2026全球AI医疗行业蓝皮书-沙利文

2026全球AI医疗行业蓝皮书扫码了解详情扫码了解详情©2026弗若斯特沙利文书》。报告系统梳理全球及中国AI医疗行业的发展现状与未来趋势，围绕AI医疗的技术演进、产业链结构、应用场景、市场格局、商业模式、监管政策、发展挑战及未来趋势展开分析。报告认为，AI医疗正由单一技术应用，走向以大模型、多模态数据融合和医学知识增强为基础的发展阶段，并与诊疗、康复管理、医院运营、支付保险、科研及药物研发等场景加速融合。内容涵盖AI辅助临床诊断、疾病治疗、康复与慢病管理、医疗生态等重点方向，并对代表性AI医疗企业进沙利文nAI医疗迈入系统化落地阶段AI医疗已不再是单一算法工具，而是由医疗数据、算法模型、算力基础设施、医学知识体系及临床场景共同构成的综合能力。随着大模型、多模态融合及医学知识增强技术持续演进，AI医疗正加速嵌入诊疗、康复、慢病管理、医院运营、支付保险、科研及药物研发等多个环节，其价值也从单点效率提升，延伸至医疗资源优化、临床决策辅助、服务流程重构和产业协同。n辅助诊断商业化进程领先AI辅助临床诊断是当前AI医疗商业化进展较快的方向，其中医学影像因数据标准化程度较高、临床需求明确、监管路径相对清晰，成为率先落地的核心场景。截至2026年6月，中国已上市134款三类人工智能医学影像辅助诊断软件，覆盖血管/心血管、肺部、脑血管/神经、骨科、眼底等多个疾病领域。与此同时，AI诊断大模型、数字病理和实验室检验等方向持续拓展，推动辅助诊断从单病种识别向多模态理解和诊断推理升级。n全球路径分化与挑战并存2全球AI医疗发展受医疗体系、支付结构、数据基础和监管环境影响，呈现差异化路径。美国依托成熟信息化基础和市场化支付体系，强调监管准入、真实世界验证与商业推广；欧洲在严格数据治理框架下，更重视可信、安全和审慎落地；中国则凭借超大规模临床需求、丰富医疗数据和医院主导的创新场景，推动AI医疗从单点应用向平台化发展。未来，行业竞争将由单一算法精度，转向临床场景入口、数据闭环、模型迭代、系统集成、合规治理和商业化适配等综合能力比拼。2第一章AI医疗行业定义及概览 08nAI的定义、发展及应用 08•人工智能的定义及发展历程 08•AI大模型 08nAI医疗的定义、发展及应用 09•AI医疗的定义 09•AI医疗与传统医疗信息化对比 09•AI医疗核心技术体系 •AI在医疗领域的应用分析 •AI医疗的主要特征 nAI医疗产业链分析 nAI医疗行业发展驱动因素 第二章AI医疗应用场景分析 nAI在疾病治疗场景中的应用分析 •AI辅助临床诊断 •AI诊断大模型 22•AI医学影像诊断 •肺部/胸部疾病 •心血管疾病 •脑血管疾病 •骨科与肌骨疾病 •AI病理辅助诊断 20•AI实验室辅助诊断 21nAI在疾病治疗中的应用分析 22•疾病治疗 22•康复管理 24•慢病管理 25nAI在医院管理运营优化领域的应用 27•诊前服务 27•供应链管理 28•运营保障与风控管理 29nAI在支付及保险创新场景的应用分析 30•医疗保险 30343•商业健康保险 32nAI在医疗生态场景中的应用分析 34•医疗知识与服务生态 35•药物全生命周期管理 37第三章全球市场竞争格局 39n全球AI医疗发展现状分析 40n全球AI医疗发展现状及特点分析 41•美国 41•欧洲 42 43第四章AI医疗监管政策分析 44n全球AI医疗监管政策分析 45n美国AI医疗监管政策分析 46n欧洲AI医疗政策分析与全球对比 47n中国AI医疗监管政策分析 4855第五章AI医疗行业发展挑战及未来趋势分析 49nAI医疗行业发展挑战分析 50nAI医疗行业未来趋势分析 51第六章AI医疗领域公司介绍 53n德适生物 54n梅斯医学 57n平安好医生 59n深睿医疗 61n智诊科技 63u法律声明 65u联系我们 6655AI医疗行业定义nAI的定义、发展及应用人工智能正由传统规则驱动向大模型驱动持续演进，并逐步形成覆盖基础大模型、行业大模型与场景大模型的智能化技术体系。人工智能（ArtificialIntelligence,AI）是以数据与算法为基础，通过模型训练与持续优化，术体系。随着算力提升与数据规模扩展，AI由规则驱动向数据驱动演进，并在深度学习推动下实现对复杂非结构化数据的高效处理，逐步成为支撑产业智能化升级的重要基础技术。人工智能技术经历了从规则驱动、数据驱动到大模型驱动的持续演进：早期专家系统依赖人工规则构建，难以适应复杂场景；机器学习阶段通过数据训练提升预测能力；深度学习阶段通过多层神经网络实现对非结构化数据的高效建模；当前，大模型通过统一架构与规模化训练，推动AI应用向多场景协同与体系深度学习阶段机器学习阶段早期探索阶段规则驱动|知识库推理基于人工规则的决策支持通过数据训练模型实现预测与提升感知与识别能力，实现具备跨任务泛化与多场景在海量通用数据上进行自监督学习，建立模型的基础语言、视觉、多模态理解能力AI大模型是基于海量数据与大规模参数训练形成、具备跨任务泛化能力的新一代人工智能模型体系，标志着人工智能由“单任务模型”向“通用能力平台”的技术范式转变。与传统针对特定任务训练的模型不同，大模型通过统一架构实现跨任务能力复用，并可在海量通用数据上进行自监督学习，建立模型的基础语言、视觉、多模态理解能力预训练预训练通过高质量标注数据，使模型学会理解人类指令并生成符合任务要求基于人类偏好对模型输出进行优化，使其更加符合人类价值、逻辑与通过Prompt调用模型能力，完成具体任务基于海量通用数据训练形成，提供通用语言与多模态理解能力，是AI能力底座基于海量通用数据训练形成，提供通用语言与多模态理解能力，是AI能力底座强化特定领域的专业认知与任务能力面向具体业务场景深度适配，直接支撑实际应用落地与业务流程执行模型可在多种任务之间迁移应用，实现统一模型支撑支持文本、图像、语音等多类型数据的联合建模与协同理解在有限标注数据甚至零样本条件下，仍具备较强任nAI医疗的定义、发展及应用人工智能已成为推动医疗行业数字化转型的重要技术力量，通过与医疗数据、医学知识及临床场景的深度融合，持续重塑医疗服务模式与行业运行体系。AI医疗是指将人工智能技术应用于医疗健康领域，通过数据分析、模型学习与智能决策支持，推动疾病预防、诊断、治疗、健康管理及医药研发等医疗活动向智能化与精准化发展。AI开始进入医学影像、深度学习驱动影像AI快用，AI医疗进入注册审批与商业化阶段。AI从单点场景突破逐步模化应用。