公司投资行为 - 金达莱拟使用自有资金3000万元人民币向北京中科鸿泰医疗科技有限公司进行增资 [1] - 交易完成后，金达莱将持有中科鸿泰10%的股权 [1] - 本次投资已获公司内部审议批准，不构成重大资产重组及关联交易 [1] 被投公司概况 - 中科鸿泰由侯增广教授团队创办，在医疗人工智能领域科研实力强 [1] - 其产品已进入国家药监局创新医疗器械特别审查程序 [1] - 该公司目前尚未盈利，2025年1-9月营收为10.26万元人民币，净利润为-550.77万元人民币 [1]

行业概览与市场规模 - 2024年中国医疗人工智能解决方案市场规模达164亿元，预计到2030年将增至353亿元，期间年复合增长率高达13.63% [1][9][19] - 行业发展由资本、政策与医生三方共同驱动，预计未来3年内仍将维持高速发展 [12][20][27] - 医疗AI应用已覆盖临床专科、医技支撑、基层医疗等全场景，正从技术研发向规模化商业落地演进 [1][8] 技术发展与医院参与 - 大模型技术实现突破式演变，显著降低了医院的部署门槛，截至2025年5月，国内排名前100的医院已全部完善大模型部署 [20][21] - 医院参与度显著提升，已有38家头部医院在通用模型基础上研发了55个垂直医疗模型，其中22个为专科模型 [21][22] - 非Transformer架构的AI（如手术机器人）在胸外科、神经外科、心内科、骨科等手术科室的应用日益深入，超过90%的使用医生给予正向反馈 [23][24] 临床专科应用分析 - 胸外科、心内科、骨科、神经外科、内分泌科等临床专科的AI应用较为成熟，实现了从诊断、手术规划到术后康复的全流程赋能 [1][12] - 骨科手术机器人已实现复杂手术的规模化落地 [1] - 内分泌科AI主要盘活慢病管理，衍生出海量健康数据价值 [1][12] 医技支撑科室应用分析 - 医技科室以影像科、放疗科、病理科、检验科为核心，AI通过自动分割、智能阅片、流程优化等功能，破解人力短缺与效率瓶颈 [1][12] - 影像科AI辅助诊断已覆盖多病种，病理科大模型则提升了泛化能力与可解释性 [1][12] 基层医疗应用 - 基层医疗AI凭借政策支持与场景适配，已率先实现商业化闭环 [1] - 主要通过临床决策支持系统等工具弥补基层人才缺口，推动分级诊疗落地 [1][12] 核心挑战与破局关键 - 行业发展的核心挑战在于“价值分歧”，即AI为患者、医生、医院等不同主体创造的价值不一致，导致其难以规模化商业化 [10][17][28] - 例如，AI优化流程可能减少患者治疗时间和花费，但因DRG支付方式，可能导致执行科室收入减少，造成科室与患者间的需求矛盾 [10][31][32] - 破局的关键在于推动医疗数据资产化，通过数据交易、可信数据空间建设释放数据价值，以降低AI研发的最大成本项 [1][9][10] - 深化医工结合与多模态大模型研发也是重要发展方向 [1][27] 政策环境 - 国家药监局于2025年3月发布征求意见稿，旨在优化包括多病种AI、大模型在内的新兴医疗器械的审评审批 [26] - 2025年11月，国家卫健委等五部门联合发布实施意见，提出24个重点应用方向，目标到2027年形成一批临床专病专科垂直大模型并实现广泛应用 [27] 企业生态与案例 - 深睿医疗、东软集团、京东健康、讯飞医疗、西门子医疗等企业推出了从技术研发、数据治理到场景落地的全栈解决方案 [1][13] - 企业案例显示，行业正通过构建临床全栈智能生态、驱动医疗数智化转型、升级底层大模型深入专病场景等方式，形成生态协同 [13]

