医疗影像AI：在"辅助"和"替代"之间，行业在哪里？

技术上，AI读片已经很强了

这不是吹牛。

2017 年斯坦福 CheXNet 在胸片肺炎检测上就超过了平均水平的放射科医生；后来陆续有研究显示，在特定病种的特定影像类型上，AI 的灵敏度和特异性都能达到专科医生水平，甚至更高。

皮肤癌识别、糖尿病视网膜病变筛查、骨龄评估——这些场景里 AI 的落地相对成熟，因为任务边界清晰：输入一张图，输出一个判断，对错可验证。

原因一：监管

医疗AI在大多数国家属于医疗器械，需要临床试验数据、监管审批、持续的不良事件监测。走完这个流程需要几年，门槛很高，自然筛掉了大量产品。

中国这边，NMPA（国家药品监督管理局）从 2020 年开始批三类医疗器械里的 AI 产品，现在拿到证的产品在几十个到上百个之间，但真正进院采购的还是少数。

原因二：责任归属

AI 给出了一个判断，医生签字，出了问题谁负责？这个问题目前没有清晰的法律框架。大多数医院的现实做法是"AI 看了，医生也看，最终医生说了算"——AI 变成了辅助，不是决策者。这本质上没有减少医生的工作量，只是多了一道参考。

原因三：数据孤岛

AI 模型的性能强烈依赖训练数据的分布。在 A 医院影像数据上训练的模型，放到 B 医院可能性能大幅下降——因为不同医院的设备型号、扫描参数、患者人群都不一样。但医疗数据受隐私法规保护，跨机构共享极其困难，这让模型泛化成了顽固难题。

筛查场景表现最好，逻辑也最清晰：用 AI 做初筛，阳性的再给医生精读，阴性的可以批量过掉。

diabetic retinopathy（糖尿病视网膜病变）筛查是目前全球部署最广的场景之一——基层诊所没有专科医生，AI 可以做第一道关卡，异常的再转诊上级医院。这个逻辑成立，因为它不是替代医生，而是填补了医生不在的空白。

急诊优先级是另一个有意思的方向：CT 一扫出来，AI 先看，如果有脑出血的迹象立刻推到队列最前面，通知医生优先处理。这个场景价值明确，争议小，落地也相对顺。

医疗影像 AI 不会像 coding AI 那样快速渗透——不是因为技术不行，而是因为它所在的领域有足够的理由慢下来：监管、责任、数据、信任。

但"慢"不代表"停"。接下来五年，筛查场景和急诊辅助场景会继续扩大，基层医疗机构（缺少专科医生、愿意接受AI作为补充）会是真正规模化落地的主战场。

大城市三甲医院反而可能是最后跟进的——那里的医生最强，AI 的边际价值最小，但也是最难说服的地方。