劉勁、段磊、李嘉欣/文

近日，國家衛生健康委辦公廳等五部門發布《關于促進和規范“人工智能+醫療衛生”應用發展的實施意見》，提出“人工智能+醫療衛生”發展的時間表：到2030年，基層診療智能輔助應用基本實現全覆蓋，推動實現二級以上醫院普遍開展醫學影像智能輔助診斷、臨床診療智能輔助決策等人工智能技術應用，“人工智能+醫療衛生”應用標準規范體系基本完善，建成一批全球領先的科技創新和人才培養基地。

當前，中國的醫療影像智能化建設確實正在提速，推廣醫學影像智能診斷服務，為提升基層醫療服務能力提供新路徑。

醫療影像（X光片、CT、MRI、超聲等）指利用各種成像技術，將人體內部的結構或組織以可視化的形式呈現出來，對疾病的診斷、治療和監測起到重要的作用。

由于醫療影像的數字化起步較早，數據結構相對標準化，便于計算機視覺處理，早在90年代，業界便開始嘗試將醫療影像與計算機輔助診斷相結合；后來，以卷積神經網絡（CNN）為代表的深度學習技術在圖像識別領域取得巨大突破。自2017年左右起，AI技術與醫療影像的研究、臨床試驗和實際應用開始快速發展，成為AI技術在各行業中最早實現規?；涞氐膱鼍爸?。

目前，AI醫療影像產業的輔助診斷技術已較為成熟，步入實際落地應用階段，頭部三甲醫院幾乎都引入了AI醫療影像產品。

AI為醫療影像的價值

AI技術已為醫療影像領域帶來巨大價值。

我國影像科醫師嚴重短缺，尤其是在繁忙的三級醫院。根據我們的訪談，三級醫院每位影像科醫生日均需出具80—100份CT報告、60—80份磁共振報告或120—150個超聲檢查，超負荷工作現象普遍。

在傳統模式下，醫生需審閱大量影像圖片，從中找出并標注病灶的大小、形態、位置，再結合多方信息完成一份診斷，通常耗時近30分鐘。而在AI輔助下，病灶識別和定量標注等耗時環節被大幅自動化，整個診斷流程可縮短至5—10分鐘，顯著提升了醫生的工作效率，尤其緩解了工作早已過飽和的三級醫院醫生的壓力。

AI的應用已滲透到影像科多個主流檢查項目中，如胸肺部的肺結節與肺炎識別、骨科的骨折檢測與骨齡分析，以及乳腺的病灶輔助檢測等；在放療、手術等治療場景中也得到廣泛應用。在影像檢查項目中，AI的核心作用在于自動識別并標注病灶，輔助醫生診斷，其識別準確率普遍高達95%以上。在放療的影像輔助上，基于AI的放療靶區勾畫、劑量計算和自適應放療計劃等，能夠將幾小時的醫生治療計劃制定壓縮至幾分鐘內完成；在外科手術中，用AI醫療影像技術輔助醫生制定手術計劃，以及在術中用定位和導航輔助實施手術也有了不錯的進展。

正是基于這種“又快又準”的價值，許多醫院開始引入AI醫療影像產品，特別是在三級醫院的影像科已實現比較規?；膽?。粗略估算，全國三級醫院合計約有14萬名影像科醫生，平均工資約19萬元，保守假設AI能為其節約一半工作時間，理論上每年可創造高達130多億元的價值。

商業化困境

然而，巨大的價值創造并未轉化為相應的商業回報。根據我們的測算，2020年至2024年整個行業的累計商業收入不足30億元，平均每家醫院終身使用一款AI醫療影像產品僅需40萬元，且多為一次性的軟件買斷模式，后續服務收費乏力。行業陷入“叫好不叫座”的商業化困境，企業捕獲的價值遠低于其創造的價值。

主要原因是現階段用于輔助的AI醫療影像產品技術門檻相對較低，同質化競爭激烈。

通常，使用幾千例標注的醫療影像訓練一組串聯的“小模型”即可實現輔助功能，技術門檻和研發成本低，導致入局者眾多。截至2025年，已有100余款AI醫療影像產品獲批三類醫療器械注冊證（NMPA），在“同臺競技”；單論胸肺一個場景，就有數坤、推想、深睿、聯影、醫準等十余家企業競爭。

激烈的競爭迫使廠商紛紛采用“免費試用”策略搶占醫院入口，最終將整個行業拖入囚徒困境：只要一家免費，所有人都被迫跟進；而當醫院習慣免費模式后，任何一家率先收費的廠商都可能被立即替換，導致市場份額喪失。