行业核心观点 - 2024年中国医疗AI解决方案市场规模达164亿元，预计2030年将扩大至353亿元，年复合增长率为13.63% [1][9][19] - 行业虽未实现规模化盈利，但发展势头强劲，受资本、政策与医生三向驱动，大模型技术突破降低了应用门槛 [1][9][20] - 产业面临的核心困局是价值分歧，即患者疗效与科室效益难以平衡，医院支付意愿和能力不足，阻碍了商业化进程 [1][10][30] - 数据资产化被视为产业可持续增长的关键破局路径，医疗数据治理智能化迭代降低了研发成本，数据场内交易与可信数据空间建设推动了数据流通复用 [1][10] - 随着数据难题破解、支付模式创新及医工结合深化，医疗AI有望在未来五年内实现小规模盈利 [1][9] 市场规模与增长驱动 - 2024年中国医疗人工智能解决方案市场规模为164亿元，预计到2030年将增长至353亿元，期间年复合增长率为13.63% [1][9][19] - 产业发展由资本、政策与医生三方共同驱动 [1][12] - 大模型技术突破显著降低了应用门槛，例如DeepSeek-R1通过参数高效微调和混合专家架构等创新设计降低了部署成本 [20] - 政策层面持续支持，国家药监局于2025年3月发布征求意见稿，优化对多病种AI、大模型等新兴技术的准入监管 [26] - 2025年11月，国家卫健委等五部门联合发布实施意见，提出了24个重点应用方向，目标到2027年形成一批临床专病专科垂直大模型并实现广泛应用 [27] 临床应用与渗透 - 医疗AI已广泛渗透至胸外科、心内科、骨科、神经外科、内分泌科等临床专科，以及影像科、病理科、放疗科、检验科等临床支撑科室 [1][12] - 在诊断辅助、手术规划、流程优化等方面发挥重要作用，提升了诊疗效率与精准度，并降低了并发症发生率 [1][25] - 调研显示，超过90%使用过辅助治疗型AI的医生给予了正向反馈，证实其能提升手术精准度并降低并发症概率 [25] - 截至2025年5月，国内排名前100的医院已全部部署大模型，其中38家医院进一步研发了55个垂直医疗模型，包括22个专科模型 [21] - 基层医疗领域因政策支持与需求匹配，成为商业化相对成功的场景，AI有效弥补了基层人才与能力缺口 [1][12] 商业化挑战与价值分歧 - 产业核心困局在于价值分歧，即AI为患者、医生、科室及医院等不同主体创造的价值不一致，难以平衡 [1][10][30] - 例如，AI优化流程可能减少患者治疗时间和花费，但因DRG支付或减少跨科室协作，反而可能降低科室收入，导致科室与患者需求矛盾 [10][34] - 医院配置AI的短期利益与医生利益常不一致，如效率提升未必直接转化为经济效益，且投资回收期难以估量 [31][34] - 当前医院普遍现金流紧张，管理者倾向于投资回收期短的技术，因此虽能接受AI落地，但难以为其单独付费 [34] - 商业化突破的关键在于解决价值计量矛盾，并在商业模式和支付方上进行创新 [27] 技术发展与医院参与 - 大模型技术演进是2025年的显著变化，早期部署成本高，主要限于头部三甲医院，如今技术突破降低了门槛 [20] - 医院参与度空前高涨，医生对大模型的实操热情远超传统AI，甚至通过申请科研项目等方式绕过限制以获取算力进行临床探索 [21] - 非Transformer架构的AI（如与手术机器人结合的应用）在治疗场景中的应用也日益深入 [24] - 政策明确支持AI应用落地，目标包括建立高质量数据集、可信数据空间，并形成临床专病专科垂直大模型 [27] 数据资产化与成本控制 - 数据资产化是产业可持续增长和破解成本难题的关键路径 [1][13] - 自国家数据局成立后，医疗健康数据的资产化进程加快，交易所内已发生多次健康数据交易 [10] - 医疗数据治理的智能化迭代降低了研发成本，数据场内交易与可信数据空间建设推动了数据的流通与复用 [1] - 若能实现规模化的数据交易，医疗AI研发中最大的成本项有望大幅下降，从而推动应用产出与效果实现质变 [10] 企业案例与创新方向 - 报告列举了多家企业的创新案例，包括深睿医疗、东软集团、京东健康、水木金昇、悦唯医疗、联影智能、讯飞医疗、北电数智、伽奈维医疗、西门子医疗等 [13] - 这些企业通过多模态大模型、智能化解决方案、专科模型研发等方式，在临床全流程赋能、科研转化、基层医疗覆盖等方面形成标杆 [1][13] - 例如，深睿医疗构建临床全栈智能生态，东软集团驱动医疗数智化转型，京东健康升级底层大模型深入专病场景 [13]

