融合领跑者如何练成
{"id":"510381","toptitle":"","toptitle_color":"","title":"融合领跑者如何练成","title_color":"","subtitle":"","subtitle_color":"","crtime":"2026-04-21 08:49:13","condition":"来源： 健康报 ","thumb": ""}
近年来，随着各类医学影像检查项目的普及，影像科医生面临着巨大的阅片压力。国家分级诊疗政策的进一步推进，也对基层医疗卫生机构的影像诊断能力提出了更高要求。然而，高强度的工作负荷与潜在的视觉疲劳，不仅提高了影像科医生的工作压力，还是引发漏诊误诊的重要原因。面对上述难题挑战，人工智能（AI）和医学影像的深度融合给出了新的解决方法。传统医学影像中的“看”与“判”正被人工智能全面重塑。更值得注意的是，医学影像应用场景是目前人工智能应用最为成熟的医疗场景之一，也已成为业内共识。
本期“双月话题”栏目，我们将深度讨论为何在人工智能﹢医疗卫生应用领域，人工智能﹢医学影像成为融合领跑者。
以技术推动应用 用应用推动治理
□中华医学会影像技术分会主任委员、山东第一医科大学影像技术系主任 马新武
近年来，国家层面频繁出台相关政策，明确将人工智能作为推动优质医疗资源下沉、提升基层医疗服务能力的重要举措。2025年11月，国家卫生健康委等五部门联合发布《关于促进和规范“人工智能﹢医疗卫生”应用发展的实施意见》，明确提出“到2030年，基层诊疗智能辅助应用基本实现全面覆盖，推动二级以上医院普遍开展医学影像智能辅助诊断、临床诊疗智能辅助决策等人工智能技术应用”。
落地应用速度加快
当下，人工智能﹢医学影像已成为成果转化最显著的领域之一。以深度学习为核心的人工智能技术广泛应用于磁共振成像、CT、超声等多模态影像检查中，在疾病筛查、病灶识别、辅助诊断方面优势显著。北京大学人民医院陈浩权团队运用人工智能深度学习模型实现对结直肠癌影像分期的精准评估。上海交通大学医学院附属瑞金医院杨蕊馨团队证实卷积神经网络算法可辅助诊断消化道肿瘤。目前，有些人工智能模型分割识别表现已接近甚至超越临床专家水平。
在技术体系发展方面，人工智能﹢医学影像领域目前已形成以卷积神经网络为核心，融合目标检测、语义分割多任务框架，并向影像﹢临床﹢病理﹢基因组学多模态进行融合拓展的发展趋势。
人工智能目前还在重塑医学影像学的知识体系和人才培养模式。人工智能辅助诊断系统能够显著提升影像学教学中学生学习的主动性和学习效果，助力培养学生的思维能力。以医学影像处理为切入点的教学体系，有效促进了学生工程实践与创新能力的提升。
治理问题亟待破解
虽然人工智能﹢医学影像融合发展速度迅猛，但也面临着较为突出的技术、伦理、法律等挑战。
人工智能决策缺乏透明性，削弱了其可解释性，对循证医学体系构成了挑战。责任主体分散导致归责边界模糊不清。数据隐私与安全、算法偏倚以及系统稳定性等问题十分突出。标准体系与监管机制尚不完善，制约了规模化落地。建议构建一套覆盖数据采集、模型训练、临床验证及应用监管的全流程标准体系，强化隐私保护，提升算法的透明度与可解释性，推动形成可理解、可追溯、可问责的人工智能医疗体系。
此外，人才培养方面还存在教学内容与临床实际脱节、复合型高层次人才匮乏等结构性问题。建议在传承临床经验的基础上，推动教学与人工智能算法融合，通过跨学科协同培养打造多层次的医工交叉人才队伍。
现阶段，人工智能﹢医学影像正引领着医疗模式的变革，但整体发展仍以技术驱动为主，模型多依赖单中心、小样本数据，泛化能力不足。以技术推动应用，用应用推动治理，不失为一条高效、顺畅的发展路径。弱监督、自监督学习及生成对抗网络降低了对标注数据的依赖；多模态数据融合实现了影像、临床、病理及基因信息的综合分析，助力构建个体化诊疗模型；序列分析能力的增强使疾病预测与疗效评估成为可能。随着边缘计算的发展，人工智能有望下沉到基层，提高医疗服务的均衡化水平。
