从「查一个病」到「管一条链」：影像AI的下半场刚刚开始

图注：请扫描上方二维码

下载2026中国版《未来健康指数报告》

看见价值：

从辅助诊断到全流程质控

“AI已经贯穿到我们整个影像链的全流程。”马新武教授的判断干脆直接。

在山东第一医科大学附属省立医院，这样的场景已经成为常态：患者拿着申请单过来，是做CT还是做磁共振、选哪个部位，不同临床需求对应不同路径，AI已经在参与检查路径的选择；进入扫描间之后，怎么摆位才能把病灶显示清楚，不再完全依赖技师的经验手感，标准体位之外，AI会根据病情做自适应调整；扫描用多大剂量、什么参数、图像怎么重建，过去是技师靠经验一点点调，现在AI已经介入。

更关键的是价值重心的转移。“早期影像AI是单病种逻辑，一个肺结节模型、一个脑卒中模型，换一个病种就要换一个AI。今天行业真正在做的，是用AI把整个流程管起来，核心是两个字：质控。”

影像科向临床交付两样东西：技师做出来的图像，和医师写出来的报告，缺一不可。图像好不好决定诊断准不准，报告写得怎么样决定临床能不能据此指路。

AI在这两端同时介入——一端把图像做得更标准、更稳定，另一端帮医师更快读出异常。而质控的终极目的，是同质化，不同医院做的报告质量、参数、判读口径要走向趋同。

马新武教授给出的观察是具体的：工作流程明显提速，图像质量明显提高；原来要达到这种图像质量，辐射剂量可能很高，现在同样质量下剂量下来了，患者收到的辐射影响也会更小，这是最实在的获益。

另一方面，AI把效率让给了患者。原来患者可能等三天才能做上检查，现在当天就能完成，费用也减少了；图像一出来，患者就能带着结果去找临床医生，不用再被“等报告”耗出额外的焦虑。

这一变化，正是《未来健康指数报告》所捕捉到行业走向的一个切面：AI正在改变医务人员的工作方式，把他们从行政事务和重复劳动里解放出来，投入高价值的临床判断和医患沟通；而在患者一侧，越来越多的人正带着AI生成的健康信息走进诊室，更主动地参与自身健康决策。

AI重塑的不只是影像科的工作流，也是整个医患关系的形态。

两个缺口：

统一的语言，清晰的责任

“技术语言”最直接的切口是检查结果互认。国家推互认的力度并不小，国家卫健委、国家发改委、财政部、国家医保局等七部门发布的《关于进一步推进医疗机构检查检验结果互认的指导意见》要求2027年底各省域内互认项目超过300项，根据国家医保局2026年上半年例行新闻发布会，截至2026年6月国家医保影像云累计索引也已近4.4亿条。

推进框架已经成型，马新武教授更关注落地过程中的现实挑战：“一是做好质控，二是数据的传输。”

影像数据量极大，为了传得快就得压缩，图像质量下来了，互认也就失去意义。中间必须有一套统一的传输标准和协议。当前的问题不是没有标准，而是跨机构的执行口径还没有真正对齐；再往下，还有隐私脱敏这道绕不过去的工序。

这并不是某一家医院的难题。整个行业都在面对同一个现实：工具铺得很快，但底层的标准、协议、判读口径还在建设中；区域影像云的架子已经搭起来，“技术语言”翻译成“标准语言”的过程，才刚刚开始。

如果说“语言”卡的是流通，“责任”卡的就是信任。马新武教授认为，目前面临的最大问题之一是伦理问题。

“AI只是提示作用。它把异常标出来了，你敢不敢去信？你敢不敢去复核？”现实中已经有了一种倾向：检查跑完一遍，就完全照着AI的结果出报告。立场很清楚：所有权和使用权都在操作者手里，最终诊断一定由人做出。

规则其实并非空白，《医疗机构人工智能应用与治理专家共识（2026版）》已明确，AI的法律属性始终是“辅助诊疗工具”，医师拥有诊疗最终决策权，医疗机构承担诊疗行为的法律责任，尽到审查义务。

缺的不是规则，反而是落地所需的那套东西：审慎义务到底包含哪些动作、错误如何留痕、出了事如何追溯。工具铺开的速度，快过了监测、审计与错误追溯机制的建设速度——这也是“以人为主”在一线未充分落实的原因。

最后一公里，

是会“校准”AI的人

规模化还有一个现实前提：AI目前还无法靠单列收费“活着”。

国家医保局将“人工智能辅助诊断”设为放射检查的扩展项，与主项目同价、不重复收费；2026年起12项AI辅助诊断纳入医保乙类目录。AI进了收费目录，却没有拿到独立的“价签”，价值只能通过提质增效、提高主项目吞吐来兑现。

这或许意味着，谁能把AI持续校准到自己的临床场景里、并为它的输出兜底，谁才能真正兑现规模化的价值。

马新武把医务人员与AI的关系分成三层：会用、会训练、会验证。第一层是会用，是最基本的，也是被动的；第二层是会训练，“要不断地用你的身份、你的图像、你的标注来训练它，它就像一个熟悉的助手越用越懂你”；第三层是主动验证与赋能，医生参与进去，给模型“喂”新病例、补新标注，让它“长”出适合本院的能力。

三层之间不是时间先后，而是能力台阶——多数医院停在第一层，少数进了第二层，能上第三层的，才具备真正的规模化条件。

要把第二、第三层走通，最底层是数据。数据来自一级医院、三甲医院还是专科医院，图像质量与病种结构完全不同，而来源的标准化至今没有建立。

比来源更棘手的是标注的一致性：“我认为这个地方是肿瘤，另一个人可能认为是炎症。标错了，训练就偏了。”————这其实不是算法问题，而是数据治理没跟上，训练数据从哪来、按什么标准标、谁来质控、怎么验证，这一整套规则亟需完善。

再往上是模型本身。现在很多模型是开放的、公用的，可以拿来用，但专业的事情要专业来做，影像诊断需要专门训练的医用模型，通用大模型替代不了。

单病种模型正在变成红海，面向复杂场景、单器官多病种的能力才是下一段竞争的入口，而把数据和模型一起托住的，是验证，验证本身也是一个学习的过程。

中国在这件事上有别人没有的底牌。马新武教授指出，中国的病例规模、病种复杂度、医院层级差异，恰恰是训练本土模型最宝贵的土壤，训练AI要赋予“中国的智慧、中国的方案和中国的算法”。今天走进课堂的影像技术学生，明天不能只会用AI，更要会训练AI、会质疑AI。

从“查一个病”到“管一条链”，影像AI下半场真正的哨声，才刚刚吹响。