相较于传统医疗信息化以“流程管理与数据记录”为核心，AI医疗通过智能分析、多场景协同与决策支持能力，推动医疗体系由AI医疗••智能分析、决策支持与场景协同•信息系统架构、数据库技术•机器学习、大模型与多模态智能技术•结构化数据为主，依赖人工录入•••覆盖诊疗、管理、支付、公卫及药研等多场景•提升流程效率与信息流转•深度参与医疗服务与健康管理决策•信息化与运营效率提升••侧重信息安全与功能稳定•强监管、持续训练与真实世界验证nAI医疗的定义、发展及应用AI医疗已逐步覆盖疾病筛查、辅助诊断、精准治疗、药物研发、健康管理及医保支付等多个场景，应用边界持续拓展。AI医疗并非单一算法应用，而是由医疗数据、医学认知模型及临床场景应用共同构成的体系化技术架构。随着多模态数据融合、大模型及医学知识增强技术的发展，AI能力正逐步实现与医疗工作流的深度结合，推动医疗服务ApplicationAlgorithmLayer面向疾病筛查、辅助诊断、临床治疗、健康管理、医院运营及药物研发等场景，实现AI能力与医疗工作流的深度融合与落地应用。基于深度学习、多模态模型及医学知识增强技术，对复杂医疗数据进行特征提取、临床推理与风险判断，提升疾病识别与医学决策能力。以医学影像、电子病历、基因组、病理及可穿戴设备等多源医疗准化、脱敏与结构化处理，形成支撑模型训练与临床应用的医疗数据底座。流行病学数据分析与疾病风险预测体检数据智能分析与健康风险评估AI辅助靶点发现与候选药物筛选疾病治疗手术机器人与智能治疗辅助系统AI+医疗康复检测与个体化康复方案制定AI医疗的应用范围已从早期单一辅助诊复管理、医院运营、医保支付、健康管理、公共卫生及医药研发等多个环节，推动医疗体系由局部数字化向全流程智AI医疗的应用范围已从早期单一辅助诊复管理、医院运营、医保支付、健康管理、公共卫生及医药研发等多个环节，推动医疗体系由局部数字化向全流程智AI医疗需深度结合医学知识、临床规范及真实诊疗流程，对数据质量、模型稳不同疾病领域与医疗机构之间存在显著差异，模型落地通常需要持续训练与专AI医疗直接关系医疗安全与患者隐私，行业具有较强监管属性，相关产品通常需要经过临床验证、监管审批及真实世界应用评估。同时，AI医疗的发展高度依赖医疗机构、药企、保险机构及科技企业之间的协同合作，产业生态特征显nAI医疗产业链分析底层资源层工具转化层场景应用层AI底层资源层工具转化层场景应用层从数据来源看，医疗机构、影像设备、检验检测系统、基因检测平台、数字病理系统及健康管理终端等，持续产生医学影像、电子病历、检验检查、组学、病理、随访和健康管理等多源数据。相关数据经标准化、结构化、脱敏、互联互通及安全治理后，形成可支撑AI模型开发和应用部署的数据基础；同时，算力、云平台和存储等基础设施为模型训练、推理和规模承担从“数据资源”到“场景工具”的转化功能。基于底层资源层形成的数据基础和模型能力，AI医疗企业将多模态分析、医学知识增强和算法模型封装为可部署的产品模块，覆盖影像辅助诊断、结构化报告、质控管理、临床决策支持、科研分析及AI药物研发等方向，并进一步嵌入医院诊疗、科研转化、药企研发和健康管理等工作流。该环节的核心价值在于将复杂医疗数据转化为医生、研究人员和产业端可实际使用的决策支持能力。是AI医疗价值验证与反馈闭环形成的关键环节。医院、科研机构、药企、影像/体检中心及数字健康平台等应用主体在真实诊疗、科研研究、药物研发、健康筛查和连续健康管理等场景中使用AI证其在效率提升、诊断支持、流程优化和决策辅助等方面的实际价值。模型表现、使用数据及真实世界结果将反向传导至底层资源层和工具转化层，推动数据积累、模型优AIAI药物研发AI数字医疗与智慧医疗服务影像/体检中心数据清洗与标注AI医疗工具与平台临床辅助模型训练T心siLi1vANnAI医疗行业发展驱动因素全球医疗体系在需求增长、数据积累与技术进步的多重驱动下，叠加政策支持与资本持续投入，正加速向数字化与智能化转型，推动AI医疗行业快速发展。11随着人口老龄化持续深化及慢性病负担增加，医疗体系面临长期健康管理、慢病随访、康复护理及医疗资源供给压力提升等挑战。同时，优质医疗资源仍集中于大型医院，基层医疗机构在专科能力、诊疗效率及连续管理能力等方面仍存在不足。AI可通过辅助筛查、远程医疗、健康管理、基层辅助决策及公共卫生预警等方式提升医疗服务效率与可及性，推动医疗服务由“被动治疗”向“主动健康管理”转型。医生除临床诊疗外，还需承担病历书写、患者沟通、科研分析、临床研究及文献检索等多重工作任务，医疗服务供给压力持续增加。AI可通过医学知识检索、病历结构化、科研辅助及临床决策支持等方式提升医生工作效率，缓解医疗资源供给压力。传染病监测、慢病防控及区域疾病负担管理等场景，对数据整合、风险识别及资源调度能力提出更高要求。AI可支持疾病趋势预测、高危人群识别、区域资源配置及应急决策优医学科研、临床研究及创新药械研发面临数据规模持续增长、文献更新加快、研发AI可支持医学文献分析、科研辅助、靶点发现、候选药物筛选、临床试验设计及数据管理等环节，提升医学研究与医药研发智慧医院、互联网医疗、医院科研平台及健康管理平台持续建设，推动医疗数据规模与类型不断丰富。医疗数据资产的持续积累，为AI模型训练、真实世界研究、疾病预测、医院运营管理及支付决策支持等场景提供基础条件。同时，数据标准化、互联互通及数据治理能力提升，也进一步推动AI医疗从单点应用向体系化应用演进。7大模型、多模态AI、自然语言处理及计算机视觉等技术持续发展，使AI逐步具备复杂医疗信息理解、推理与生成能力。AI医疗应用也由早期单点辅助工具，逐步扩展至疾病管理、医院运营、健康管理、医保支付、公共卫生、科研及药物研发等多元场景，促进医疗体系由传统信息化向智能化升级。78在疾病诊断相关分组/按病种分值付费（DRG/DIP）支付改革持续推进背景下，医疗体系对费用控制、资源利用效率及诊疗路径规范化提出更高要求。同时，互联网医疗、远程医疗及连续性健康管理等模式持续发展，推动医疗服务逐步由院内单次诊疗向诊前、诊中、诊后及长期健康管理延伸。AI正逐步嵌入导诊分诊、患者随访、运营调度、费用审核、合理用药分析及支付决策等工作流。8政策方向逐步由技术探索转向数据治理、行业规范及监管体系建设。国家层面持续推进智慧医院建设、医疗数据治理及人工智能医疗器械审评审批体系完善，为AI医疗发展提供制度基础。