未来，构建集高诊断效能、可解释性与适用性于一体的临床决策支持系统是重要的发展方向。这也将推动医疗模式由经验驱动向数据驱动转变，实现以患者为中心的全生命周期健康管理。
医学智慧之眼：从“看见”到“看透”
□中国医学科学院阜外医院信息中心主任 袁靖
在临床诊断过程中，影像检查始终扮演着“眼睛”的角色。随着人工智能的深度介入，这双眼睛如今正在经历从“看见”到“看透”的智慧化蜕变。该变化正在各级各类医疗机构的影像诊断室里上演。从三甲医院的高端科研到基层社区的日常筛查，人工智能正重新定义医学影像的价值。
中国医学科学院阜外医院深耕信息化与智慧化建设二十余载，积极推动医疗领域新质生产力发展，深度应用人工智能影像分析技术，持续赋能医疗服务提质增效，取得了一系列成效。
那么，人工智能在医学影像应用场景中，发挥着哪些作用呢？
大幅提高生产力
在传统医疗模式下，影像科作为临床诊疗基础支撑，工作量很大。人工智能的介入，显著缩短阅片时间，提升诊断效率。
以心电图为例，由于心脏疾病的初筛、诊断、疗效监测等，都离不开心电图检查，心电图的临床判读工作量很大。同时，心电图很难捕捉到隐匿性病变，漏诊误诊风险也较高。人工智能可将心电图判读过程缩短至秒级。在阜外医院，人工智能系统可辅助识别上百种异常心电图，常态化支撑68种疾病的智能识别，真正做到心电图判读快、疾病诊断准、疑难疾病发现早。
如果说心电图人工智能辅助是提质增效，那么心脏磁共振成像检查的智能革新便是破局纾困。心脏检查的处理工作繁重，纯人工模式下医生手动处理单例数据耗时超过30分钟，直接限制了设备流转效率。如今，医生利用人工智能系统，5分钟即可完成全序列图像分析，并生成包含90多项参数的报告，实现从“人工30分钟”到“人工智能5分钟”的转变。
推动同质化诊断
除了效率提升，人工智能赋能临床的核心价值，还在于破解诊断同质化与微小病变精准识别的难题，有效弥合因医生经验差异带来的“鸿沟”。
当前，我国医疗资源分布不均，基层缺乏高水平影像科医生。人工智能应用可将三甲医院专家诊断经验复制到基层。在实践中，人工智能作为基层医生的“超级助手”，能对各类影像检查进行标准化过程质控和结果智能分析，确保各地影像检查诊断标准一致。这种同质化诊断让百姓在家门口就能获得高水平的医疗服务，减少辗转求医。
在超声检查领域，人工智能应用成效尤为显著。传统超声检查高度依赖医生手法和经验，主观性强。现在，人工智能系统能自动扫查标准切面、识别关键期相、测量结构及功能参数，结果可解释，全程可追溯，有效减少人为误差，让年轻医生“达到”专家级超声检查测量水准。此外，一键式自动化测量，还可提升报告客观性，为临床医生提供统一量化的决策依据。
助力抢夺治疗“黄金时间窗”
人工智能的价值还在于挽救患者生命。在心血管疾病防控体系中，人工智能是助力实现早诊早治的关键力量，尤其在肺动脉高压等隐匿性疾病筛查中的作用不可替代。
肺动脉高压早期症状隐匿，被称为心血管“癌症”。传统诊断路径下，患者从出现症状到确诊平均需6～8个月。很多患者确诊时已错过最佳治疗窗口。人工智能通过深度学习算法，能捕捉胸片中肺动脉段突出等细微征象，在患者首次拍胸片时就提示肺动脉高压高风险，将确诊时间压缩至1次就诊时间，保障了患者的生命质量。
此外，依托人工智能系统，普通胸片或平扫CT也能被用于初步筛查复杂心脏疾病，从而降低了筛查门槛和成本。在基层和体检应用场景中，低成本、低风险的人工智能筛查模式正覆盖更广大的人群。
当前，人工智能正重构医疗服务模式。随着人工智能承担起大量的基础性医学影像辅助诊断工作，临床医生将不再花费大量时间做机械数据测量，而是聚焦复杂病例分析、治疗方案制定和患者沟通。这使得人工智能成为提升医疗服务可及性、精准性和高效性的核心引擎。