公司概况与市场地位 - 公司是中国覆盖城市数量最多的私立中高端综合医疗服务机构集团，截至2024年底，按覆盖中国城市数量和付费患者就诊人次计算，在私立中高端综合医疗服务机构集团中分别排名第一和第二 [2] - 公司成立于2012年，战略专注于服务中高端市场，目标客户为大众富裕人群 [2] - 截至2025年10月28日，公司在中国拥有并经营19家医疗服务机构（17家诊所和2家医院），并在新加坡经营4家全科诊所、在马来西亚经营1家全科诊所 [2] - 公司网络覆盖中国多个经济发达城市，包括深圳、广州、北京、成都、苏州、长沙、上海、重庆、杭州和武汉 [2] 运营模式与品牌力 - 公司通过标准化和数字化的管理系统运营 [2] - 公司声誉建立在服务质量之上，最有效的营销渠道是患者自发的口碑推荐 [3] - 2022年至2024年以及2025年前八个月，公司的平均净推荐值分别为81.1、86.4、85.9以及87.6 [4] - 高品牌力带来用户规模增长和黏性提升，截至2025年8月31日，公司共有116,542个会员账户 [4] - 2022年至2024年以及2025年前八个月，公司的会员续费率分别约为42%、56%、64%以及67% [4] - 公司销售开支占总收入比例较低，2022年至2024年以及2025年前八个月分别为2.7%、1.2%、1.7%以及1.8%，低于行业平均水平 [4] 财务表现 - 公司营收持续增长，2022年至2024年营收分别为4.73亿元、6.90亿元和9.59亿元 [4] - 2025年前八个月，公司营收为6.96亿元 [4] - 公司在2024年实现扭亏为盈，2025年前八个月的经调整净利润约为1045万元 [5] 股东背景与融资用途 - 公司获得经纬创投、富德生命人寿、天图投资、前海母基金、中金资本、水木基金、H Capital、浅石创投、华林证券、腾讯等知名机构投资 [5] - IPO前，腾讯持有公司19.39%的股份，为最大机构投资方 [6] - IPO募集资金净额将主要用于：部署人工智能前沿技术革新医疗服务及提高运营效率；升级现有机构并设立新机构；收购一线及新一线城市中业绩良好的医疗机构；以及用作营运资金 [6]

公司上市与募资计划 - 卓正医疗控股有限公司已递交聆讯后资料集，可能很快在香港上市，联席保荐人为海通国际及浦银国际 [1] - 上市募集资金将用于打造医疗人工智能应用专业人才库，与领先科研机构及公司合作并改进内部信息技术系统 [1] - 募集资金将用于升级现有及设立新的医疗服务机构，包括搬迁深圳一家现有机构，并在杭州和上海开设新机构 [1] - 募集资金将用于在适当时机收购一线及新一线城市中业绩良好的医疗服务机构 [1] - 部分募集资金将用作营运资金及其他一般公司用途 [1] 公司业务与运营概况 - 公司成立于2012年，是中国领先的私立中高端综合医疗服务机构，专注服务中高端医疗市场，核心目标客户为大众富裕人群 [1] - 公司通过集中化、标准化及数字化管理系统构建服务网络，截至最后实际可行日期在中国拥有19家医疗服务机构，含17家诊所及2家医院 [1] - 公司在新加坡运营4家全科诊所，在马来西亚运营1家全科诊所 [1] - 公司采用家庭医疗模式，整合实体与线上服务，提供儿科、齿科、眼科、皮肤科、耳鼻喉及外科、妇科、内科等多专科服务 [1] - 公司强调循证医学原则与全人医疗理念，通过跨科室协作满足患者家庭全生命周期健康需求，建立了实体与线上一体化的医疗服务体系 [1]