与此同时，AI医疗监管体系也逐步完善，行业对数据安全、算法可信、临床验证及真实世界应用评价等要求持续提升，促使AI医疗逐·第二章AI医疗应用场景分析nAI在临床诊断场景中的应用分析AI辅助诊断正从单一数据识别向多源信息整合和诊断流程协同延伸，其中医学影像、数字病理和实验室检验构成当前主要落地方向，AI诊断大模型则进一步推动辅助诊断能力向跨模态综合推理升级。临床诊断是医疗服务链条中的核心环节，医生需综合患者主诉、体征、影像、病理、检验及病历等信息，对疾病类型、潜在风险进行判断。随着医疗数据规模持续增长、诊疗复杂度提升，传统诊断模式面临信息处理压力增加、诊断一致性不足及优质医疗资源分布不均等挑战。AI辅助临床诊断通过机器学习、深度学习等技术，帮助医生完成异常提示、病灶定位、疾病分型、风险评估和报告生成等任务，提升疾病识别效率与诊断标准化水平。目前，AI辅助诊断已逐步形成以医学影像、数字病理及实验室检中医学影像AI因数据标准化程度较高、临床需求明确和监管路径相对清晰，成为当在传统AI辅助诊断应用中，模型多围绕特定病种、特定模态和特定任务构建，例如肺结节检测、骨折识别、眼底病变筛查等，主要解决“是否存在异常”或“病灶位于何处”的问题。AI诊断大模型则进一步突破单病种工具边界，依托医学影像、病理切片、检验报告、电子病历、问诊文本、医学指南及知识库等多源数据训辅助生成病历摘要、报告草稿、诊断依据、风险提示和随访建议，为医生提供可复核的结构化支持结合症状、体征和检查结果生成候选诊断、鉴别诊断、风险分层和进一步检查建议工作流协同输出诊断推理辅助生成病历摘要、报告草稿、诊断依据、风险提示和随访建议，为医生提供可复核的结构化支持结合症状、体征和检查结果生成候选诊断、鉴别诊断、风险分层和进一步检查建议工作流协同输出诊断推理辅助多模态信息整合主要应用场景影像主导型诊断：主要覆盖肺部、骨科、心脑血管、眼底、乳腺和肝脏等疾病方向。这类疾主要应用场景多检查综合判断：覆盖肿瘤、肝病、心脑血管、感染性疾病和代谢性疾病等。这类疾病断，需要综合影像、检验、病理、病史、基因检测和既往诊疗记录进行风险分层、病情评估和诊疗路径判断，因此更能体现诊断大模型整合多源信息和形成综合判断的价值。疑难与专科诊断：主要对应疑难杂症、罕见病、复杂慢病并发症、多系统疾病及多学科会诊MDT等场景。这有症状表现不典型、病因复杂、涉及多个器官系统或诊断路径较长等特点，需要结合专科知识、指南文献、家族史、用和既往检查结果进行综合分析。AI诊断大模型可辅助生成候选诊断、鉴别诊断、进一步检查建议和罕见病提示，帮助医生缩深睿医疗依托深睿医疗依托DeepwiseMetAIX智慧影像大模型能力平台，整合多模态医学影像数据与影像科工作流能力，并结合SAMI全模态医学影像通用分割大模型，强化复杂解剖结构通用分割、智能标注及病灶区域勾画能力，推动影像AI从单点识别向结构理解、诊断辅德适生物以iMedLoop德适生物以iMedLoop为核心平台，整合医疗影像数据合规流通、高质量标注、专科模型训练及临床/科研应用，形成从数据到应用的闭环，推动医疗影像AI开发实现高基准、高效率地工业化生产。nAI在临床诊断场景中的应用分析——影像诊断AI医学影像正由单点病灶识别向多病种覆盖、跨模态分析和工作流协同升级，在辅助诊断中率先形成规模化获批和商业化落地基础。医学影像诊断是指基于X线、CT、MRI、超声、核医学影像、内镜、眼底及病理图像等数据，对人体结构、功识别、定位与分析的临床诊断方式，由于医学影像数据标准化程度影像AI成为辅助诊断中获批产品最多、商业化进展最快的方向。肺部/胸部脑血管/神经心血管/血管眼底7截至2026年6月，肺部/胸部脑血管/神经心血管/血管眼底7其中，2025年新增25款，2026年截至6月新增9款。产品已从肺期成熟场景，进一步拓展至脑缺血/卒中、冠脉CTA狭窄评估、CT-FFR/QFR功能学评染色体核型分析及口腔影像等多模态、多专科方向。AI医学影像产品正在从“单一病灶检测”向“单器官、多结构、多病种同步分析”升级。以胸部、脑部、腹部等高频检查为例，AI可在同一次影像检查中同步识别结节、出血、狭窄、骨折、炎症、积液等多类异常，并结合结构定位、定量测量和风险提示，帮助医这一趋势的核心价值不在于简单增加检测项目，而在于提升单次检查的数据利用率，使AI从“发现单一异常”转向“一次维评估、综合提示”的工作流能力，更贴近放射科医生在真实阅片中同步判断多个解剖结构和异常表现的实际需求。目前临床获批和规模化商业化产品仍以特定病种、特定模态、特定任务的深究开始更多探索医学影像基础模型、视觉-语言模型和跨任务迁移能力。2025年，MedSAM2将通用医学图像分割从2D图医学影像和视频影像，覆盖CT、MRI、PET、超声、内镜等多模态微软MedImageInsight等模型也在探索跨多类医学图像的统一表征学习、检索和下游任务微调；MAIRA系列、PadChes则进一步关注放射报告生成中的影像区域对应和医生可复核性。整体来看，大模型尚未替代当前主流获批产品，但正在成为多模态AI医学影像的落地方式正在从单病种软件或PACS外挂，转向AI-PACS、影像智能体、专科工作站、软件服务（SaaS）平台和软硬件一体化，有助于提升产品粘性、降低医生使用门槛，并推动AI从“辅助阅片工具”转向“影像科效率基础设施”。深睿医疗在2025年推出DeepwiseMetAIX多模态智慧影像大模型能力平台，强调以“影像+文本”双AI引擎整合放射、超声、内镜、核医学、病理等多模态数据，并嵌入阅片、质控、结构化报告、科研和教学流程。软硬件结合方面，骨龄仪、骨密度仪等专AI分析和结果输出整合在同一工作流中，推动AI能力从“阅片后辅助”前移至“采集—分析—报告”的一体化流程。国际市场也呈现平台化趋势，GEHealthCare于2025年宣布收购医学影像软件公司Intelerad，并于2026年完成交易，以强化云PAC和SaaS化企业影像能力；Aidoc于2026年完成1.5亿美元E轮融资，也反映头部影像AI企业正在从单注：1根据“图像辅助”、“影像辅助”关键词与nAI在临床诊断场景中的应用分析——影像诊断AI医学影像辅助诊断正加速向肺部疾病、脑血管疾病等高发疾病领域渗透。其中，肺部疾病已成为AI医学影像商业化最成熟的方向之一，而脑血管疾病则是AI在急诊辅助诊断场景中的重要应用代表。肺部/胸部疾病AI医学影像辅助诊断以CT为核心路径，X射线和核医学分别承担筛查补充与功能影像拓展角色。