人工智能与医学影像融合正处于技术攻坚期
□四川大学计算机学院教授、博士生导师 王艳
医学影像是人工智能最早进入，也是最有可能率先形成规模化应用的医疗场景之一。从技术上看，这种深度融合并不是偶然，而是数字医学和算力提升共同作用的结果。
CT、磁共振成像、超声等医学影像技术，本质上都是可以被计算机处理的数字信号。医生阅片时关注的是密度、信号、形态和时空变化规律等，而人工智能尤其擅长从大量样本中识别复杂模式、提取潜在特征。正因为两者在信息表达方式上具有天然的一致性，人工智能才能逐步从影像识别走向辅助诊断、病灶分割、风险预测和疗效评估，并推动医学影像从经验判断向数据驱动加速演进。
总体来看，可以从以下4个方面理解这一进程。
第一，技术适配性为深度融合提供了前提。 医学影像本质上是高度数字化的数据。CT、磁共振成像、超声、X线都可以转化为计算机可处理的图像矩阵、三维体数据乃至时间序列。医生阅片时所关注的密度、信号、形态和变化规律，本身就是可被算法学习的特征信息。
近年来，卷积神经网络、视觉Transformer、自监督学习等技术不断成熟，模型已能从二维切片、三维影像甚至动态序列中，自动提取特征信息。尤其是预训练和迁移学习的发展，使模型不再完全依赖大规模精确标注数据，为人工智能与医学影像快速融合提供了现实基础。
第二，数据异质性与临床复杂性仍是当前主要的技术壁垒。 医学影像人工智能模型研发的难点，从来不只是“识图”。不同医院、设备、扫描协议形成的数据差异很大，同一种疾病在不同中心的影像表现也可能不一致。针对同一病灶，不同医生的标注边界和判断标准也可能存在差别。这些都会导致模型在单中心表现较好，但在跨院应用时性能下降。此外，医学影像诊断并非简单的目标识别，而是与患者年龄、病史、检验结果、治疗阶段密切相关的综合判断。模型也许能发现异常，却未必真正理解其临床意义。再加上医疗数据高度敏感，跨机构训练受隐私保护和合规要求限制，这些都决定了医学影像人工智能模型的研发难度远高于普通的视觉任务。
第三，基础模型与多模态融合正在形成突破口。 近期最值得关注的技术进展，一是医学影像基础模型的兴起，二是多模态融合能力的增强。以往常是基于1个任务训练1个模型，而现在越来越多的研究尝试训练可跨器官、跨任务、跨模态迁移的通用模型，使其先获得较广泛的医学视觉知识，再适配具体场景。与此同时，临床决策要结合病历、病理、基因和随访等多源信息。多模态技术的发展，正在推动模型从“看见异常”走向“理解异常”。
此外，联邦学习、隐私计算、合成数据等技术也在帮助解决数据共享受限和稀缺样本不足问题，为真实临床应用打开新空间。
第四，未来研发将走向系统化与可信化。 人工智能与医学影像的技术演进，不会只停留在单点识别工具的优化，而会转向更系统的能力重构。
其一，应用场景将从单任务走向全流程，覆盖筛查、诊断、疗效评估和随访管理。其二，技术路线将从单模态走向多模态，让模型不仅能看图，还能结合文本和临床数据参与连续决策。其三，评价标准将从“高分数”走向“高可信”，即在准确率之外，可解释性、鲁棒性、公平性和可追溯性将变得同样重要。其四，研究团队间的竞争重点也将从单一算法竞争转向系统工程能力竞争。谁能更好地打通高质量数据、隐私安全、跨院验证和临床流程嵌入，谁就更有可能率先实现稳定落地。
目前，人工智能与医学影像的融合已经不再是单纯的技术融合，而是进入了技术突破与体系重构并行推进的新阶段。真正决定这一领域能走多远的，是能否建立起贯通数据、算法、可信与临床应用的完整技术体系。
未来，人工智能也不会替代影像科医生，而会成为医生重要的技术伙伴，帮助更快地发现异常，更稳定地完成定量分析，更高效地整合复杂信息。