文章核心观点 - 医疗影像AI已创造巨大价值并实现规模化落地，但行业陷入“叫好不叫座”的商业化困境，企业捕获价值远低于创造价值 [2][5][6][8] - 商业化困境源于技术门槛低导致同质化竞争激烈，以及医院支付能力有限 [9][10] - 突破困境的关键在于技术范式从CNN转向Transformer，以提升AI的诊断能力和向多模态综合诊疗模型发展，从而创造更大价值 [12][13][14] - 实现技术跃迁的最大挑战与机遇在于数据，包括数据规模、质量、多模态对齐及隐私法规限制，解决数据问题是构建下一代医疗AI护城河的关键 [16][17][18][19] AI医疗影像的现状与价值 - 政策推动行业快速发展，目标到2030年二级以上医院普遍开展医学影像智能辅助诊断 [2] - AI医疗影像辅助诊断技术已成熟并步入实际落地阶段，头部三甲医院几乎都已引入相关产品 [3] - AI显著提升医生工作效率，将传统近30分钟的诊断流程缩短至5-10分钟 [5] - AI识别准确率普遍高达95%以上，在肺结节、骨折检测、骨龄分析、乳腺病灶检测及放疗、手术规划等多个场景得到应用 [6] - 全国三级医院约14万名影像科医生，平均工资约19万元，假设AI为其节约一半工作时间，理论上每年可创造高达130多亿元的价值 [6] 行业商业化困境 - 2020年至2024年整个行业累计商业收入不足30亿元 [8] - 平均每家医院终身使用一款AI医疗影像产品仅需40万元，且多为一次性软件买断模式，后续服务收费乏力 [8] - 同质化竞争激烈，截至2025年已有100余款AI医疗影像产品获批三类医疗器械注册证，仅胸肺场景就有十余家企业竞争 [9] - 竞争导致“免费试用”策略盛行，医院习惯免费模式后，厂商收费困难 [9] - 医院支付能力有限，许多三乙和二级医院全年检查收入在百万量级，影像科自身可能亏损，难以负担数十万元的软件费用 [10] - 企业盈利困难，以鹰瞳科技为例，2024年全年收入1.5亿元，销售费用占近一半，全年亏损2.6亿元，大部分非头部企业年收入仅在千万元量级 [10] 技术发展的潜力与方向 - 当前AI主要提供辅助诊断价值，在“找出病灶”方面表现出色，但在“判断疾病良恶性质”上误诊率高于优秀医生，治疗辅助仍需医生复核 [12] - 现有主流CNN模型缺乏全局视野，对复杂疾病易误判，且对三维影像理解能力较弱 [13] - 引入Transformer架构可弥补CNN短板，其自注意力机制擅长全局和长距离依赖分析，有望让AI从“辅助诊断”向“独立诊断”迈进 [13] - 基于Transformer的多模态能力，可整合处理影像、文本、检查、时序、组学等多维度医疗数据，构建覆盖全流程的综合性临床诊疗大模型 [14] 数据：核心挑战与机遇 - 基于Transformer的模型需要百万到千万级的图像数据进行训练，微调也需要十万到百万级的标注数据，规模远超当前主流商用模型 [18] - 医疗数据受严格法规保护，共享流通受限，获取大规模高质量标注数据困难 [18] - 疾病数据量差异大，如葡萄膜黑色素瘤全球每年仅几万例，罕见病仅几百上千例，即便大病种如肺癌，获取高质量数据也非易事 [18] - 数据混乱问题突出，包括不同设备参数差异、医生标注质量参差不齐等 [18] - 多模态数据融合进一步增加难度，需要对齐来自不同时间和来源的多种数据，是一项浩大的数据工程 [19] - 能够在数据收集、治理、标准化、标注、隐私保护和高效利用方面建立核心能力的企业，将构建深厚护城河 [19] - 解决数据问题需技术和机制双轮驱动，技术途径包括发展自监督学习、联邦学习、合成数据等 [19] - 非技术层面需设计有效协调机制，中国可能在自上而下的制度设计方面具有优势，以促进数据流动 [20]