0

CT报告上的几行字,仅仅只是机器拍下影像的“冰山一角”。
一张胸腹CT切片集合里,同时藏着肺、肝、胆、脾、肾、骨骼等上百种组织的信号。
但阅片时,分析重心会优先对准就诊问题,其余潜藏在影像内的各类征象线索,往往被搁置。
早期医疗影像AI的演进,也模仿既有的临床体系:针对特定病灶训练独立模型,在单点任务上不断打磨性能,彼此却互不相通。
于是,一个极具诱惑力的命题摆在行业面前:能不能不增加扫描,把单张CT影像中蕴藏的健康线索,尽可能充分地挖掘出来?
一扫多查,逐步火热。
最近,德适科技公开iMed-6.0系列大模型的技术进展,依托轻量版本Aegis基座开发的通用CT垂直模型,实现胸腹部合计509项疾病与影像征象统一识别。
同一天,Forbes(《福布斯》)刊出专版报道,把德适科技作为中国医疗AI的行业案例拆解。
它是今年唯一一家获得专版报道、并被作为行业案例介绍的中国医疗AI新兴上市公司。报道里,宋宁博士用微软Office来类比旗下的医疗影像AI研究与生产加速平台iMedLoop:Office出现前,文档要送去打印店;Office出现后,任何人在桌面就能产出。医疗AI过去也像“打印店”,医疗机构提需求,算法团队标注、训练、交付;iMedLoop想做的,是把制作AI模型的能力交到医疗机构自己手中。
这也折射出整个医疗影像AI范式转型中必须直面的问题:是在旧框架里做增量,还是重构底层,打造一套“医疗界微软Office”式的底层基座,去适配人体本身完整、连续的生理现实?


专病模型,是国内医疗影像AI商业化最初的基石。
众多行业参与者围绕临床明确的诊疗痛点,完成病例归集、病灶标注与算法迭代,多款专病产品逐渐渗透进各级医疗机构。
这套模式把AI的能力锚定在真实临床需求之上,切实承接了放射科大量重复性的阅片工作。
但局限性也逐渐显露。
它更像“打印店”:医院提需求,算法团队接单、标注、训练、交付。每家医院新引入一套AI方案、每加一个新病种,都要重新走一遍开发流程。一款达到临床可用标准的专病模型,病例积累、标注训练、多中心验证环环相扣,周期往往长达两至三年。想覆盖数百种征象,人力、算力与时间成本会不断叠加,商业可持续性大打折扣。
比成本更底层的矛盾,来自医疗现实。人体的脏器与病理改变不是孤立存在的,同一份CT影像之内,血管退行改变、脏器慢性损伤、局部可疑异常常常交织共生。放射科医师会在完整的解剖语境之下,参照器官之间的相互关联综合判断;但专病模型却很难复刻这套全局思考,每一个模型只对自己训练过的特定信号敏感,缺失跨器官感知。即便将多款模型串联调用,本质依旧是逐项执行检索任务,无法建立起对整张影像的整体性理解。
想要真正做到全片的综合研判,必须下沉到底层基座,从模型的根源建立对医疗影像的原生认知,这也是搭建“医疗界微软Office”的核心前提。
德适的iMed-6.0正是这一思路的产物。它是iMedImage®基座大模型的新一代版本,包含中等参数Thoth、轻量版本Aegis,以及尚未完整披露的大参数Horus。
iMed-6.0在保留任务适配能力的同时,强化3D、WSI、时序等医疗影像原生模态感知,把能力从影像理解、解剖与病灶分析,延伸到了报告撰写与核对等环节。
基于iMed-6.0 Aegis基座模型开发的通用CT垂直模型,可支持胸腹部的CT平扫与增强CT分析,能实现胸腹部合计509项疾病与影像征象统一识别。基于多家医院近4万对真实CT影像报告样本评估,全部509项任务零样本宏平均AUC为0.855,其中249项关键临床任务达到0.930[1][2];在MMMU、MedBench的公开评测榜单中,iMed-6.0系列基座位列榜单之首,性能超过多款主流通用多模态大模型。



