1. 医学影像AI的十年从单点工具到人机协作体系过去十年医学影像AI走过的路回头看其实是三个阶段。第一个阶段是算法表演期。2016年到2018年左右深度学习在肺结节检测上取得突破一篇篇论文刷榜各种AI模型在公开数据集上的准确率节节攀升。那时候行业内充满兴奋感大家觉得只要把模型训练好给医院装上去肺结节筛查问题就解决了。但真正在医院试点之后现实马上泼了一盆冷水——模型的Dice系数再漂亮、AUC再高到了临床科室根本跑不动。医生打开工作站等几秒出结果还不够快结果出来之后结节标了一堆高年资医生还得逐个看一遍反而增加了工作量。当时有不少影像科主任直白地说AI不是来减轻负担的是来添乱的。第二个阶段是单病种攻坚期。2019年到2022年行业开始冷静下来承认AI不是全科超人转而做单病种、单场景的深度打磨。肺结节、骨折、冠脉狭窄、眼底糖网、乳腺钼靶一个个病种被单独拎出来做成产品。这个阶段最大的成果是让AI在垂直场景里真正达到了可用的水平也跑通了注册审评、医院采购、收费落地这些商业化流程。深睿医疗就是在这个阶段积累了大量的产品线和医院客户从肺结节起步一路拓展到头部、胸部、腹部、骨折、心血管等多个方向逐步形成了比较完整的产品矩阵。第三个阶段也就是2023年之后到现在行业进入体系化落地期。大模型技术爆发AI不再只是一个单点检测工具而是开始往全流程、多模态、智能体的方向演进。影像科的工作流不再是医生看片、AI在旁边标个框而是AI参与排班、叫号、扫描、重建、诊断、报告、随访的完整链条。2026年这场医学影像AI学术会议上深睿医疗提出的人机共生的下一个十年背后正是这个阶段的技术积累和行业共识。作为从业者我觉得这三个阶段的总结很重要因为它决定了我们怎么理解人机共生这四个字。如果AI只是一个孤立的诊断辅助点人机之间就是工具和使用者的关系谈不上共生。只有当AI融入整个医疗流程成为工作流里一个主动感知、主动建议、持续学习的角色时共生才成为可能。2. 深睿医疗在2026学术会议上的落地实践与产品逻辑2026医学影像AI学术会议的核心议题已经从AI能不能诊断变成了AI怎样融入医生的日常工作。深睿医疗在这次会议上展示的内容我梳理下来主要围绕三个层面。2.1 从单病种辅助到全病种协同诊断早期医学影像AI产品基本是一个模型管一个病种肺结节有肺结节模型骨折有骨折模型冠脉有冠脉模型。医院要用多个系统每个系统单独登录、单独阅片、单独出报告医生使用意愿很低。深睿医疗的全病种协同诊断思路是把多个单病种模型整合进同一个工作流同一张CT一次扫描肺部、心脏、骨骼、腹部脏器同时分析异常发现按风险等级排序推送到医生面前。这个变化背后其实是工程架构的升级。多模型协同不是简单地把几个算法打包而是要解决算力分配、结果冲突消解、报告模板融合等一系列问题。比如一个患者同时有肺结节和冠状动脉钙化两个模型的结果如何在一个报告里呈现优先级怎么定语言怎么组织这些都是实际落地时躲不开的细节。2.2 大模型驱动下的多维智能体应用医疗AI大模型的价值不在于它是个更聪明的答题机器而在于它能把影像理解、自然语言处理、知识检索这些能力统一起来。深睿医疗在这次会议上重点展示了智能体在几个场景中的实践第一个场景是结构化报告生成。影像科医生以前要手动逐项填写报告模板一个头部CTA检查血管分段、狭窄程度、斑块性质要填几十个字段既慢又容易遗漏。AI智能体接管这项工作之后先从影像序列中自动提取关键测量数据再结合患者历史病历里的自然语言信息自动生成报告初稿医生只需要审核修改。第二个场景是随访管理。肿瘤患者需要定期复查但影像科工作量大随访经常是靠医生个人记忆和手工登记。AI智能体可以根据历史报告自动识别需要随访的患者到了复查时间自动调出之前的影像进行对比把病灶变化趋势、体积倍增时间这些关键指标一起呈现出来。这种能力在肺癌、肝结节、脑膜瘤这些需要长期跟踪的疾病里价值特别明显。第三个场景是科研数据治理。医院积累的海量影像数据处于沉睡状态缺乏标注、缺乏结构化。智能体可以做自动预处理、自动去隐私化、初步病变标记把原来需要花几个月做数据清洗的工作压缩到几天。这对科研和临床试验都是一种直接的降本增效。2.3 人机交互方式的变革自然语言与可视化融合深睿医疗还在会上强调了人机交互层面的变化。过去医生和AI的交互方式主要是点按钮、看弹窗AI的结果是以分割图像检测框的形式呈现。大模型加入之后交互方式升级为自然语言对话和可视化融合医生可以像和朋友聊天一样问这个病灶和三个月前比有没有明显增大患者既往是否有陈旧性梗死灶AI结合影像数据和历史病历给出答案同时把相关影像区域在屏幕上高亮出来。