AI赋能医学影像中心高质量发展

AI+赋能医学影像中心高质量发展人工智能是研究使用计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科研究人类智能活动的规律构造具有一定智能的人工系统研究如何让计算机完成以往需要人的智力才能胜任的工作研究如何应用计算机的软硬件模拟人类某些智能行为的基本理论、方法和技术怀疑

→憧憬

→冷静→

规范应用→

推动临床化/市场化从RSNA主题看AI趋势和观念的改变AI+医学影像的应用AI+检查扫描辅助摆位AI+医学图像扫描采集AI+医学图像重建AI+流程优化AI+人工智能质控AI+医学影像后处理AI+智能诊断结构化报告生成AI+临床诊断预测AI+风险预警提示AI+创新技术AI+3D打印促进基于模拟的医学培训AI+3D打印已经实现了制造患者特定解剖模型，为精准医学和介入治疗培训做出了重要贡献。AI+3D打印可以用于改进结构性心脏介入手术的培训AI

+

医学影像AI

SolutionAI+解决方案GPT117

million1.2

billion175 175billion 175

billionbillion2017 201820192020 2021 2022.11发布Vision

Transformer 1.3

billionChatGPT

AI大模型时代模型学会特定指令WebGPT175billion添加“人类反馈强化学习”(RLHF)的概念。工程师对GPT3.5的回答做标注，告诉它哪个回答是正确的，使得GPT3.5能更自然地和人对话。ChatGPT就是GPT3.5衍生而来的模型InstructGPT预测一句话的下一个单词词汇量的扩充自然语言处理（NLP）作为人工智能的重要研究方向，旨在帮助计算机理解、解释和运用人类语言TransformersChatGPT（全名：Chat

Generative

Pre-trainedTransformer），美国OpenAI

研发的聊天机器人程序，于2022年11月30日发布。ChatGPT是人工智能技术驱动的自然语言处理工具，它能够通过理解和学习人类的语言来进行对话，还能根据聊天的上下文进行互动，真正像人类一样来聊天交流，甚至能完成撰写邮件、文案、翻译、代码，写论文、生产视频等任务。1966

年

MIT

发布世界上第一台聊天机器人

Eliza。Eliza

能够遵循简单语法规则来实现交流。ChatGPT2024年5月14日OpenAI推出ChatGPT

4o桌面版应用程序百度代表产品：文心一言（如文心大模型4.0）特点：中文处理能力强，广泛应用于搜索、医疗等领域。智谱AI代表产品：GLM系列（如GLM-4-Plus、ChatGLM）特点：国产独立知识产权，多模态和Agent能力突出，广泛应用于企业服务。阿里巴巴代表产品：通义千问（如通义千问2.1）特点：开源大模型，代码理解和数学推理能力强。腾讯代表产品：混元大模型。特点：中文创作和逻辑推理能力强，广泛应用于内部业务场景。科大讯飞代表产品：讯飞星火认知大模型（如V3.5）特点：语音交互和多模态理解能力突出，接近GPT-4水平。百川智能代表产品：百川大模型（如Baichuan3）特点：中文医疗任务表现优异，动态数据选择技术领先。MiniMax代表产品：ABAB系列（如abab6.5）特点：支持复杂生产和多语言对话，上下文窗口长达245k。月之暗面代表产品：Kimi智能助手特点：支持长文本生成和联网搜索，用户体验优异。云从科技代表产品：从容大模型（如1.5版）特点：智慧医疗和智慧交通领域应用广泛。10.

深度求索（DeepSeek）代表产品：DeepSeek-R1、DeepSeek-V316。特点：开源模型，推理能力强，成本效益高，广泛应用于企业服务强化学习（ReinforcementLearning，RL）：是一种机器学习方法，智能体（Agent）能够在与环境（Environment）的交互中，通过试错和人类反馈来学习最优策略，使模型行为和决策更符合人类的偏好和目标。国外知名大模型OpenAI代表产品：GPT系列（如GPT-4）推理模型o3

mini1。特点：在自然语言处理和多模态能力上表现突出，广泛应用于对话、推理和生成任务。无监督预训练：GPT模型在大量无标签文本数据上进行预训练，通过预测下一个词的概率来学习语言的统计规律。这种无监督学习方式使得模型能够学习到丰富的语言知识和结构特征。Google代表产品：Gemini系列（Gemini