“一扫多查”成为热词后,市场容易滑向数量崇拜:识别征象越多,仿佛技术越强。但跑分只是技术潜力的证明,并不直接等同于落地能力。
宋宁对此有着清醒判断:“一次CT检查、509项疾病与征象,只是一个起点。我们更关心的是,医院能不能用这套底座,按自己的临床经验快速训练出需要的模型。”
正如微软Office不是单一成品软件,而是一整套生产工具链:写文档、做表格、制作演示文稿,普通用户无需精通底层代码,就可以按需产出各类办公资料;
Forbes报道中提到的iMedLoop,也不是一个简单的阅片应用,而是由医疗影像AI基座大模型iMedImage®、全模态智能影像标注平台iMedStudio™及专用模型训练与发布平台iMedMaaS™共同组成的完整工具栈。
依托iMed-6.0基座搭配iMedLoop™医疗影像AI研究与生产加速平台,医疗机构无需深厚的算法编程能力,就可以基于本院真实病例,训练适配科室业务的定制小模型,服务科研探索、教学培训以及日常辅助阅片。
这赋予了医疗机构自我进化的能力。
消费端大模型追求一套范式普惠全部用户,医疗行业恰恰与之相反。不同层级、不同地域的医院,病例谱存在显著分化:三甲医院聚集大量疑难复杂病例,基层医疗机构更多承接常见病与慢性病。就诊人群结构、地域疾病谱的差异,决定了临床需求天然具备多样性。
一套优秀的“医疗界微软Office”更像是一片能力土壤,允许不同机构结合自身业务场景,生长出适配自己的数字化能力。


可生长,不等于可临床。
国内医疗影像AI经历过资本涌入的“上头期”,也经历过理性沉淀。医疗AI不能照搬互联网产品快速上线、快速试错的迭代逻辑,而是要在严谨中谨慎向前。
类比微软Office,工具可以高效生成各类文稿,但文稿的专业价值,依然依赖使用者的甄别、校验与把关;放到医疗场景,“医疗界微软Office”能够高效产出AI模型、批量输出影像线索,但临床最终决策,始终由专业医师来把握。
对患者而言,如果在基于iMed-6.0 Aegis开发的通用CT垂直模型帮助下,一次成像能够扫描多维度健康指标,可以有效减少不必要的重复检查。
但倘若缺少合理的筛选机制,大量无干预价值的偶然影像不仅会加重医生的复核负担,还可能造成患者不必要的心理焦虑,甚至引发过度复查等衍生问题。
这就对基座提出了更高要求:不只是要把异常找出来,更要学会判别征象的临床权重,区分高危警示和仅需随访观察的信号。医生需要结合病史、体征逐条核验模型结果,完成复杂的风险鉴别。技术拓展了信息广度,而人的临床判断,最终守住诊疗的分寸与底线。

十余年来,医疗影像AI的演进,本质是两套底层逻辑的博弈:
行业早期的探索,更多遵循拆解式的技术逻辑,本质就是被动外包的“打印店模式”;
而现在,产业逐渐向生命逻辑回归,“医疗界微软Office”正是行业下一步迭代的重要方向。
AI面对的不是一张张冰冷的灰度像素切片,而是切片背后一个个完整鲜活的人。
硬件早已实现对人体的完整扫描,如今产业的课题不在于挖掘多少影像征象,而在于如何尊重医疗本身的复杂性,让技术服务于多元、真实的临床现场。
从“打印店”到“医疗界微软Office” ,跨越的不是工具代差,而是能力归属。当临床经验可以快速长成模型,医疗AI才从一门交付生意,变成一种可持续的生产力。
[1]AUC是评估AI识别病灶能力的常用指标,取值在0~1之间;数值越接近1,代表AI区分病变与正常影像的能力越强,0.5相当于随机猜测。
[2]本文所披露的AUC为技术验证结果,不代表临床诊断性能结论。