行业市场概况与增长动力 - 2024年中国医疗AI解决方案市场规模为164亿元，预计到2030年将扩大至353亿元，期间年复合增长率为13.63% [1] - 行业正从单一学科应用转向计算机、工业、医学等多学科的深度融合 [1] - 2025年行业两大显著变化是大模型的突破式演变与医疗机构的规模化参与 [1] - 政策支持力度加大，例如《关于促进和规范"人工智能+医疗卫生"应用发展的实施意见》提出24个重点应用方向，目标到2027年形成一批临床专病专科垂直大模型和智能体应用 [6] - 行业在资本、政策、医生协同的红利下，预计至少在未来3年内维持高速发展 [6] 大模型技术发展与医院应用 - 2025年初DeepSeek发布的DeepSeek-R1通过参数高效微调、混合专家架构等创新降低了医院部署大模型的门槛 [1] - 截至2025年5月，国内排名前100的医院已全部完善大模型部署，其中38家医院进一步研发了55个垂直医疗模型，包括22个专科模型 [1] - 医生对大模型的实操热情远超传统AI，部分医生甚至通过申请科研项目的方式绕过算力采购限制，坚持进行临床科研探索 [2] - 非Transformer架构的AI在临床中的应用也愈发深入，特别是在手术机器人崛起后，大量应用开始出现在治疗场景 [3] 专科大模型应用案例 - 北京协和医院开发了全国首个罕见病领域人工智能大模型“协和·太初” [3] - 复旦大学附属中山医院与上海科学智能研究院合作开发了深耕心血管专科的医疗大模型“观心” [3] - 华中科技大学同济医学院附属同济医院开发了“术问智能术前访视系统”，帮助麻醉医生完成术前评估与术后随访 [3] - 中山大学附属第一医院与神州医疗合作开发了全国首个腹膜透析大模型 [3] - 上海交通大学医学院附属仁济医院与蚂蚁集团合作开发了泌尿专科精确导诊的“RJUA智能体” [3] - 山东大学齐鲁医院与华为、润达医疗合作开发了“齐鲁·心肇急性胸痛大模型” [3] - 首都医科大学附属北京天坛医院与北京理工大学合作开发了“龙影”大模型，可基于MRI图像在0.8秒内生成上百种疾病的诊断意见 [3] 临床价值与医生反馈 - 在涉及手术的科室（如胸外科、神经外科、心内科、骨科），超过90%使用过相关AI的医生给予正向反馈，证实AI能够提升手术精准度并显著降低并发症发生概率 [4] - 在胸外科诊断阶段，基于低于100层CT影像的人机协作模式，可将医生判别肺结节的时间从5-10分钟缩短至1.6-2.2分钟，效率提升56%-84% [18] - 东北某三甲医院肺外科引入AI后，整体诊断效率提升约73%，科室门诊量在约4年内提升约40% [18] - 在AI辅助穿刺中，某三甲医院数据显示，使用AI赋能的机器人组在调整不超过2次的定位成功率（76.5% vs. 25.0%）、穿刺平均调整次数（1.62±1.71次 vs. 4.39±3.69次）、患者接受的CT扫描次数（5.47±2.59次 vs. 8.39±4.69次）方面均显著优于传统人工穿刺组 [20] - 哈尔滨医科大学附属第一医院引入AI实现精准肺段切除后，患者3年生存率提升约20%，并发症显著减少（顽固性咳嗽下降约40%、疼痛下降约20%、并发症下降约30%），平均住院日从12天缩短至5天，效率提升约58.3% [21] 商业化挑战与价值分歧 - 医疗AI作为独立产品形态，其商业化面临挑战，核心在于不同部署环境下产生的价值不一致，医院难以精准核算效益 [7] - 应用AI产生的诊疗效益未必能转化为医院价值，采购决策可能更倾向于符合管理者利益而非服务于医生或患者的应用 [7] - 短期来看，医院和医生的利益大部分不一致：例如，在科室未出现患者排队时，AI使医生工作更轻松但不会为医院带来短期效益；医院以评级为目的采购AI可能忽视医生看重的应用能力和互操作性 [8][9] - 部分医生反感用自身数据训练院内模型，因为将自身能力赋予AI不符合其短期利益 [9] - 长期来看，医院和医生利益在提升手术质量与科研方面趋向一致，但AI的规模化使用可能降低医院对医生数量的需求，对医生岗位构成潜在威胁 [10][11][12] - 在患者支付方面，AI优化流程可能降低治疗花费，但也可能因改变编码或减少科室协助而降低科室收入，导致患者与科室利益不一致 [14] - 在当前医院普遍现金流紧张的环境下，管理者倾向于投资回收期短的创新技术，因此虽能接受AI落地，但难以为其支付费用 [14] 胸外科AI商业价值分析 - 