模子的教练限制大了几个数目级。而医疗数据触及个东说念主健康信息，受HIPAA（好意思国）、GDPR（欧盟）、中国个东说念主信息保护法等严格法例的保护，数据分享和流畅受到极大国法，这瞄准备教练数据带来了巨大挑战。

许多种疾病的可得数据还要小于这个量级，比如葡萄膜玄色素瘤每年民众病例几万例，有些荒僻病更是只好几百上千例。即便对于大病种，如肺癌每年民众发病几百万例，获取大限制高质地的标注数据也很坚苦。如何得到繁密医疗机构的容或拿到影像数据，如何克服不同开导由于扫描公约、参数、重建算法各异等带来的数据繁芜，如何处治由于医师训戒各异带来标注质地散乱不王人，这些数据问题都对新本事的应用带来巨大的挑战。

多模态数据和会的好意思好愿景，又令数据问题的难度指数级高潮。

起初，多模态模子教练不仅条件标注好的影像数据，还条件采集和处理多维度的数据：病理的标注、临床数据的整理、基因数据的注目等，新增巨大的职责量。而不同模态的数据对王人是更复杂的挑战，将这些来自不同时间、不同着手的数据进行精准对王人和配对，这无疑是一项强大的数据工程。

医疗影像是东说念主工智能较早赋能的领域，带来了很大的价值。但咫尺，“数据墙”成为阻截东说念主工智能在医疗影像乃至空洞诊疗方面阐述更大价值的中枢瓶颈。因此，梗概在医疗数据的采集、治理、范例化、标注、秘籍保护和高效哄骗方面成就中枢才略的企业，将有望构建最深的护城河，引颈下一代医疗AI的发展。

从全局来看，数据问题起初是一个本事问题，可以通过以下门路缓解：发展自监督学习减少对标注数据的依赖；部署联邦学习，在数据不出机构的前提下，多个机构共同教练一个模子，削弱数据孤岛国法；探索以合成数据贬抑荒僻病数据不及的困扰等。

数据问题又远不仅仅本事问题，触及到组织合作、利益博弈、信任机制、法律合规，在非本事的层面最紧要的是瞎想或酿成一种灵验的合作机制，让数据流动起来阐述AI模子教练的价值。

逻辑上有两种门路：一是通过市集化的格式，二是通过从上至下的轨制瞎想。哪种格式更好，还要通过更多的盘问搞明晰。但中国可能在第二种格式上有轨制上风，咱们可以探索通过轨制瞎想，更高效地处治医疗领域的数据问题，从而令中国引颈AI医疗的发展。

数据问题不单存在于医疗影像领域，厘清并处治医疗影像领域的数据难题，不仅能推进医疗AI自身的立异性发展，也将为AI赋能其他九行八业提供珍藏的训戒和范本。

（刘劲系大湾区东说念主工智能应用盘问院理事、特聘民众，长江商学院管帐与金融学讲授火星电竞CHINA，段磊系大湾区东说念主工智能应用盘问院盘问总监，李嘉欣系大湾区东说念主工智能应用盘问院盘问员）

发布于：北京市