✓ 已解锁完整内容
从单病种到全流程的技术演进
回顾AI医疗影像的发展历程，可以清晰看到三个阶段。
第一阶段（2016-2020）：单病种分类。这个阶段的AI模型本质上是一个分类器。输入一张X光片或CT切片，输出"有病/没病"或者"良性/恶性"。技术路线以CNN（卷积神经网络）为主，典型的如ResNet、DenseNet的医疗变体。这个阶段的最大问题是泛化能力差。在一个医院的数据上训练好的模型，换到另一个医院的设备上，准确率可能下降10%以上。原因包括设备型号不同导致的图像差异、地区间的人口特征差异、标注标准的差异等。
第二阶段（2021-2024）：多任务检测与分割。模型从简单的分类升级为目标检测和语义分割。不仅可以判断"有没有结节"，还能精确标注结节的位置、大小、形态。技术路线从纯CNN转向CNN+Transformer混合架构，模型开始具备一定的全局理解能力。这个阶段也出现了多模态的雏形，一些系统开始结合影像和简单的临床数据（年龄、性别、吸烟史等）进行综合判断。但文本信息的处理能力非常有限，通常只是作为几个额外的特征输入。
第三阶段（2025-2026）：多模态临床决策支持。这是当前我们所处的阶段。大模型让AI可以深度理解非结构化的医疗文本（病史、手术记录、病理报告），并将文本理解与影像理解在同一个框架中融合。技术上，医疗VLM（Vision Language Model）成为主流。这些模型通常基于通用大模型进行医疗领域微调，训练数据包含数千万对"影像+报告"的配对数据。在放射科、病理科和眼科等影像密集型科室，VLM的辅助诊断准确率已经达到甚至超过资深主治医师的水平。
联邦学习与数据隐私
医疗AI面临的最大非技术障碍是数据隐私和合规。各医院的影像数据由于患者隐私法规不能随意共享，导致单个医院的数据量不足以训练出足够好的模型。联邦学习是解决这个问题的关键方案。
联邦学习的核心思想是"数据不动模型动"。模型在中心服务器上进行初始化，然后分发到各参与医院。每家医院用自己的本地数据训练模型，只将模型参数的更新（梯度）上传回中心服务器。中心服务器汇总各医院的梯度更新后调整全局模型，再将新模型分发下去。整个过程中，原始数据从未离开医院。
2026年，联邦学习在医疗领域的应用已经跨越了技术验证阶段。一个标志性事件是"中国胸部CT联邦学习联盟"的成果发布。该联盟联合了全国38家三甲医院，在超过200万例胸部CT数据上训练了一个肺结节检测模型。模型在全国不同地区、不同设备的测试集上均达到了超过95%的敏感度，比任何单一医院独立训练的模型高出3-5个百分点。这是联邦学习在大规模医疗场景中有效性的有力证明。
商业化与投资逻辑
AI医疗影像的商业模式主要有三种。第一种是硬件捆绑销售。AI软件预装在CT/MRI设备中，作为设备的增值功能。西门子、GE、联影等设备厂商都在走这条路。第二种是SaaS订阅。AI公司直接向医院销售软件许可，按年收费。推想科技、数坤科技等国产AI医疗公司主要走这条路。第三种是参与医保付费。在某些地区，AI辅助诊断已经被纳入医保支付范围，AI公司可以从每次使用中获得分成。
从投资角度看，AI医疗影像赛道的确定性较高。需求端，中国医学影像数据年增速约30%，但影像科医生年增速不到5%，供需缺口持续扩大。政策端，国家卫健委多次发文鼓励AI辅助诊断，三类证审批通道也在加速。技术端，大模型和多模态的成熟让产品从"能用"变成"好用"。
但风险也不容忽视。最大的风险是付费意愿。公立医院的预算有限，AI辅助诊断目前还不是刚需。第二个风险是责任归属。如果AI误诊导致医疗事故，责任应该由AI公司、医院还是医生承担？目前的法律框架还不清晰。第三个风险是数据安全。医疗数据极其敏感，一旦发生泄露事件，可能对整个行业造成毁灭性打击。