这种交互方式对高年资医生可能只是新鲜感但对规培医生和基层医生来说意义完全不同。它能从主动提问变成主动学习在回答问题的同时把影像特征、诊断依据、鉴别诊断思路完整呈现本质上带入了教学功能。3. 人机共生背后的工程底座数据、算力与可信AI人机共生如果只有算法层面的故事那终究是空中楼阁。真正让AI在影像科跑起来的是无数工程细节。这次会议上深睿医疗分享的不少内容其实都在讲这些看不见的部分。3.1 数据治理医疗AI最费时也最关键的环节医疗影像数据和自然图片不一样它有几个特殊之处一是数据量极大一个高分辨率CT序列就有几百张图像一个三甲医院影像科一天产生的数据是PB级的二是标注门槛极高需要专业影像医生逐层勾画一名医生一天能精细标注的病例非常有限三是隐私约束严格数据不能随便出医院跨机构共享存在很多限制。深睿医疗的做法是构建一套完整的数据治理体系从数据采集、清洗、脱敏、标注到质控每个环节都有专门的工具链。尤其值得说的是半自动标注平台先用一个预训练模型对影像做初步分割标注医生在AI的辅助下做修正效率可以提升3到5倍。这不只是为了提高标注速度更重要的是降低标注不一致性——不同医生标注同一病灶边界经常有差异AI辅助标注可以让标记结果更稳定这对训练高质量的模型有直接帮助。3.2 算力优化与部署策略私有化优先兼顾云端协同在医院场景里AI部署面临一个现实问题院内网络环境复杂IT资源有限影像数据敏感不能随便上公有云。深睿医疗的技术路线是私有化部署为主云端更新为辅。私有化部署的关键是算力优化。同样一个大模型在服务器上跑和在医生工作站上跑效率要求完全不同。深睿团队做了大量的模型裁剪、量化、蒸馏工作把模型体积压缩到可以在常规GPU服务器上流畅运行的规模同时保证诊断性能下降在可接受的范围内。值得一提的还有算力云化调度。大型三甲医院有多个院区每个院区都有影像设备如果每个院区都部署一套完整算力成本太高。通过算力池化技术可以把分布在不同院区的GPU资源统一调度哪个院区的瞬时计算需求大就动态分配算力过去。这种架构是我认为未来医疗AI部署的重要方向。3.3 可信AI影像AI的敢用与会审人机共生前提是医生敢用AI敢把自己的判断依据部分交给AI。这里面有一个关键词可解释性。深睿医疗的观点是可解释性不是给医生看一堆概率值和特征热力图而是要让AI的推理过程尽量贴近医生的思维习惯。比如某次诊断AI判断某个结节是高风险它同时会呈现关键的形态学特征分析——毛刺征、分叶征、胸膜牵拉、血管集束征这些影像学语言而不是简单地抛出一个风险百分比。医生看得懂就可以去验证验证通过后就会形成信任信任一旦建立AI的价值才能真正释放出来。当然可信AI还有一个层面是责任边界。AI的建议只是建议最终诊断责任在医生。如何从界面设计到流程设计上明确这个边界让医生既能快速采纳AI的合理建议又能随时独立复核和推翻这套交互逻辑做得好不好直接决定了AI在科室里的口碑。4. 人机共生的下一个十年趋势与挑战这次会议除了产品和技术的展示更让我关注的是行业对下一个十年的共识。有几个趋势在会场上被反复提及我觉得值得好好梳理。4.1 趋势一从影像科走向全院与区域医疗医学影像AI的起点是影像科但未来的应用范围绝不仅限于此。会议上有多个报告提到AI辅助诊断的价值正在向临床科室延伸。比如神经内科医生需要快速判断急性脑卒中患者是否有大血管闭塞急诊科医生需要初步评估外伤患者的骨折情况心内科医生需要量化冠状动脉狭窄程度——这些场景虽然依赖影像但决策者并不都是影像科医生。这就要求AI产品从影像科内部工具升级为全院共享服务。技术上要实现系统级对接包括HIS、RIS、PACS、电子病历、检验系统等多个信息系统的数据打通。流程上则要求AI能适配不同科室的工作习惯和决策节奏。这个趋势背后是医学影像AI从单科室应用走向医疗操作系统级基础设施的大机会。4.2 趋势二多模态融合影像只是诊断拼图的一部分如果把诊断看作解一道综合题影像只是其中一个条件。患者的主诉、病史、实验室检查、基因检测、病理结果都是重要信息。单看影像很多结论只能停留在影像学所见层面无法回答这个病灶到底是不是恶性这个临床最关心的问题。多模态融合是解决这个问题的方向。深睿医疗在会议上展示了对影像、文本、检验结构化数据的跨模态联合建模能力把影像特征和病历文本、检验指标放在统一框架下学习让AI的输出从看见什么升级为如何解读。