截至2026年6月，国内肺部/胸部方向已获批29款三类AI医学影像辅助诊断/处理产品，其从技术结构看，CT（计算机断层扫描）相关产品共26款，构成当前肺部/胸部AI的主流获批方向；X射线相关产品2款，主要服务肺结核筛查；2026年，联影智能“胸部核医学图像辅助分诊软件”获批，成为全国首张核医学AI三类证，标志着肺部/胸部AI辅助诊断开始从CT等结构影像分析，向PET/CT等功能影像辅助分诊场景拓展。2024年及以前肺部/胸部AI获批产品主要集中于肺结节CT检测，核心原因在于胸部CT2024年及以前肺部/胸部AI获批产品主要集中于肺结节CT检测，核心原因在于胸部CT数据基础较好、任务边界清晰、随访评价相对标准化，且肺癌早筛与结节复查需求长期存在。2025~2026年，新增产品开始覆盖肺炎CT、多病种分析及胸部多结构处理等方向，反映肺部AI正在从“单一肺结节检出”向“全肺多异常管理”延伸，同一影像数据流中的多病种、多结构价值被进一步挖掘。技术类型分类获批数量产品名称对应疾病/场景技术适配逻辑肺结节CT图像辅助检测/诊断软件（18）肺结节•肺部病灶多表现为密度、形态、边界及空间分布变化，CT26肺炎CT图像辅助分诊与评估软件（6）肺炎•如微小结节、磨玻璃影、实变和炎症浸润等；CT可连续呈现肺实质和胸部结构细节，适合AI进行微放射胸部CT图像处理与分析软件（2）胸部多结构/多异常分析小病灶识别、定位、定量测量、随访对比和结构化结果科X射线2肺结核X射线图像辅助评估软件肺结核筛查/评估••肺结核筛查通常强调大范围覆盖和快速初筛；X射线检查便捷、成本较低、基层可及性强，适合AI进行疑似异常提示和风险分诊；但由于二维投影存在组织重叠，精细定位和定量评估能力弱于CT。•部分胸部疾病不仅体现为结构异常，也涉及代谢、灌注核医学影像1胸部核医学图像辅助分诊软件胸部功能/代谢异常辅助分诊•或功能状态变化；核医学可补充CT/X射线对解剖结构的观察，适合AI进行功能或代谢异常提示，但目前仍处于早期拓展阶段，获批数量较少。2024年9月，深睿医疗的肺结节CT图像辅助分析软件进一步获批肺癌良恶性诊断功能，成为2026年6月30日）具备该能能力的肺结节AI产品，实现了从“结节检测”到“良恶性诊断”的临床升级。同时，深睿医疗依托“1+X模式”，通过一张胸部CT扫描实现肺结节、肺炎、肋骨骨折等多病种同步检出与动态管理，既巩固了肺结节检测的成熟能力，也进一步挖掘同一影像数据流中的多场景价值，体现肺部AI从单点检测向全肺多异常管理升级的趋势。目前获批的2款集中在肺结核辅助评估，主要因为结核病防控强调大范围人群筛查、基层可及和疑似病例分流，而不是复杂病灶的精细诊断。近两年，X射线+AI在结核筛查中的政策认可度进一步提升：WHO2025年结核病CAD政策声明指出，胸部X射线结合CAD是弥补结核病病例发现缺口的重要方式；WHO也确认6款CAD产品达到15岁及以上人群结核筛查性能标准。因此，X射线AI在肺部/胸部方向更偏公共卫生筛查和基层分诊工具，而非医院端精细诊断主线。核医学AI辅助诊断产品过去获批较少，并非临床价值不足，而是受设备覆盖、检查量、病灶标注、多模态判读和临床验证门槛限制，注册化落地难度高于常规CT类任务。其新增获批说明高复杂度影像场景正在进入AI辅助诊断产品化阶段。与结构影像侧重病灶形态判断不同，PET/CT等核医学检查更关注代谢、灌注和功能状态，未来可在肿瘤分期、疗效评估、复发预测和复杂风险判断中发挥补充价值。随着PET/CT多模态建模、低标注学习和基础模型发展，核医学AI有望成为肺部/胸部AI向多模态风险评估延伸的重要方向。nAI在临床诊断场景中的应用分析——影像诊断心血管AI影像产品正围绕冠脉狭窄、功能缺血、斑块风险及急危重症提示形成多层次辅助诊断体系，推动影像处理效率、诊断一致性和临床决策支持能力提升。随着冠心病诊疗从单纯判断“是否存在狭窄”，转向综合评估功能缺血、介入必要性、斑块风险及大血管急危风险，心截至2026年6月，国内已上市三类AI医学影像辅助诊断/评估软件中心血管相关产品有31款1，主要覆盖冠脉CT血流储备/定量血流分数功能学评估及主动脉夹层CTA辅助评估/分诊等方向。其中，2025年新增4款，集中于冠脉CT血流储备分数计算和冠脉CTA血管狭窄辅助评估；2026年截至6月新近两年新增产品主要集中在冠脉CTA狭窄评估、CT-FFR及OCT-QFR等方向，反映心血管AI产品正在由结构性异常识别，向功能学评估和临床决策支持延伸。技术类型分类获批数量产品名称核心功能冠脉CTA/心血管CT结构评估冠脉/冠状动脉CT造影图像血管狭窄辅助评估/分诊软件（9）冠脉CT血管造影图像辅助评估软件（1）心血管CT图像辅助评估软件（1）冠脉钙化积分辅助评估软件（1）冠脉/冠状动脉CT血流储备分数计算软件（14）定量血流分数测量软件（1）冠状动脉OCT定量血流分数计算软件（2）主动脉夹层CT造影图像辅助评估软件（1）主动脉夹层CT血管造影图像辅助分诊软件（1）基于冠脉CTA/心血管CT自动识别冠脉中心线、管腔轮廓、狭窄、斑块及钙化，辅助完成结构化评估与报告血流储备/定量血流分数功能学评估基于冠脉CTA、OCT或造影影像计算CT-FFR/QFR/OCT-QFR，辅助判断狭窄是否导致功能性心肌缺血主动脉夹层CTA辅助评估/分诊2基于主动脉CTA自动识别疑似夹层征象，辅助急症分诊、病灶提示和结构化评估心血管AI的价值正在由“辅助阅片”向“诊疗流程支持”深化。在管腔分割、狭窄测量、斑块识别及结构化报告生成，提升复杂影像处理效率和结果一致性；在诊断决策环节，算法工具可进一步将影像形态信息转化为血流影响、斑块负荷及风险提示等可复核指标，为医生判断是否进一步检查、是否介入治疗及如何开展随访管理提供辅助依据。技术层面，相关进展主要体现在图像质量提升、血管结构自动化分析及功能/风险指标量化。一方面，超分辨率深度学习重建等技术正在改善CCTA图像质量和冠脉狭窄评估；另一方面，血管中使AI能够从结构识别进一步延伸至血流功能判断和风险量化分析。例如，深睿医疗冠脉CT-FFR产品可基于AI完成管树提取及血流储备分数计算，将冠脉CTA从“血管狭窄识别”延伸至“缺血风险功能学评估”，体现心血管AI从解剖结构分析向功能判断和临床决策支持升级。心血管AI/算法工具的临床应用，需要依托相对明确的影像评价标准、报告框架和诊疗路径。