「從上班就開始‘看圖說話’，一坐就是一天，有時候連喝水都顧不上。」北京某三甲醫院影像科的閱片室內，一位副主任醫師向記者感慨。

　　這是當下醫學影像診斷領域真實情況的縮影——海量影像數據積壓、醫生工作負荷繁重、專業人才供給緊張。而AI技術的深度滲透，正為這一行業痛點帶來一場變革。

　　《關於促進和規範「人工智能+醫療衛生」應用發展的實施意見》明確提出，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。

　　政策藍圖已然繪就，AI醫學影像的發展現狀、臨床價值、市場潛力與破局路徑，成為行業關注的核心焦點。

　　價值落地：重構診療場景

　　醫學影像（X光、CT、MRI、超聲等）是醫生診斷疾病的重要依據。近年來，AI技術與醫學影像加速融合，成為人工智能在醫療領域最早落地、最成熟的場景之一。

　　那麼，醫學影像遇上AI，會擦出怎樣的火花？

　　對頂尖醫院的專家來說，AI的核心價值是把醫生從重複勞動中解放出來。AI憑藉強大的圖像識別與數據分析能力，彌補人眼判讀侷限，成為醫生診斷的得力助手，在病竈篩查、疾病鑑別、急症救治等多個臨床場景中發揮關鍵作用。比如，在肺部CT篩查中，AI可快速掃描海量影像切片，精準捕捉3毫米以下微小結節，區分結節性質與風險等級，及時發現極易被肉眼忽略的早期肺癌病竈，築牢癌症早篩防線。

　　對基層醫療機構而言，AI的價值更側重於「能力下沉」與「質量提升」。

　　數坤科技股份有限公司首席技術官鄭超對《證券日報》記者表示：「我們與頭部三甲醫院專家聯合訓練模型，在持續臨床驗證和打磨後，再將相關能力向基層場景延伸，相當於為基層醫生配備‘三甲醫生助手’。」

　　北京醫院醫學影像中心主任、中華醫學會放射學分會主任委員陳敏告訴《證券日報》記者，AI能有效降低基層誤診漏診率，推動常見病就近診治，緩解患者向三甲醫院集中的壓力。

　　隨着臨床需求釋放，AI醫學影像行業市場規模高速增長。從市場格局來看，目前已有多家龍頭企業佈局AI醫學影像領域，形成多元化競爭態勢。

　　阿里巴巴達摩院發布「一掃多篩」技術：單次低劑量胸部CT，即可同步排查急症、評估腫瘤風險，並篩查脂肪肝、肌少症等慢性病。阿里巴巴達摩院醫療AI實驗室商務合作副總經理王桐對《證券日報》記者表示，這突破了「一個檢查對應一個結果」的老模式，用更便捷、更普惠的方式實現早期風險預警。

　　科大訊飛股份有限公司副總裁、訊飛醫療科技股份有限公司執行總裁鹿曉亮對《證券日報》記者透露：「本公司基於多模態大模型的AI系統，在報告生成環節醫生接受率已達70%；在醫保監管中，重複檢查識別準確率超過95%，性別年齡覈驗準確率超過98%。這意味着AI不僅能輔助看病，還能幫醫保基金‘省錢’。」

　　底座築牢：破解數據難題

　　臨床價值日益清晰，但AI醫學影像要真正實現規模化落地，還面臨一個根本性難題——全國統一數據庫尚未建成。沒有高質量、大規模、可互通的數據為基礎，再聰明的算法也寸步難行。

　　中國科學院院士滕皋軍在接受《證券日報》記者採訪時表示，醫療數據方面長期存在兩大難題：一是「物理孤島」——各家醫院數據不互通；二是「隱私安全顧慮」——醫院之間不敢共享數據。在A醫院訓練出來的AI模型，到了B醫院就「水土不服」，難以泛化應用。

　　清華大學助理研究員李淼對《證券日報》記者表示，相關企業推廣AI產品往往只能一家家醫院去談，成本高、難度大。

　　國家醫療保障局主導的「醫保影像雲」平台建設，正試圖系統性破解這一難題。其目標不僅是存儲，更是構建一個連接全國、標準統一、安全可信的數據流通與計算平台。

　　國家醫療保障局大數據中心副主任曹文博表示，近年來醫保部門在數據基礎能力建設上持續發力，建成全國統一醫保信息平台，推動醫保影像雲在全國範圍建設取得較好成效。

　　截至3月25日，國家醫療保障局已累計歸集醫保影像索引3.66億條。同時，國家醫療保障局今年還啓動「個人醫保雲」建設試點，整合了參保人分散在醫療機構、藥店、體檢機構、可穿戴設備等渠道的醫療健康數據。