2.0闪电模型）特点：多模态输入与文本输出能力强，优化了编码性能和复杂提示处理。Meta代表产品：Llama系列5。特点：开源大模型，支持蒸馏技术，推动低成本AI模型的发展。xAI（埃隆·马斯克旗下）代表产品：Grok

31。特点：支持图像分析和问答，计算能力强大，适用于社交媒体平台。中国知名大模型人工智能大模型新闻等。以图像大模型为例，它会学习数百万张图片，从而能够识别和生成各种图像，数据量越大，模型性能往往越好。数据驱动大模型依赖海量的数据、超强的算力进行训练。这些数据来源广泛，包括能力体现大模型具备多种能力，如语言生成、知识问答、推理等。例如，用户向大模型提问历史事件，它能详细解答；让它生成一篇故事，也能快速完成，展现出强大的智能水平。技术基础深度学习算法模型架构：Transformer架构，是一种用于自然语言处理(NLP)和其他互联网文本、书籍、

序列到序列(sequence-to-sequence)任务的深度学习模型架构，具有强大的并行计算能力和长序列处理能力，使得大模型能够处理复杂的语言任务。。模型本质人工智能大模型本质上是一种基于深度学习的人工智能系统。它通过大量数据的训练，学习到数据中的模式和规律，从而具备强大的语言理解和生成能力。例如，GPT系列模型就是典型代表，能处理多种自然语言任务快速发展近年来，大模型进入快速发展阶段，模型规模不断增大，性能不断提升。例如，GPT-4拥有数百亿参数，能够完成多种复杂的自然语言处理任务，应用场景也越来越广泛。未来趋势未来，大模型将朝着更加智能、高效的方向发展。可能会结合多模态数据，如图像、语音等，实现更强大的交互能力。同时，模型的可解释性和安全性也将成为重要的研究方向。2048块GPU卡56.7天在多样且高质量的词元tokens上进行预训练，通过监督微调和强化学习进一步优化。参数总量。6850亿个参数最新版本DeepSeek-V3-0324？？？？Maybenamed

as美国FDA批准的AI软件类别与数量（2008--2023）2018-2020年高速增长后AI类软件注册证批准的增长势头有所减缓。影像AI类软件FDA共计审批263个。影像后处理与分析工具（MIMPS）占据67%。计算机辅助检测（CADe）占2%。检测和疾病分类（

CADe/x）占5%。流程导向和风险预警提示（CADt）占据23%

。计算机辅助诊断（CADx）占3%。单纯基于影像就能做诊断的CADx软件只有24个。检测工具效率工具计算机辅助检测计算机辅助诊断检测和疾病分类放射采集与优化指导（

CADa/o

）设备内置软件。截止2023年影像AI类软件FDA共计审批263个2025年突破900个中国获批NMPA三类证的医学影像AI产品已突破100款1512020年首批九个AI产品获批2021年AI产品网络安全十九项能力检验报告影像AI在单点上复制/增强人的阅读分析能力；规范，包含51个AI临床应用场景；海量的影像AI生成Findings单设备单部位单病种部位 设备病种ACR2018年首次发布Touch

AINarrow

AI（狭义人工智能）解剖AI输出多设备多部位多病种成百上千个医学影像AI临床应用海量的影像AI生成Findings在众多细分的临床应用场景中，AI企业拿着大锤子去砸每颗小钉子，从成本来讲划不来，但这些小钉子对临床很有用。NarrowAI（狭义人工智能）部位 设备解剖AI输出病种（狭义人工智能）：是指专门设计用于执行特定任务的人工智能系统。（通用人工智能）：是指能够处理广泛认知任务的人工智能系统。Narrow

AI VS General

AI来源：Keith

DreyerMass

General

Brigham

首席数据科技家时代周刊AI行业最重要的100人创新者- 首席科学官，美国放射学院数据科学研究所骨科医学博士美国医学成像信息学会院士美国放射学院院士单设备单部位单病种多设备多部位多病种现实理想2023年9月8日美国时代周刊选出AI行业最重要的100人百人名单分成4大类每类有25人入选链接：/collection/time100-aiNarrow

AI

小模型深度学习的卷积神经网络（

CNN

）的前端是一个3×3矩阵或者

4×4矩阵的卷积核。大模型的前端是基于单个矩阵的注意力模型。大模型具备更强的探索维度，但是对算力的要求和消耗更高。大模型扩展到三维图像的识别，还存在理论上的障碍。大模型理论仍在探索开拓、迭代发展中。General