CAD-RADS2.0通过纳入斑块负荷、缺血修饰符及CT-FFR/CTP等功能信息，使AI输出结果能够与冠2026年FFR-CT专家共识进一步规范CCTA衍生FFR的病例选择、结果解读和报告流程，为CT-FFR等算法化功能学评估工具提供标准化应用基础；2026年《CT血管成像在急性胸痛临床应用专家共识》则明确急性胸痛CTA的适应证、扫描路径和判读重点，为AI在急诊分诊、危急值提示及结构化报告等场景中的嵌注：1根据NMPA注册信息，以“冠脉”“冠状动脉”“影像AI正进一步强化通用分割、智能标注和复杂结构识别血管结构分析正由二维切片阅片向CTA自动三维重建、血管中心线提取、管腔分割和结构化后处理升级nAI在临床诊断场景中的应用分析——影像诊断脑血管疾病具有高致残率、高死亡率及强时间敏感性，对影像诊断效率要求较高。AI脑血管影像辅助诊断系统可实现快速识别、病灶定位及风险评估，提升急诊诊疗效率。脑血管疾病主要包括颅内出血、脑缺血/缺血性卒中时间窗敏感等特点。AI医学影像辅助诊断在脑血管疾病中的应用，主要围绕急诊分诊、病灶识别、血管结构分析和灌注功能评估展开，帮助医生更快发现高风险病例，并形成更结构化、可量化的影像判断。截至2026年6月，国内脑血管及头颈血管相关三类AI医学影像辅助诊断/评估产品已获批22款。其中，获批产品以CT、CTA和影像为主，仅有少数产品涉及磁共振血管造影等模态，例如颅内动脉瘤磁共振造影图像辅助检测软件。这一结构反映出脑血管AI的核心应用仍集中在急诊可及性强、扫描速度快、适合流程化场景分类获批数量主要影像模态核心功能技术适配逻辑颅内出血辅助分诊6NCCT/头颅CT平扫快速识别疑似颅内出血区域，辅助阳性提示、优先阅片、出血定位、体积测量和急诊分诊颅内出血在NCCT上多表现为相对高密度影，边界和体积可量化。NCCT扫描快、无需造影剂、急诊可及性强，适合快速排查和优先分诊。脑缺血/缺血性卒中辅助评估7NCCT、CTP、CTA，部分MR辅助ASPECT评分、灌注异常分析、梗死核心/缺血半暗带体积评估、侧支循环评分缺血性卒中早期影像征象可较隐匿，需结合结构和功能信息。NCCT用于ASPECT评分，CTA用于闭塞/侧支循环评估，CTP用于梗死核心和缺血半暗带量化，部分MR用于精细评估。颅内动脉瘤辅助检测/分诊5CTA为主，少量MRA自动识别疑似动脉瘤，辅助定位瘤体、提示血管结构异常动脉瘤本质是血管壁局部异常扩张，多位于血管分叉或迂曲部位。CTA/MRA可显示血管走行和瘤体形态，适合AI进行血管分割、小目标识别和假阳性控制。头颈CTA辅助检测/评估4头颈CTA分析血管走行、管腔状态、狭窄/闭塞及相关风险征象头颈血管狭窄/闭塞需要评估长程血管走行、管腔变化和狭窄程度。CTA空间分辨率较高、血管结构显示直观，适合AI进行中心线提取、管腔分割和狭窄率评估。从获批结构看以CT、CTA和CT灌注为主，MRI/MRA相关产品较少，反映脑血管AI首先服务于急诊和卒中中心等时间敏感流程。此类场景对影像响应速度、阳性病例提示和病变范围评估要求较高，AI产品价值不仅在于“识别异常”，也在于辅助医生完成优先分诊、结构化评估和后续检查路径判断。相比之下，颅内动脉瘤和头颈CTA类产品更依赖血管结构解析，技术重点转向血管分体定位、狭窄/闭塞评估和假阳性控制。例如，深睿医疗深睿医疗联合多家医疗机构开展头颅CTA颅深睿医疗联合多家医疗机构开展头颅CTA颅盖不同区域与层级医疗机构的头颅CTA数据集开发自动化检测模型。临床实证表明，该模型可提升不同区域、不同层级医师的诊断准确率，有助于缩小区域诊疗水平差距。NCCT缺血识别、ASPECTS评分、CTA侧支循环评估、CTP灌注量化、梗死核心及缺血半暗带测量等能力逐步融合nAI在临床诊断场景中的应用分析——影像诊断AI骨科医学影像辅助诊断正从骨折识别向多部位结构评估延伸，随着产品获批和模型能力提升，逐步成为提升筛查效率、降低漏诊风险和推动诊断标准化的重要工具。骨科AI医学影像辅助诊断主要通过对X线、CT及脊柱结构分析及骨健康风险判断，其中骨折检测是当前最成熟的应用方向。技术类型分类获批数量产品名称核心功能骨折CT辅助检测/分诊5骨折CT影像辅助检测（1）胸部骨折CT辅助分诊（1）肋骨骨折CT辅助检测（3）对CT断层图像中细小、隐匿或多发骨折进行检出，尤其适合肋骨、胸部骨折等多层面阅片场景骨折X射线辅助检测/分诊2骨折X射线图像辅助检测软件（1）骨折X射线图像辅助分诊软件（1）对四肢等X线片中的疑似骨折区域进行自动识别、框选、提示或分诊儿童骨龄辅助评估4儿童手部X射线影像骨龄辅助评估软件对儿童手腕部X线片进行骨龄评估，用于生长发育相关辅助判断胸椎CT辅助评估1胸椎CT图像辅助评估软件对胸椎CT图像进行结构分析和异常评估，偏向脊柱骨性结构辅助判断骨科/骨骼AI影像辅助诊断以骨折检测为核心，同时覆盖骨龄评估、脊柱及骨健康分析等方向。截至2026年6月，国内骨科/骨骼目前，骨折检测仍是骨科AI影像最成熟的应用方向。X射线类产品多用于快速提其核心不在于判断软组织密度或血流功能变化，而是围绕骨性结构完整性、骨小梁纹理、骨折线连续性、错位成角、椎体压缩变形、骨骺在X射线领域，深睿医疗的儿童手部X射线影像骨龄辅助评估软件可基于手腕部影像输出骨龄评估结果，将AI能力从骨折检测延伸至核心应用场景X射线快速初筛四肢骨折核心应用场景•X射线检查便捷、覆盖急诊和基层场景，但受投照角度、体位和重叠影响。AI辅助自动提示疑似骨折区域，辅助医生进行快速初筛和分诊•提升急诊阅片效率，降低细小裂纹、非移位性骨折漏检风险。 肋骨/胸部骨折CT多层面检出•肋骨弯曲走行、结构重叠明显，CT层面多，人工逐层阅片耗时。AI辅助能够在连续断层中识别疑似骨折线、局部错位和多发骨折。•帮助医生快速定位可疑断裂，适合创伤、胸部骨折等复杂场景。CT结构评估胸椎/脊柱结构•重点观察椎体形态、压缩变形、骨性结构异常。AI辅助完成胸椎结构分析、异常提示和风险评估。•服务于脊柱相关骨性结构判断，补充传统骨折检测场景。探索方向骨科AI的探索方向正从单一骨折检出，延伸至骨折分类分级、多部位泛化识别及肌骨基础模型建设。一方面，肋骨骨折AI研究已开始尝试从“检出骨折”拓展至“骨折分类”，辅助识别骨折位置、数量及形态特征，但目前仍以研究探索为主。另一方面，肌骨影像AI正由“单部位、单任务模型”向“跨部位、跨疾病基础模型”发展，例如SKELEX基于大规模骨骼肌肉X线图像进行自监督训练，并在骨折检测、骨关节炎分级、骨肿瘤分类等任务中验证泛化能力。探索方向此外，骨科AI也开始由软件辅助阅片向“软件+硬件”一体化智能装备延伸，2024年深睿医疗旗下沧疗人工智能X射线骨龄仪获批NMPA三类证，成为国内首台获批三类证的人工智能X射线骨龄，标志着骨科AI从影像辅助分析系统向AI智慧诊断装备升级。