　　滕皋軍介紹，江蘇的實踐初見成效。江蘇省衛生健康雲影像平台已接入近2000家醫療機構，完成1.8億例影像存儲，實現了4962萬例跨院影像調閱。這為AI大模型的訓練與部署提供了前所未有的「數據底座」。

　　然而，僅有連接還不夠，安全與信任是流通的前提。滕皋軍認為，「可信數據空間」是破題關鍵。它如同一個「醫療數據的保險箱」，通過「數據不動模型動」等技術，實現數據在共享流通中的全程可控、可審計，從根本上打消醫療機構「不敢共享」的顧慮。

　　與此同時，數據標準化的工程同步推進。陳敏對記者表示，國內影像檢查長期缺乏統一規範，直接影響診斷一致性與結果互認。

　　為此，中華醫學會放射學分會正牽頭制定覆蓋圖像採集、質量、診斷三大環節的全國統一標準。陳敏強調，這是實現「一地檢查、全國認可」、減少重複檢查、降低醫保支出的基礎，也是醫保影像雲發揮監管與健康管理功能的前提。

　　聯影智能醫療科技（北京）有限公司CEO董昢也對《證券日報》記者表示，可以通過AI質控統一規範基層影像拍攝與基礎診斷標準，夯實跨機構影像互認基礎，推動上級醫院採信基層檢查結果；依託醫保影像雲實現全域影像互聯互通，支撐分級診療落地、減少重複檢查、嚴控醫保基金不合理支出。

　　基礎設施的重構，正在改變整個產業的「遊戲規則」。企業可以通過接入省級或國家級平台，快速接觸到海量醫療機構。

　　李淼認為，這雖然為企業推廣產品提供了便利，但對其技術實力也提出更高要求，因為競爭將在更公開、更統一的平台上進行。醫保影像雲不僅是一個數據平台，更是一個重新定義產業價值鏈、驅動數據要素價值釋放的核心引擎。

　　破局闖關：誰來買單、責任誰擔

　　數據底座日趨堅實，技術路徑逐漸清晰，但AI醫學影像要真正跑通商業閉環，實現規模化、可持續發展，仍需突破支付機制與責任界定兩大「關卡」。

　　多位受訪專家對《證券日報》記者表示，唯有破解「誰來買單、責任誰擔」的難題，才能推動產業真正迎來商業化拐點。

　　鄭超直言，當前，醫保付費准入仍是AI醫學影像商業化的核心痛點之一。產品從拿證到銷售周期較長、投入較大，而醫院採購AI更多仍依賴自籌預算。目前，AI相關收費大多尚未納入醫保支付，商業化推廣仍面臨一定壓力。

　　此外，多位受訪專家表示，未來的方向應從「按項目付費」轉向「按價值付費」。鄭超呼籲借鑑國際經驗，探索類似英國NICE「創新技術早期價值評估」（earlyvalueassessment）的機制，讓創新產品更早落地真實世界，並持續驗證其臨床與衛生經濟學價值。

　　王桐也提出，需建立一套新的評估體系，在進行敏感性、特異性等評估的同時，衡量AI在提前干預、提高生存率、節約總醫療費用等方面的真實價值，並在此基礎上設計支付試點。

　　法律責任與倫理邊界，也是行業發展需要解決的重要課題。一旦AI輔助診斷出現疏漏，責任該如何界定？

　　《關於促進和規範「人工智能+醫療衛生」應用發展的實施意見》的政策解讀也明確，統籌高水平安全和高質量發展，堅持人工智能賦能而不替代的定位，創新監管方式，實施分類管理，強化數據安全和個人隱私保護，確保安全、可靠、可控。

　　鄭超認為，從醫療倫理和責任邊界看，AI應定位於輔助角色，最終診斷仍應由醫生負責。但當前行業在醫生使用AI的人機協同認證、績效考覈等方面，仍缺乏統一標準。未來，需進一步明確「人機協同」場景下的責任邊界、使用規範與激勵機制，堅守「人為診斷最終負責」的底線，同時完善相關考覈與認證體系。

　　真正的破局有賴於各方的深度聯動與制度創新。多位受訪專家一致認為，醫保端不僅是支付方，更應作為數據平台建設者與產業引導者，通過構建數據集、設立產業基金、探索創新支付，引導資源投向真正創造臨床價值的方向。

　　未來，隨着可信數據空間全面落地、醫保支付機制持續完善、商業創新模式不斷湧現，醫療影像與AI的融合將進一步深化，讓更多患者受益，為提升全民健康水平、發展新質生產力、建設健康中國貢獻行業力量。

（文章來源：證券日報）