这里面比较典型的应用是肺结节的风险综合评估结合结节影像特征和患者年龄、吸烟史、肿瘤标志物等信息给出更贴合临床实践的风险分层。不过多模态融合的工程难度也比单模态高不少。数据对齐是第一关——影像数据、文本数据来自不同的系统时间节点不同格式不同特征融合策略是第二关——哪种融合方式在什么场景下更有效需要大量的实验验证。这个方向目前还处于早期但我认为它是AI走向临床价值深水区的必经之路。4.3 挑战一数据孤岛与标注缺乏标准尽管大模型在医学影像上表现出了很强的潜力但要想在更多病种上实现突破绕不开数据问题。国内医院之间影像数据格式不统一标注规范更是各做各的。同样一个肺结节有的医院标注团队把磨玻璃和实性混在一起标有的则严格区分这直接导致模型的泛化能力在不同机构间波动很大。联邦学习和隐私计算被寄予厚望但落地时发现难度不小。不同医院的IT基础设施差异很大网络环境、数据格式、数据质量参差不齐真正跑起来远不是装一个框架那么简单。这需要有企业愿意做大量脏活累活去适配每家医院的具体情况这也是深睿这类深耕医院市场的公司相比纯算法团队的一个明显优势。4.4 挑战二AI产品化后的真实临床价值度量AI在实验室里的性能与在真实临床中的价值经常是两回事。一个模型敏感性再高如果每次检查都产生大量假阳性医生照样不愿意用一个产品功能再好如果出报告流程多点了三步医生也会嫌麻烦。如何度量AI产品的真实临床价值会议上一个报告的观点我比较认同衡量标准不能只看准确率要同时关注单位时间内诊断量、平均报告时长、漏诊率、早期癌症检出率、患者随访依从率这些过程和结果指标。换句话说AI好不好要看它有没有让一个科室运行得更流畅、让患者的结局变得更好而这需要长期的真实世界数据积累和持续的产品迭代不是发几篇论文能替代的。5. 我在实际参会中的体会AI产品进入医院最难的不是技术这次会议上深睿医疗讲了很多技术和产品层面的内容但作为一个观察者我觉得有一句话被大家反复提到却没有被详细展开——AI产品进入医院真正难的不是算法准确率而是信任建立和流程重建。5.1 信任是逐渐累积的而不是靠一次测试建立的我接触过的很多影像科医生对AI产品的态度都经历了一个过程从怀疑、到试探性使用、到在特定场景下依赖、再到主动为产品提改进建议。这个过程快则三个月慢则半年到一年。信任的建立靠的不是厂家提供的检测报告而是AI在日常工作中稳定可靠的表现——每次给出合理的建议每次不遗漏关键病灶每次报告格式都能直接用这些微小的正反馈叠加起来医生才会把AI当作一个靠谱的助手而非偶尔灵光的玩具。这也解释了为什么深睿医疗这几年坚持做深度落地服务而不是只卖软件许可。AI产品交付到医院只是一个起点之后的数据调优、模型升级、医生培训、流程磨合才是真正的价值所在。没有长期陪伴的交付模式很难在临床科室里形成真正的人机共生关系。5.2 流程重建比工具升级更关键人机共生落地时最容易被忽视的是对工作流程的重新设计。一个典型的场景AI自动生成的报告初稿放在医生工作站哪个位置最合适如果藏在二级菜单里医生根本不会点开如果自动弹出又可能干扰医生的阅片节奏。这些细节看似不起眼却决定了一个系统是否好用。深睿医疗在现场演示的状态感知型交互设计让我印象深刻。系统不只在医生打开影像时给出诊断建议还会在医生翻阅病历、书写报告、发起复查等不同操作状态下智能判断当前阶段的帮助目标主动提供相应的信息而不打扰关键操作。这种交互设计理念本质上是对人机各司其职的一种工程化表达——AI在后台默默处理大量的整理、对比、测量工作医生则专注于阅片、判断、决策这些机器尚不能胜任的部分。5.3 未来拼的是生态不是单点功能最后分享一个我自己比较深的判断。医学影像AI的下一个十年单点功能会越来越像标配各家产品在肺结节检测、骨折筛查这些成熟场景上的性能差异会不断缩小竞争的核心会转移到三个能力的比拼上一是多病种覆盖的深度和广度二是与医院信息生态系统的融合能力三是持续的服务响应和模型迭代机制。从深睿医疗在2026学术会议上的展示来看它已经在围绕这三个方向布局。无论是全病种协同诊断平台还是面向科研场景的数据治理工具还是强调多模态融合的下一代算法框架本质上都是在构建一个以影像数据为中心、向临床全流程延伸的生态。下一个十年谁能更扎实地解决数据、信任、流程这些基础问题谁才真正有机会实现人机共生这四个字。对我这样的从业者来说这次会议最大的价值不是看到了多少炫酷的演示而是确认了一件事医学影像AI已经从算法竞赛走向了系统竞争的新阶段踏实做产品和认真服务医院的团队会走得更远。