此外，醫院的經費限制也導致AI醫療影像產品可銷售市場進一步收窄。由于現階段AI產品的功能還停留在輔助診斷階段，未提供超出醫生水平的增量功能，醫保和患者缺乏付費使用AI的動力，主要靠院方甚至科室的經費購買AI醫療影像產品。

然而，除頭部三甲醫院外，其他醫院能夠用于購買軟件的經費金額很有限，不少三乙和二級醫院全年檢查收入在百萬量級，很多影像科自身處于虧損狀態，即使是購買剛需的、售價在幾十到百萬元的CT硬件設備都經費吃緊，更不用提負擔非剛需的數十萬元的軟件費用，導致AI影像產品的市場天花板被進一步壓縮。

激烈競爭下，現有AI醫療影像企業盈利十分困難。以AI眼底影像頭部企業鷹瞳科技為例，2024年全年收入1.5億元，但銷售費用占近一半，考慮其他運營和財務費用，2024年虧損2.6億元，盈利情況堪憂。大部分非頭部企業的年收入僅在千萬元量級，難以覆蓋高昂的研發開支，長期依賴融資資金維持。這并非個案，而是同質化競爭下全行業困局的一個縮影。

“AI+醫療影像”的更大潛力

這種困局是可能被改變的，這要求AI技術在醫療影像分析、疾病診斷、治療、監測等方面帶來更大價值，也對應著更高的研發門檻和競爭壁壘。

目前，AI仍只能提供輔助診斷價值，診療上的準確性仍存在不足。具體來說，在檢查方面，目前AI在第一步“找出病灶”方面表現出色，甚至比人類更全面（漏檢率低）；但在第二步“判斷疾病良惡性質”上的表現還不夠令人滿意（誤診率高于優秀人類醫生）。在治療（化療和手術等）輔助方面，AI輔助可大幅提高醫生的準備效率，但計劃仍需醫生進行人工檢查、復核才能確保質量；在術中可起到定位和導航的輔助作用，但治療的實施主體仍是醫生。這使得即便沒有監管限制，其能力上限暫時只能作為醫生的提效助手，難以取代醫生。

要進一步提升其價值，需要更強的基礎模型能力?，F在醫療影像領域商業化模型依然以卷積神經網絡（CNN）為主，其優勢是對局部細節特征捕捉較好，但天然缺乏全局視野，“見木不見林”，容易對復雜的疾病影像產生誤判。比如，在一張全身PET—CT掃描中，判斷一個骨骼上的可疑點是原發性骨腫瘤還是肺癌的骨轉移，需要將骨骼病灶和遠處的肺部信息關聯起來，這種能力是以CNN為基礎模型的AI所不具備的，優秀的醫生顯然可以做到。此外，CNN對三維影像的理解能力也比較弱。

業界已意識到引入Transformer可大幅提升AI醫療影像能力的上限。Transformer最初為自然語言處理（NLP）而生，是近兩年疾速發展的大語言模型的底層基礎，其核心武器是自注意力機制（Self-Attention），擅長全局結構和長距離依賴的分析，這恰好能彌補CNN的短板。

在上述案例中，骨骼上的可疑點可通過注意力機制，直接與遠處的肺部結節建立強關聯，從而為“肺癌骨轉移”這一診斷提供強有力的證據。這種提升讓AI從“輔助診斷”向“獨立診斷”更進一步。

除了影像分析本身的上限提升，引入Transformer有望令AI從影像切入，但不止于影像，而是躍升為處理多維度醫療信息的臨床綜合大模型，這個上限由Transformer的多模態能力打開。

理論上，通過Transformer處理多模態數據的能力，我們可以把一個病人的影像數據（CT、MRI、X光、病理切片）、文本數據（病史、主訴、既往檢查報告）、檢查數據（血液、尿液）、時序數據（心電圖、腦電圖）、組學數據（基因、蛋白質組）都給到AI，將AI從“單兵作戰”（純影像）推向“全域決策”，它打破了不同醫療數據形態之間的壁壘，為構建一個覆蓋從篩查、診斷、手術規劃到術后隨訪全流程的真正的、綜合性的臨床診療大模型鋪平了道路，實現診斷、治療與管理環節的協同。

難點和機會在于數據

從基于CNN到基于Transformer的AI醫療影像范式轉移，從單一模態的影像輔助分析到多模態的綜合診療模型轉換路徑似乎是清晰而令人鼓舞的。學術界近年確實有大量基于Vi－sionTransformer（ViT）、SwinTrans－former、CNN-Transformer混合的論文在RSNA、MICCAI等頂級會議上發表，任務涵蓋腫瘤檢測、器官分割、病灶分類、跨模態檢索等，在很多基準測試中也取得了超過CNN模型的成績。

