AI 医疗影像诊断落地：三甲医院日均处理十万例
2026 年的中国医疗影像行业，正在经历一场静水深流的变革。不需要宏大的产品发布会，也没有融资新闻的喧嚣——变化发生在每天凌晨两点的影像科值班室：当一名住院医师打开 CT 读片工作站，AI 已经在他打开图像前的 3 秒内完成了肺结节的初筛、标注重度优先级、并生成了结构化报告草稿。
这不是科幻电影，这是今天中国头部三甲医院的日常。AI 医疗影像诊断，已经从"能不能用"走到了"离不开了"。
十万例的底气
日均十万例——这个数字背后是硬邦邦的产品穿透力。
以肺结节 CT 筛查为例，传统模式下，一位影像科医生一天最多完成 80-100 例胸部 CT 的完整阅片，每例需要 15-20 分钟。而在 AI 辅助下，医生只需审阅 AI 标注的可疑区域和最终结论，单例阅读时间压缩至 3-5 分钟。这意味着一个科室的日均处理能力可以从 300-400 例跃升至 1000 例以上。
但"十万例"并非一家医院之力——它代表的是一种平台化产品的产能聚合。以推想科技、数坤科技、鹰瞳科技等头部厂商的产品为例，一套经过 NMPA 三类医疗器械认证的 AI 影像诊断系统，往往同时服务 20-50 家三甲医院。十万例，是单个 AI 产品在全网医院中的日均推理总量。
截至 2026 年 6 月，中国 NMPA 已累计批准超过 110 款 AI 医学影像三类医疗器械注册证，覆盖肺结节、骨折、眼底病变、冠脉 CTA、脑卒中、乳腺钼靶、肝脏肿瘤、骨龄评估等十余个临床场景。其中仅肺结节 AI 辅助诊断一个品类，就有 15 款产品获证，服务的医疗机构超过 5000 家。
产品形态的三波进化
回顾 AI 医疗影像的产品化进程，大致可分为三个阶段：
1.0 时代：单病种 CADe/CADx（2018-2021）
最早的 AI 影像产品以"计算机辅助检测（CADe）"和"计算机辅助诊断（CADx）"为切入点，聚焦于单一病种的识别。典型如肺结节检测、眼底糖尿病视网膜病变筛查。这一阶段的产品形态相对简单：AI 输出一个"阳性/阴性"的判断，叠加热力图或 bounding box 标注。推想科技的肺结节 AI 在 2020 年即获批中国首张 NMPA 三类证，开启了 AI 医学影像商业化的大门。
2.0 时代：多病种联合诊断（2022-2024）
产品从"单任务"走向"多任务"。以胸部 CT 为例，AI 同时检测肺结节、肺炎、结核、COPD、纵隔病变、肋骨骨折、冠脉钙化等。数坤科技的"数字心""数字脑""数字腹"系列就是这一阶段的典型代表——从单部位延伸至全器官、全病种覆盖。产品不再是一键出报告的"黑箱"，而是与 PACS 系统深度整合，嵌入医生工作流。
3.0 时代：全流程智能影像平台（2025-至今）
这是当下的主流形态。产品从"辅助读片"演变为"智能影像平台"，覆盖从检查预约、扫描序列优化、图像重建、辅助诊断、结构化报告生成到质控管理的全闭环。以商汤科技的 SenseCare 和腾讯觅影的最新版本为例，其产品边界已大幅延伸：
- 前置端：AI 自动优化扫描参数，降低辐射剂量 30-50%，提升图像信噪比
- 阅片端：多病种一次推理，检出率达 98% 以上，假阳性率控制在每例 1-2 个
- 报告端：自动生成结构化报告草稿，嵌入医学术语规范，医生确认即可归档
- 管理端：实时统计科室工作量、AI 检出阳性率、漏诊预警、随访提醒
深度剖析：为什么三甲医院愿意买单？
AI 医疗影像产品在公立医院的收费渗透，经历了从"科研项目买单"到"医院自有预算"再到"医保/物价项目覆盖"的三级跳。
2024 年，中国多省市陆续将 AI 辅助诊断纳入医疗服务价格项目。以广东省为例，"人工智能辅助诊断"被列为单独收费项目，单部位定价 40-80 元。2025 年，北京、上海、浙江等地跟进，AI 诊断的医保支付通道逐步打通。这是产品商业化的关键转折点——此前所有 AI 影像产品的收入主要来自科研项目和医院信息化预算，天花板明显。而收费编码的确立，意味着产品进入了可复制的、按例计费的商业闭环。