2020nAI在临床诊断场景中的应用分析——病理诊断AI病理辅助诊断以数字化病理图像为基础，正逐步从辅助阅片向细胞识别、病灶定位和定量分析等智能化应用延伸。AI病理辅助诊断建立在病理图像数字化基础上，利用AI算法对数字切片、细胞学图像等进行细胞识别、异常区域定位、分类分级、定量分析和辅助判读。其核心逻辑是将传统人工阅片中重复性强、耗时长且依赖经验的图像识别环节，转化为标准化、可量化、可复核的辅助诊断流程，从而帮助病理医生提升阅片效率、降低漏检风险并增强诊断一致性。风险评估截至2026年6月，国内已上市AI风险评估当前国内AI病理商业化应用仍主要集中于景。相关产品可辅助完成异常细胞识别、病灶定位及结果提示，帮助提查效率和病理诊断标准化水平。国际AI病理正逐步向肿瘤病理分析、多模态联合分析及伴随诊断Paige的PaigeProstate是PathAI正推动AI病理向病理基础模型、多模态联合分析及生物标志物分析方展。其PathAssistDerm于2026年获得FDABreakthAIAI病理在医院端落地需要嵌入完整病理工作流，覆盖样本制备、染色质控、玻片扫描、图像上传、AI分析、医生复核、报告生成和结果归档等环节。与影像AI相比，病理AI对前处理一致性和数据链条完整性要求更高，切片厚度、染色批次、扫描设备、图像分辨率及存储传输能力均会影响模型表现。因此，AI病理的规模化应用不仅依赖算法能力，也依赖数字病理基础设施、病理流程标准化、院内信息系统协同以及医生复核机制的共同建设。当前当前AI病理仍以辅助筛查、质量控制和定量分析为主，跨院泛化能力、复杂病例处理能力和临床验要瓶颈。不同医院在样本制备、染色方法、扫描设备和诊断习惯上存在差异，可能影响模型稳定性；同时，组织病理诊断通常需要结合形态学、免疫组化、分子检测和临床信息进行综合判断，对模型的多模态理解、可解释性和责任边界提出更高要求。因此，AI病理短期内更适合作为异常区域提示、初筛分流、定量分析、质量控制和医生复核辅助工具，难以完全替代病理医生完成最终诊断。2121nAI在临床诊断场景中的应用分析——实验室诊断AI实验室辅助诊断从血液细胞形态学、智能质控和分子检测起步，正向血液/骨髓数字形态学、下一代测序（NGS）变异智能解读、多模态联合分析和标准化报告方向延伸。AI实验室辅助诊断（AI-IVD）主要面向医学检验及体外诊断（IVD）场景，核心数据类型包括血液、生化、免疫及分子检测数据。相关技术主要应用于外周血细胞分析、血涂片形态学分析、实验室智能质控及分子检测辅助分析等方向，通过AI算法辅助开展异常细胞识别、分类计数及风险分析，提高医学检验效率与自动化水平。当前，AI实验室辅助诊断已逐步应用于外周血细胞分析、血涂片/骨髓涂片形态学分析、实验室智能质控及NGS变异解读等场景。其中，AI血液细胞分析是当前国内较成熟的应用方向之一，相关系统可基于显微成像及深度学习技术，对白细胞、有核红细胞及异常AI实验室辅助诊断通常基于样本采集、显微成像/检验数据获取、数据预处理、特征提取、模型分析及结构化结果输出等流GeniusCervicalAI算法辅助宫颈癌细胞学筛查，将传统显微镜阅片升级为“数字成像+AI辅助复核”的工作流，代表AI在数字细胞学筛查场景中的临床落地。全视野外周血涂片分析系统（Full-FieldPeripheralApplication）分析，可辅助识别白细胞、红细胞形态异常和血小板相关特征，支分析平台，提升细胞形态分类效率与检验流程一致性，支持实验室盖648个基因，用于实体瘤分子分型、MSI状态检测及结直肠总体来看，AI实验室辅助诊断仍处于由局部应用向系统化落地过渡的阶段，其行业价值在于重塑检验结果生成、审核与临床转化的底层能力。相比医学影像等更早成熟的AI场景，实验室辅助诊断对样本质量、检测标准、数据结构和专业复核依赖更强，因此短期内更适合作为检验科能力增强工具，而非独立诊断主体。未来其能否规模化普及，关键取决于多中心验证、监管合规、医院系统适配和临床信任度建设。整体而言，该领域具备较高专业壁垒和长期延展空间，是AI医疗从“单点识别”走向“数据驱动诊疗体系”的重要支撑环节。nAI在疾病治疗场景中的应用分析——疾病治疗疾病治疗正从经验路径转向以分子、影像及临床数据为输入的精准决策。AI连接治疗方案匹配与疗效预测、路径规划与术中导航，推动治疗从人群经验走向个体预演与动态优化。当前，疾病治疗在标准规范的基础上，根据患者病传统治疗模式的核心逻辑是将患者归入特定分型后匹配固定路径，但个体间差异显著，传统模式难以持续优化获益。AI的引入使治疗从“方案选择”延伸至“设计、执行与动态优化”，这一转变与传统疗•在治疗方案匹配与疗效预测层面，AI模型解析患者分子图谱与生物标志物，自动匹配最优方案，并动态模拟不同策略下的生存期与不良反应概率，让决策从“过往人群的经验”转向“未来个体的预演”。•在介入与手术路径规划层面，AI通过术前建模与自动化勾画，将解剖差异转化为可量化依据，使放疗从传统的单次设计升级为基于实时数据的自适应调整，并通过规划外科复杂手术的路径降低患者个体化差异带来的风险。•在外科手术实施中，AI赋能术中实时影像与无辐射光学追踪，实现精准定位；手术机器人通过力反馈与数据洞察，将手术价值从单纯的操作精度延伸至手术表现量化、学习曲线优化和效果可评估，使手术过程不再由此，疾病治疗正从经验驱动的“一次性决策”升级为数据驱动的“全流程动态优化”，AI成为连接治疗方案实施的关键平台，推动行业从群体平均获益导基于分子图谱与数字孪生，精准匹配治疗方案，动态模拟不同治基于分子图谱与数字孪生，精准匹配治疗方案，动态模拟不同治疗策略的长期疗效与风险，评估最佳治疗方案22基于多模态影像三维重建与AI模拟，定制个性化放疗靶区、手术入路及介入通道33术中AI辅助实时光学导航实现器械的精准定位；机器人通过AI力反馈提升操控精准度，数据辅助术者经验积累 CarisFOLFIRSTaiAI正重塑肿瘤治疗决策范式，推动传统经验性选择向数据驱动的精准匹配与风险量化评估转型。在治疗匹配层面，AI模型通过解析患者的分子图谱、生物标志物及临床特征，自动匹配个体与最优治疗方案，将“检测-分层-用药”的标准流程转化为可执行的临床决策。在结局预测层面，AI能够动态模拟不同治疗策略下的患者生存期、疾病进展轨迹及不良反应概率，帮助医生在治疗开始前预判不同方案的获益与风险，从而制定更个体化的治疗顺序、剂量调整方案乃至联合治疗策略。