AI大模型CNNConvolutionalNeuralNetwork卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络（FeedforwardNeuralNetworks）。是深度学习的代表算法之一。专注于某一个具体任务的AI小模型AI大模型更像人类的大脑。兼具“大规模”和“预训练”两种属性。可以在海量通用数据上进行预先训练。能大幅提升AI的通用性、泛化性、实用性。GPTGenerative

Pre-Trained生成式预训练是一种基于互联网的、可用数据来训练的、文本生成的深度学习模型。3×3矩阵卷积核目前Narrow

AI

小模型存在的问题

影像AI只能工作在相对狭窄的影像特征场景上，但影像医生的一份诊断报告场景往往依赖于十几个，甚至几十个影像特征，目前的影像AI总是感觉很单薄。影像AI依赖于统计特征，因此：对治疗过的靶器官很难使用AI模型，因为没有足够多的训练数据让AI学会认识这种复杂性。对于不同厂家的MR设备多变的扫描风格，对医生读片没有什么实质性的影响，但对影像AI的统计特征存在影响，效能不稳定。在影像AI领域是否存在一个或者若干个基于大模型的？？能否像ChatGPT/DeepSeek解决聊天/推理语法的复杂性一样，解决放射影像AI存在的上述问题？当前用大模型做医学影像AI分析，发现用于诊断和教学仍不靠谱！大模型的文本搜索能力和在文本当中对概念和特征的提取能力非常强大，能直接学习并掌握专业医学知识和指南，在类似聊天的一问一答中，其能力超群。但是还不能将真实病例交给它推理。如果把病例交给大模型推理，目前总是存在莫名的推理错误（Wicked

Problem，恶劣问题）为了消除这种错误和问题，需要引入并运行各种临床场景中的诊断规则指南，同样需要进行大规模、高成本的数据训练，因此，距离实现通用型的大模型应用还有较大差距。但是如果针对诊断规则明确清晰的、特定的临床应用场景，通过工程师和医生团队的优化配置，在大模型中实现这些规则的运用，还是能够实现极高的效率、准确率，降低训练成本，并消除错误和问题产生的可能性。理想愿景：影像分析和报告文本生成共用一个大模型放射科生成式人工智能对比语言-影像预训练通用大模型基于像素和图像识别影像分析影像特征搜索怎么办？基于语义和自然语言报告生成结构化报告填写自然语言计算机视觉可行方案：影像分析和报告文本生成同时融合使用多个不同的大模型胸部CT一扫多查脑部MR多序列一扫多查医疗影像AI大模型一个大模型，同时完成几十种疾病的人工智能辅助诊断单病种影像AI大模型医学影像

AI

新应用CT

颅内出血智能分析与随访系统CT

脑缺血智能分析系统CTA

头颈血管智能分析系统CTP

脑灌注智能分析系统CTP

脑侧支循环智能分析系统MRP

脑灌注智能分析系统MRA

头颈血管智能分析系统MRI

脑结构智能分析系统MRI

脑小血管病智能分析系统MRI

脑静息态功能智能分析系统MRI

脑纤维功能智能分析系统PET

脑智能辅助分析系统CTA

冠脉智能分析系统CTA

冠脉斑块智能分析系统CTA

主动脉智能分析系统CT-FFR

智能分析系统CTP

心肌灌注智能分析系统CT

非门控钙化积分智能分析系统CT

门控钙化积分智能分析系统CMR

心脏智能分析系统

(电影)CMR

心脏智能分析系统

(T1Mapping)CMR

心脏智能分析系统（LGE/T2W)CMR

心脏智能分析系统（灌注)CT

肺结节智能筛查与随访系统CT

胸部骨折智能分析系统CT

无体模骨密度智能分析系统CT

组织定量智能分析系统（QCT）CT

肺炎智能分析系统CT

肺气肿智能分析系统CT

淋巴智能分析系统CT

食管异常智能分析系统CTA

肺栓塞智能分析系统CT

肺结节3D智能靶重建系统CT

骨转移智能分析系统CT

上腹部智能分析系统DBT

乳腺智能分析系统FFDM

乳腺智能分析系统MRI

脑转移瘤智能分析系统MRI

肝肿瘤智能分析系统MRI

前列腺癌智能分析系统PET/CT

肿瘤智能分析系统SPECT/CT

智能分析系统胸外手术智能规划系统肝胆手术智能规划系统泌尿手术智能规划系统髋关节置换术前规划系统CTA

下肢血管智能评估系统CT

骨盆骨折智能分析系统DR

儿童生长发育智能分析系统DR

骨折智能分析系统DR

脊柱侧弯智能分析系统DR

下肢力线智能分析系统X

光胸片智能一扫多查系统大模型影像报告质控放射科智能三维重建系统万能

AI

辅助三维重建平台（AIS）科研平台（uRP）影智大模型开发者平台（mdGPT）智能康复系统AI

应用赋能临床和科研赋能4000+

医疗机构AI产品的审批与监管难度WhatAreSomeOfTheBarriersForDevelopingCADe,CADxandCADe/xAIProducts