胸外科AI的商业价值体现为三种模式：增效、提质、优化流程 [21] - 增效模式主要为科室带来价值，但受制于木桶原理，整体效率提升上限由最薄弱环节决定 [21] - 提质模式对患者价值提升明显，对科室价值的提升视情况而定：当床位饱和且诊疗成本低于DRG付费标准时，缩短平均住院日能增加医保支付结余；若床位有空余，则价值较为有限 [22] - 优化流程模式可能具备极大的患者价值，但不利于DRG下的科室绩效考核，例如AI三维重建技术可能简化诊疗流程、降低患者总花费，却导致医院报销费用减少，短期内难以实现其商业价值 [23] 数据资产化与成本控制 - 数据作为生产要素，其治理效率直接影响医疗AI的研发成本与应用范畴 [24] - 将原始数据转变为可供交易的医疗健康数据资产，供给方通常需要完成数据清洗、律所评估、资产确权等环节 [27] - 以影像数据资产为例，三甲医院医生标注一张胸部CT的成本约为50-60元，一个包含1000例患者的数据集治理成本约为5万-6万元 [27] - 单次数字资产评估费用约为5万-6万元，资产确权费用在数千元内，三个环节综合成本约10万元 [28] - 目前大多数医院对数据交易持观望态度，因为单个数据资产的交易收益可能无法覆盖其生产成本及所承担的风险 [28] - 可信数据空间作为一种数据流通利用基础设施，旨在联接多方主体，在遵循共同规则的基础上安全共享数据，但目前整体发展尚处于起步阶段，“大模型+数据空间”的结合因技术复杂度和成本约束，应用案例较为稀缺 [30][32]

行业政策与监管环境 - 国家层面持续推动“人工智能+”行动，并将医疗健康明确列为重点领域 [1] - 国家卫生健康委发布《卫生健康行业人工智能应用场景参考指引》，为医疗服务、公共卫生、健康管理、行业治理等多个应用方向提供了标准化参照 [1] - 围绕医疗人工智能产品的注册审评、数据安全与算法合规的监管框架正在逐步清晰，政策与监管的确定性是行业从“能不能用”走向“敢不敢大规模用”的前提条件 [1] 地方政府与市场落地 - 地方政府对医疗AI的态度正从“试点探索”转向“体系引入”，人口老龄化、医疗资源分布不均等问题以及政策推动是主要驱动因素 [1] - 浙江省温州市鹿城区在2025中国人工智能数字创新大会期间集中签约一批人工智能重点项目，其中包括北京数坤科技与当地政府围绕智慧医疗体系建设的合作 [1] - 该合作涵盖区域诊疗能力提升与数字化基础设施等方向，是医疗人工智能在地方层面加快落地的缩影 [1] 行业发展特征与趋势 - 医疗AI的发展更接近长期基础设施建设，而非短期爆发式增长行业 [2] - 医疗体系对效率提升和质量控制的需求具备长期性，同时医疗场景高度复杂，对企业的技术积累、交付能力和合规水平提出了更高要求 [2] - 未来行业分化或将加速，具备系统能力和区域落地经验的企业，可能逐步拉开与单点技术公司的差距 [2] - 在多重利好推动下，医疗大模型赛道的市场空间被普遍看好 [2]

研究概述 - 南洋理工大学研究人员构建了首个全面评测大型语言模型处理结构化电子病历能力的综合基准EHRStruct [1] - 该基准由计算机科学家与医学专家共同构建，包含11项核心任务，共计2,200个标准化样本 [1] - 基于该基准，研究团队对20个主流大型语言模型与11种先进的增强方法进行了全面评测，并提出了代码增强框架EHRMaster [2] - 研究成果已被AAAI 2026 Main Technical Track录取为Oral论文，并同步发布了EHRStruct 2026挑战赛 [2] 基准设计与构建 - EHRStruct基准的任务体系沿三条轴线组织：临床场景（数据驱动 vs 知识驱动）、认知层级（理解 vs 推理）以及六类功能类别 [4][9] - 基准构建过程包括四个主要阶段：任务合成、任务体系构建、任务样本抽取与评测流程搭建 [5] - 任务样本基于两个互补数据源构建：Synthea提供合成结构化病历，eICU Collaborative Research