但研究熱度與商業落地之間存在巨大鴻溝，還很少有基于Transformer的成功AI醫療影像應用出現，更不用說多模態綜合診療模型。

這里面有很多原因，包括醫療領域天然的保守和風險厭惡屬性，對新技術的審批要求嚴苛，CNN輔助診斷軟件已有 FDA、NMPA批準的案例，而Transformer多模態模型屬于更復雜、更不透明的模型，解釋性更弱，更難過審。并且，以Transformer為基礎的技術路線還在快速迭代中，企業對投入長周期認證一個“可能過時”的架構會心存疑慮。計算成本與部署挑戰，Transformer模型通常參數量更大，計算復雜度更高，尤其是在處理高分辨率3D醫療影像時，對GPU計算和存儲能力的要求極高；醫院的IT系統龐大而復雜（PACS、RIS、EMR等），Transformer模型的復雜性可能導致集成更困難。此外，大部分廠商和醫院已經圍繞CNN構建了工具、人才、適配等生態，生態顛覆需要足夠大的價值提升才能推動各方下定決心轉換。

但在巨大的潛力面前，長期看算力、生態、監管都并非最大的挑戰，因為它們可以通過技術進步、市場演化和政策調整來解決。我們認為，阻礙AI醫療影像向前發展的最大、最緊迫的挑戰是數據，最大的機遇也蘊藏在數據之中。

VisionTransformer如果從頭訓練，需要百萬到千萬級的圖像數據，在醫療領域的微調一般也需要十萬到百萬級的標注數據，這比現在主流商用醫療影像模型的訓練規模大了幾個數量級。而醫療數據涉及個人健康信息，受HIPAA（美國）、GDPR（歐盟）、中國個人信息保護法等嚴格法規的保護，數據共享和流通受到極大限制，這對準備訓練數據帶來了巨大挑戰。

很多種疾病的可得數據還要小于這個量級，比如葡萄膜黑色素瘤每年全球病例幾萬例，有些罕見病更是只有幾百上千例。即便對于大病種，如肺癌每年全球發病幾百萬例，獲取大規模高質量的標注數據也很困難。如何獲得眾多醫療機構的同意拿到影像數據，如何克服不同設備由于掃描協議、參數、重建算法差異等帶來的數據混亂，如何解決由于醫生經驗差異帶來標注質量參差不齊，這些數據問題都對新技術的應用帶來巨大的挑戰。

多模態數據融合的美好愿景，又令數據問題的難度指數級上升。

首先，多模態模型訓練不僅要求標注好的影像數據，還要求收集和處理多維度的數據：病理的標注、臨床數據的整理、基因數據的注釋等，新增巨大的工作量。而不同模態的數據對齊是更復雜的挑戰，將這些來自不同時間、不同來源的數據進行精確對齊和配對，這無疑是一項浩大的數據工程。

醫療影像是人工智能較早賦能的領域，帶來了很大的價值。但現在，“數據墻”成為阻礙人工智能在醫療影像乃至綜合診療方面發揮更大價值的核心瓶頸。因此，能夠在醫療數據的收集、治理、標準化、標注、隱私保護和高效利用方面建立核心能力的企業，將有望構建最深的護城河，引領下一代醫療AI的發展。

從全局來看，數據問題首先是一個技術問題，可以通過以下途徑緩解：發展自監督學習減少對標注數據的依賴；部署聯邦學習，在數據不出機構的前提下，多個機構共同訓練一個模型，減輕數據孤島限制；探索以合成數據降低罕見病數據不足的困擾等。

數據問題又遠不只是技術問題，涉及到組織協調、利益博弈、信任機制、法律合規，在非技術的層面最重要的是設計或形成一種有效的協調機制，讓數據流動起來發揮AI模型訓練的價值。

邏輯上有兩種途徑：一是通過市場化的方式，二是通過自上而下的制度設計。哪種方式更好，還要通過更多的研究搞清楚。但中國可能在第二種方式上有制度優勢，我們可以探索通過制度設計，更高效地解決醫療領域的數據問題，從而令中國引領AI醫療的發展。

數據問題不只存在于醫療影像領域，厘清并解決醫療影像領域的數據難題，不僅能推動醫療AI自身的革命性發展，也將為AI賦能其他各行各業提供寶貴的經驗和范本。

（劉勁系大灣區人工智能應用研究院理事、特聘專家，長江商學院會計與金融學教授，段磊系大灣區人工智能應用研究院研究總監，李嘉欣系大灣區人工智能應用研究院研究員）