？SpecialControlsnotonlyaboutriskandmayreflectdemonstrationofintendeduseorinadditiontoriskto

patients美国FDA的反思：需要评估产品的风险与预期用途（Intendeduse）的风险。预期用途（Intended

use）范围带来的风险是很难控制的风险，各方有违反的原始动力。Multi-ReaderMulti-Case(MRMC)studiesarecostlyandcomplex-potentiallytensofmillionsincostandadecadeto

conduct反思：多人多病例的读片试验（MRMC）过程需要花费数千万美元，而且可能耗时10年左右。美国食品药品监督管理局不足以确保人工智能的安全性和有效性你需要地方治理医院/科室

自研自用AI从回答和解决临床问题出发，反向设计，自研自用个性化开发AI难度可控；针对性回答临床问题的价值往往超过诊断分析自研自用AI？风险如何评估控制？什么是自研AI？针对本医院的某个特定的扫描方案，某种特定的治疗方案，从影像当中提取生理特征、病理特征（测量值和关键图像）的AI。自研AI的成本如何？仅需500-1000例少量数据训练，就能取得很好的临床效果。不用考虑其他扫描方案、治疗方案的影响。自研AI的风险如何评估？持续监测质量和效能，通过持续监测进行持续改进。自研产品对于其预期使用用途范围的限制更加清晰明确，更加不容易超范围使用。04AI与PACS-RIS

HIS集成DICOM影像数据和文本语义信息，并保证其安全与高效？费时、耗力的过程评估、集成、应用影像AI所面临的挑战如何选择/评估/集成/部署/应用/迭代升级

如此种类繁多的来自不同AI厂商的AI应用WHICH

APPS如何选择/评估需要的AI应用？WHERE如何将AI应用整合到现有的PACS/RIS工作流程中？VENDORS如何与AI和PACSRIS厂商协同开发集成接口？HOW医院信息部门如何管理和调度各种AI应用所需输入和输出的

逐一集成AI应用是一个现有部署AI工具的过程复杂

–

延缓了AI的采用分别集成多家AI厂商的应用容易导致问题和风险目前使用AI工具是一个手动操作和系统割裂的流如何将不同厂商、不同架构的AI应用纳入到影像科室的生产系统和工作流程中SourcesQuantitativeMarketResearch,MarketVisionResearch,PACSAI,VNAAI,andAIWorkflow,

2019AIClinicalAppsResearchQuantitativeMarketResearch,MarketVisionResearch,MVRProject:18-0473,

2018.程放射医师亟待需要一个统一方式：在生产系统（PACSRIS）、日常阅片工作中自动、流畅、所见即所得、所需即所得的使用来自不同公司、不同模型算法的AI应用。不同的AI应用能够将输出的结果自动导入并整合到RIS的结构化报告系统中。AI PACS

新基建目前中国市场上只有很少数几家公司在推出AI

PACS产品。在未来几年，通过AIPACS实现与AI的全面集成，将成为智慧医院影像信息化领域一个新发展阶段。医院认可度AI

PACS能够通过AI引擎按照预先配置的自定义方案自动调度AI算法从而实现AI的自动运算，同时实现AI与RIS/PACS工作流程的双向互动交互与整合。AI

PACS的定义AI

PACS是最近发展的新概念，市场上有为数不多的厂家在推出AI

PACS产品。未来可以预见会有更多的PACS甚至AI厂商进入，开发相应的产品。中国行业动态DataSource:Desk-topResearch,In-depthInterview,Ipsos