对于三甲医院来说，部署 AI 的 ROI 清晰可算：
| 维度 | 部署前 | 部署后 | 提升幅度 |
|---|---|---|---|
| 日均阅片量（单医生） | 80-100 例 | 200-300 例 | 2-3 倍 |
| 危急值通报时间 | 30-60 分钟 | 1-3 分钟 | 10-20 倍 |
| 肺结节漏诊率 | 15-25% | 3-5% | 下降 80% |
| 结构化报告耗时 | 8-10 分钟/例 | 1-2 分钟/例 | 缩短 80% |
最直观的指标是危急值处理能力。在急诊场景中，脑出血、主动脉夹层、肺栓塞等危急情况每延误一分钟都可能导致不可逆的后果。AI 可以在 CT 扫描完成后 30-60 秒内自动识别阳性病例并弹出预警，直接将"扫描→诊断→治疗"链路从平均 2 小时压缩至 20 分钟以内。这种场景下，AI 产品已经不是效率工具，而是生命保障系统。
技术栈解码：从模型到产品
AI 医疗影像产品之所以能实现"日均十万例"的高吞吐，背后是精心设计的技术架构：
模型层：当前主流方案基于 Vision Transformer（ViT）架构，结合 ConvNeXt 等 CNN 混合模型。以腾讯觅影的最新模型为例，其在 200 万+ 标注 CT 片上进行预训练，利用对比学习和掩码图像建模（MIM）范式，在不依赖海量人工标注的前提下大幅提升小样本迁移能力。
推理优化：一个典型的胸部 CT 包含 200-500 张 DICOM 图像，单次推理的算力需求不低。主流方案采用 TensorRT 量化推理 + 动态批处理（dynamic batching），在单个 A100 GPU 上可实现每分钟 15-20 例的吞吐。云边协同架构下，医院本地部署边缘推理节点，兼顾数据隐私与低延迟，同时将非实时训练任务卸载至中心云。
数据闭环：AI 产品在临床使用过程中会持续生成"人机对照"数据——AI 的预测结果与医生的最终诊断结论之间的差异。这些差异正是模型迭代的黄金数据。头部厂商已建立"临场反馈→主动学习→模型更新→灰度发布"的自动化闭环，将模型更新周期从季度级压缩至周级。
挑战与瓶颈
尽管产品化进程喜人，AI 医疗影像仍然面临几大难啃的骨头：
1. 泛化性与地域差异。在一线城市三甲医院训练的模型，迁移至县域医院后性能往往明显下降。不同品牌 CT 设备的成像参数差异、不同地区人群的解剖结构差异、不同病种的发病率差异——都可能导致 AI 模型的"水土不服"。这是目前制约 AI 影像产品下沉基层的最大技术瓶颈。
2. 责任归属仍存灰色地带。AI 辅助诊断的定位是"辅助"，但实际临床中 AI 漏诊是否构成医生的过失？NMPA 三类证的审批逻辑是将 AI 定义为独立医疗器械，这意味着其在法律上承担一定的产品质量责任。但目前尚未有 AI 辅助诊断相关的医疗纠纷判例，责任边界仍不清晰。
3. 影像科医生的人力危机。讽刺的是，AI 的高效反而加剧了影像科的人力矛盾：因为 AI 释放了诊断能力，临床科室开出的影像检查单数量以每年 20-30% 的速度增长，但影像科医生的编制增长远低于这个速度。AI 一边在解决问题，一边也在暴露问题——医疗系统的根本痛点是人，而不是技术。
未来产品方向
展望未来，AI 医疗影像产品将向三个方向延伸：
- 多模态融合：结合影像数据与电子病历、实验室检查、基因信息，构建"全景诊断智能体"
- 从诊断到治疗决策：AI 自动识别病灶后，进一步推荐手术路径、药物方案、预后评估
- 设备端原生 AI：新一代 CT/MRI 设备将 AI 推理芯片集成在扫描仪端，实现"扫描即诊断"
三甲医院日均十万例，不是终点，只是一个产品化成熟度的里程碑。当 AI 真正嵌入中国 3.6 万家医院的日常诊疗流程时，这个数字的增长空间仍然巨大。