AI使治疗决策从“基于历史人群的经验”转向“针对未来个体的模拟与预判”，显著提升精准医疗的可操作CarisFOLFIRSTai该模型集成超过5,000个机器学习算法，通过分析患者全面的分子图谱，精确预测患者采用两种标准一线化疗方案可能的总生存期（OS），并自动推荐预期获益SOPHiADDMDigitalTwinsSOPHiADDMTMDigitalT），SOPHiADDMDigitalTwinsT心siLi1vAN23nAI在疾病治疗场景中的应用分析——疾病治疗从术中影像导航到治疗策略的动态规划，再到机器人智能执行，AI正重塑治疗方案设计逻辑，使术前规划与术中执行从经验判断走向数据驱动。 在放射治疗与外科领域，传统治疗方案的制定高度依赖医生基于初始影像做一次性设计，难以适应治疗过程中肿瘤体积、器官位置或解剖结构的动态变化。AI推动这一范式发生根本转变：通过术前建模、自动化勾画及智能优化引擎，系统能将患者的个体差异转化为可量化的治疗依据。在放疗中，AI不仅辅助快速识别靶区与危及器官，还支持基于每日影像的自适应计划调整，使治疗过程从“一次性设计”走向“持续动态优化”。在骨科与神经外科等复杂手术中，术前规划软件借助三维重建与模拟仿真，帮助医生提前优化植入物路径与空间布局，降低患者特异性风险。行业正在从“经验驱动的手术设计”向“数据与模型驱动的方案生成”演进。EthosAIEthosAI自适应放疗系统将放疗方案的制定从静态设计重塑为动态过程。系统自动勾画治疗床EthosAISpinePlanningSpinePlanning脊柱手术规划软件允许医生在本前基于患者的CT/MRI影像进行三维重建与模拟，优路径和角度，并分析椎体矢状面平衡。规划数据可无缝传输至手术室内的导航系统，确保手术方案从设计到SpinePlanning 术中导航与手术机器人的核心价值在于将治疗策略精准落地，并实时适应手术中出现的动态变化。传统介入治疗依赖X射线透视引导，医生需在二维投影中构建三维空间感，复杂手术中辐射暴露与路径误判风险并存。新一代术中导航系统通过AI介导的实时影像分析、三维重建与自动配准技术，精准显示手术器械在体内的位置与形态，显著降低对非必要辐射的依赖，同时提升手术效率与决策信心。手术机器人则从机械臂辅助执行工具，演进为集成术中感知、力反馈与数据洞察的智能平台。机器人的价值不再局限于操作精度，更在于通过手术数据量化手术表现、缩短学习曲线、减少操作变异性，使手术过程从“术者经验主导”转向“可衡量、可优化”的新阶段。ARTISiconoARTISicono通过AI提升X射线引导下的介入治疗效率。系统搭载的OPTIQAI算法能在保持图像质量的同时实时降噪，提升术中组织材料的清晰度；系统内置的一键流程设置可省去多达6步手动操作，提升手术连贯性。该设备支持落地、吊顶和双平板三种配置，术前影像可快速与术中画面融合，实现ARTISiconoLumiGuideLumiGuide作为革命性光学导航技术，利用光代替X射线，实时、3D、全彩显示导丝与导管在体内的形状和位置；AI算法实现快速图像配准，使复杂主动脉修复手术提速37%，辐射剂量面积乘积（DAP）减少56%，从根本上改变长时间复杂血管介入中辐射风险与操作精度的权衡。LumiGuideDaVinci5DaVinci5是手术机器人向智能平台演进的标杆。其首创的力反馈技术使医生能感知器械尖端的推拉力，初学医生在在模拟缝合中可减少多达43%的组织受力；系统配备的病例洞察功能利用DaVinci5T心siLi1vANnAI在疾病治疗场景中的应用分析——康复管理AI正逐步由治疗决策环节向疾病恢复与长期管理阶段延伸，通过持续监测、风险预测及个性化干预AI康复管理主要面向治疗后功能恢复与长期管理需求，通过数据感知、智能分析和远程协同，提升康复服务的可及性、连续性与管理精度。传统康复服务受限于专业人员供给、线下服务半径和患者依从性，院外阶段容易出现管理断点；AI的引入有助于将康复过程中的动作表现、功能变化和随访反馈转化为可追踪、可分析、可干预的数据资产，使康复服务从经验驱动逐步转向数据驱动，并推动服务模式由单次干预向持康复评估与方案制定是康复管理的基础环节，主要用于识别患者功能障碍类型、判断康复阶段、评估恢复潜力，并将评估结果转化为康复目标、训练路径和复评节奏。康复评估主要用于判断患者当前功能状态、功能障碍类型、康复阶段及恢复潜力。传统康复评估多依赖量表评分、医生观察和患者反馈，存在一定主观性、低频性和阶段性局限。AI可通过动作识别、步态分析、可穿戴传感、肌电信号及临床量表数据，对患者关节活动范围、步态对称性、动作完成质量、异常代偿动作、平衡能力、上肢抓握/到达能力及日常活动能力进行量化分析，使康复评与此同时，AI康复评估正在从“量化当前状态”进一步走向“预测恢复潜力”。例如，2025年卒中康复研究基于AR指伸展等早期评估指标训练XGBoost模型，用于预测患者6个月后的上肢功能恢复水平；模型预测误差较传统混合效应模型降低约69%，体现AI在早期恢复潜力判断中的价值。基于IMU可穿戴设备和深度学习的研究也显示，AI可用于Fugl-Meyer评估、Br分期等临床评分的自动化和客观化评估，提升评估一致性和可重复性。康复方案制定是指基于评估结果将患者功能状态和恢复潜力转化为具体康复目标、训练路径、训练强度、训练频次和复评安排。AI在该环节的价值不在于替代康复医生直接制定处方，而是通过功能分层、恢复预测和阶段性复评数据，为医生提供更细颗粒度的决例如，卒中患者可根据上肢功能、运动控制能力、步态表现和日常活动能力，进入基础运动控制、精细动作训练或生活能力提升等不同阶段；骨科术后及肌骨康复患者则可结合关节活动范围、随着评估数据、预测模型和临床工作流逐步成熟，AI康复方案制定将从静态、经验型计划，逐步走向基于患者功能变化持续更新的企业实践企业实践Wandercraft、Cionic及大艾机器人等企业分别从外骨骼、可穿戴神经刺激及下肢步行训练切入，推动康复训练设备智能化。傅利叶则更强调以康复机器人产品矩阵和“智能康复港”方案构建多场景康复服务能力，覆盖上肢、下肢、平衡、认知及远程康复等环节，通过多设备协同与数据互联，提升康复训练的标准化、连续性和运营效率。Wandercraft、Cionic及大艾机器人等企业分别从外骨骼、可穿戴神经刺激及下肢步行训练切入，推动康复训练设备智能化。傅利叶则更强调以康复机器人产品矩阵和“智能康复港”方案构建多场景康复服务能力，覆盖上肢、下肢、平衡、认知及远程康复等环节，通过多设备协同与数据互联，提升康复训练的标准化、连续性和运营效率。