AnalysisAI

PACS

对绝大多数医院是全新的概念目前在中国几乎还没有医院开始正式使用AI

PACSAI

PACS在三甲头部医院采访中高度认可AI

PACS对于影像科室运营的简化、管理的有效、诊断的价值几个方面是被广泛认可的

未来趋势 医院对于AI

PACS的需求未来会持续增长随着影像AI应用的不断丰富和迭代，医院影像科室面对超负荷运转的工作量，对于PACS升级换代的需求会持续增加，AIPACS正好迎合了这个趋势，充分发挥AI的价值，简化影像科室的运营，进一步提升工作流程的效率。如何将AI进一步融入临床工作流和场景探索、使用、体验更好的医学影像AI产品集成医学影像AI大模型GPU服务器影像流程系统RIS影像诊断浏览器PACS影像AI集成平台影像AI应用AI与影像信息系统无缝整合才能真正促进AI应用在影像诊断过程中顺畅采用医学影像人工智能集成平台：将医学影像AI植入到临床应用场景中Integrator放射医师/技师需要的临床体验：在现有影像工作流程中无缝使用AI让AI成为放射医师/技师“顺手的临床工具”不集成、不部署、不应用AI的PACS一定会被淘汰不与PACS-RIS集成的AI一定会被淘汰AI

+总 结医学影像人工智能发展趋势总结：医学影像人工智能发展趋势

---

AI+设备医工结合，促进AI+设备，智能影像装备研发，人工智能赋能影像技术快速发展国家十四五工信部提出：以企业为主体，产品化市场化为导向，产学研用融合的创新体系国家十四五发改委提出：以医院为主导，临床化市场化为导向，医研企深度合作攻关研发全流程人工智能CTAI技术CT图像降噪复杂组织器官分割微小病病灶识别与分析组织部位识别协议自动选择最优化扫描流程研发集智能检查扫描成像、智能重建后处理、智能质控、智能诊断于一体的全流程人工智能CT实现AI+设备完整智能化AI+

检查、扫描、成像、质控、后处理、诊断赋能全工作流程AI-CT整机总结：36口腔皮肤宫颈其他甲状腺肝脏骨脑乳腺心血管眼肺部250医学影像AI公司业务聚焦领域范围22128777654321影像辅助手术智能放疗

5.3%5.3%病理诊断5.3%影像云平台7.0%影像辅助诊断77.1%*引自亿欧《中国医疗人工智能市场研究报告》AI医学影像公司中，影像诊断为主要业务的占77.1%，搭建智能影像云平台（7.0%）病理诊断（5.3%）智能放疗（5.3%）影像辅助手术（5.3%）。开展肺部影像辅诊业务的企业达22家、开展眼部影像辅诊业务为12家。总结：医学影像人工智能发展趋势

---

多样化单一产品向产品多样化扩散据亿欧智库不完全统计：肺结节自动检出其他肺部疾病仍然需要放射医师人工诊断全肺多病种（肺结节、肺炎、肺气肿、肋骨骨折等）检测全流程诊疗管理胸部CT影像“肺结节”检出胸部CT影像 检出总结：医学影像人工智能发展趋势

---

多病种单病种产品向单部位多病种检出发展单部位多病种检出，更加接近放射医师的日常临床工作模式，大幅提升医疗效率、准确性和标准化人工智能三要素算力算法数据多模态大模型与AI智能芯片：多模态AI大模型算法与硬件芯片融合势在必行突破硬件物理局限，提升智能密度（单位面积算力）在AI时代继续寻求算力增长、算法研发、数据治理满足AI垂直场景需求总结：医学影像人工智能发展趋势

---

一体化、智能体化人工智能应用环境设备PACS-RIS生产系统软硬件

/

应用环境场景

/

多模态大模型

一体化是人工智能技术落地的必然发展方向AI

+

：从

辅助工具

到

自主智能体人工智能的发展经历了从早期的符号主义、到统计学习、再到深度学习的技术演进。近年来，大型语言模型

(LLM)

的突破性进展打破了天花板，为

AI

的应用从“单一功能”向“综合能力”开辟了全新的可能性。智能体时代的到来，标志着

AI

从“被动响应”向“主动服务”的本质跨越。AI

Agent

不再仅是信息处理者，更进化为任务的执行者。它像一位“数字员工”，能理解意图、制定计划并独立完成端到端的复杂工作流程，从而极大地释放企业生产力。概念解析：什么是

AI

Agent

核心特征？AI

Agent（人工智能代理/智能体）是一种能够自主感知环境、进行决策、执行复杂任务并从结果中学习的智能实体。它不仅仅是一个聊天机器人或自动化脚本，而是一个，是一个具备“主动智能”的数字伙伴，能够在开放、动态的环境中持续进化并完成具有挑战性的任务。无需人类持续干预，能够主动独立启动、规划、调整并最终完成复杂任务