从应用形态看，AI康复训练主要包括数字化运动训练、智能外骨骼/康复机器人训练和远程康复训练。2025年系统综述显示，AI/ML已在机器人康复中用于运动控制、运动意图识别、轨迹预测和任务适配，体现康复训练正从固定程序执行走向个体化、动2525nAI在疾病治疗场景中的应用分析——慢病管理AI正在推动慢病管理由阶段性复诊向连续监测和风险预警延伸，通过多源健康数据整合与动态评估，提升疾病进展识别和长期管理精细化水平。慢病管理主要面向糖尿病、心血管疾病、慢阻肺、肿瘤康复及老年慢病等需要持续监测和长期干预的患者群体，核心目标在于延缓病状态、风险因素、用药行为和生活方式的持续追踪。AI可整合电子病历、可穿戴设备、生理监测设备、检验检查结果及患者行为数据，实现疾病风险识别、异常预警、干预策略优化和随访管理支持，推动慢病管理由“事后响应”向“主动预防”和“连续干预”升级。对于老年慢病及多病共存人群，AI还可进一步连接家庭医生、居家监测与照护服务资源，支持慢病管理向居家养老和长期照平安好医生面向慢病确诊及高风险用户，围绕用药活方式管理及就医资源协同，提供“五控一减、多病共管”•AI慢病管理：整合电子病历、检验检查结果、可穿戴设备、生主动健康管理服务。平台通过家庭医生、健康管理师、营养理监测设备、用药记录及患者行为数据，将分散、低频、片段化的健康信息转化为连续、结构化、可追踪的动态健康画像。2026年，平安好医生推出“平安居家”品牌，将居家健康管2026年，平安好医生推出“平安居家”品牌，将居家健康管依托中国版管理式医疗模式，平台结合AI能力与数字化健康需求，整合持续健康管理、医疗服务及居家照护资源，推动慢病管理由阶段性干预向连续监测、主动干预及全周期管理延伸，实现慢病管理与居家养老、长期照护的协同发展。依托中国版管理式医疗模式，平台结合AI能力与数字化健康需求，整合持续健康管理、医疗服务及居家照护资源，推动慢病管理由阶段性干预向连续监测、主动干预及全周期管理延伸，实现慢病管理与居家养老、长期照护的协同发展。医疗安全健康“7好王牌”服务睡眠管理营养管理就医宝典智能守护机能改善睡眠管理营养管理就医宝典智能守护机能改善多病共管全球询医找药对于老年慢病及多病共存患者，动态健康画像还可进一步纳入用药记录、居家监测、照护需求和服务记录等信息，为后续风险识•AI慢病风险识别：基于长期临床数据和连续监测数据，识别指标异常波动、症状变化、治疗反应下降、并发症风险等关键信号，推动慢病管理从“出现问题后响应”前移至“风险形成前识别”。例如，糖尿病管理可结合血糖波动、用药情况、饮血压、心电、活动量和症状记录辅助判断心衰加重、心律异常或再入院风险。以心衰管理为例，CardiosensePCWPSoftware于2026年获得FDADeNovo授权，可结合可穿戴胸贴数据和机器学习非侵入式估算肺从症状触发，向关键生理信号提前识别前移。未来，AI2626nAI在疾病治疗场景中的应用分析——慢病管理AI正在推动慢病服务由标准化随访向分层触达和个体化干预升级，帮助医生与管理团队提升患者依从性、干预效率和长期健康管理效果。•AI慢病随访：基于患者疾病控制情况、指标波动、用药依从性、既往急性事件、既往管理记录及管理结果等信息，对患者态风险分层，自动识别高风险、低依从性、复诊中断或病情波动人群，帮助医生和管理平台判断哪些患者需要优先随访、加测或转入重点管理路径，推动慢病管理从“统一随访”向“分层运系统、医生审核机制和责任边界深度融系统、医生审核机制和责任边界深度融智能随访将进一步从提醒和记录工具，升级为面向慢病人群的运营辅助能力，支持患者分层、沟通标准化和管理资源典型产品HippocraticAI与UniversalHealthServices合作部署生成式AI医疗AgentMicrosoftDragonCopilot核心应用场景•出院电话随访•用药及出院说明回顾•新发/恶化症状询问•患者常见问题答复•环境语音记录•临床文档生成•临床信息摘要•任务自动化能力AI赋能重点承担标准化、重复性的患者触达任务，提高随访覆盖率、及时性和执行一致性减少医生信息整理、随访记录生成和后续任务处理负担，提升流程效率•传统慢病干预：多依赖通用健康续优化管理策略。•AI慢病干预：可结合患者疾病状态、生活方式、用药行为、监测结果、历史管理记录和风险变化，为不同患者提供差异化健康教 提升慢病管理效果2025年BMCMedicine期刊随机对照研究显示，远程血压监测与指导可提升高血压管理效率，目标血压达标率达到69.65%，而单纯自我监测组未显•基于患者状态、行为反馈和管理结果持续调整干预方案•在医生监管下支持患者饮食、运动、用药、复诊和症状管理中的长期行为改变nAI在医院管理运营优化领域的应用——诊前服务在医疗资源供需矛盾持续存在与大模型技术快速发展的背景下，AI正加速渗透诊前服务场景。凭借较低应用风险、明确价值闭环及清晰商业路径，智慧诊前服务已成为AI医疗率先落地的重要方向。•优质医疗资源持续向大型医院集中，门诊服务量持续处于高位，导诊、候诊、检查等环节容易形成排队与等待压力；•患者缺乏专业医学知识，难以准确判•传统门诊服务也仍较依赖人工完成导诊、病史采集及2024年全国医疗卫生机构总诊疗同比增长6.2101.5同比增长6.2101.5亿%2024年全国三级医院诊疗人次同比增长9.2%28.7亿自2017年Transformer架构提出，到2022年底ChatGPT的方向之一。其在自然语言理解、多轮对话及医学知识推理方面持续突破，使AI能够更准确理解患者主诉，并完成病史采集、科室推荐及结构化病历生成，为智慧诊前服务规模相较于AI辅助诊断、治疗决策支持等直接影响临床判断和治疗方案的场景，智慧诊前服务主要承担咨询、预问诊、导诊分诊及流程引导等辅助功能，不直接参与疾病诊断和治疗决策，因此临床风险及监管门槛相对较低，更易实现规模化推广应用。智慧诊前服务能够同时覆盖患者、医生及医院三方需求。对于患者，可减少等待时间和就医决策成本；对于医生，可减少重复问诊及病历书写负担；对于医院，可优化患者分流效率和门诊服务流程。由于其价值能够直接体现在患者体验提升、医生效率改善及医院运营优化等方面，采购主体明确、投资回报路径清晰，因此成为医疗AI较早实现商业化落地的应用场景之一。AI技术手段服务流程AI技术手段服务流程OCR、ASR、多模态识别大语言模型、多轮对话、知识图谱症状推理、推荐算法流程引导EMR同步患者信息录入病史采集与结构化智能预问诊AI导诊与医疗资源匹配预约挂号患者就诊