Database提供真实ICU环境下的结构化表格 [10] - 对于11项任务共生成2,200条带标注样本，每个样本的问答对由GPT-4o生成 [10] 任务体系与评测方法 - 基准涵盖的11项任务分为数据驱动和知识驱动两大类 [3] - 数据驱动任务包括：基于条件的数据过滤、数值聚合、数值趋势算术推理 [3] - 知识驱动任务包括：临床代码识别、死亡率预测、疾病预测、药物推荐 [3] - 评测涵盖20个大型语言模型，每个任务采用200份问答样本进行评测 [11] - 所有样本均用四种典型的格式转换方法进行输入转换：平铺文本、特殊字符分隔表示、图结构表示和自然语言描述 [11] - 基准还复现并比较了11种结构化数据推理方法，包括8种非医疗领域方法与3种临床方法 [11] 核心研究发现 - 在结构化电子病历任务上，通用大型语言模型整体表现明显优于医学领域模型，其中闭源商业模型（特别是Gemini系列）取得了最佳结果 [8][14] - 大型语言模型在数据驱动类任务上的表现更为稳定和优秀，而知识驱动类任务，特别是诊断评估与治疗规划，仍对现有模型构成显著挑战 [8][15] - 输入格式显著影响模型性能：自然语言描述更有利于数据驱动的推理任务，而图结构表示更适用于数据驱动的理解任务 [8] - 少样本示例能够总体提升大型语言模型表现，其中1-shot和3-shot设置通常优于5-shot [8] - 多任务微调带来的性能增益显著优于单任务微调 [8] - 增强方法具有情境依赖性：非医疗领域的增强方法在知识驱动任务上表现不佳，而医疗专用方法在数据驱动任务中同样存在局限 [8][17] 性能表现与对比 - 通用大模型在绝大多数任务中明显优于医学专用模型，尤其是在知识驱动类任务上，医学模型往往无法生成有效输出 [14] - 以Gemini系列为代表的闭源商业模型整体排名领先，展现出对结构化电子病历任务更强的泛化能力 [14] - 在零样本测试中，通用模型如Gemini 2.5在部分数据驱动任务上表现优异，而许多医学模型在多项任务上无法生成有效输出 [13] - 复现的11种代表性先进方法显示出性能割裂：通用方法擅长数据驱动的逻辑与数值推理，但在临床知识任务上表现平平；医疗方法精通知识驱动任务，却难以泛化至通用数据场景 [17][18] 提出的解决方案 - 研究团队提出了一种全新的代码增强框架EHRMaster，用于帮助大型语言模型处理结构化医疗任务 [12] - EHRMaster与Gemini系列模型联合后，在基准测试中表现强劲，能有效改善数据驱动任务，并对具有挑战性的知识驱动任务也有一定幅度的性能提升 [19][20] - 具体而言，EHRMaster搭配Gemini 1.5在多项数据驱动任务上达到100%准确率，在知识驱动任务上也有提升，例如K-U1任务的AUC从57%提升至89% [19] - EHRMaster搭配Gemini 2.5在数据驱动任务上表现卓越，并在知识驱动任务K-R3上取得69.2%的AUC，超越先前61.2%的最佳水平 [19]

课程背景与目标 - 医疗AI在影像诊断、精准治疗和药物研发等场景广泛应用，但医疗机构普遍面临跨学科人才短缺、技术落地难的挑战，制约了医疗智能化转型进程 [3] - 上海交通大学医学院联合多部门，针对人工智能在医疗领域快速渗透的行业趋势，聚焦医生、工程技术人员、科研人员及企业界对AI应用技能的迫切需求，推出医疗人工智能实训营 [3] - 课程通过系统化实战训练，精准衔接临床需求与AI技术，旨在为培养复合型人才提供核心支撑 [3] 课程特色 - 直击医生在诊断、治疗以及科研人员在药物研发中的数据处理与模型部署难题，提供可直接落地的AI技能训练 [5] - 构建实战导向的完整课程体系，从AI基础、医学数据处理到临床案例实操，形成“理论-分析-应用-实操”闭环学习路径 [6] - 采用双领域权威协同模式，由医学专家与AI工程师联合设计并授课，内容严格遵循临床规范与技术前沿，保障专业性与实用性 [7] 课程安排与内容 - 第一天课程为《人工智能基础》，结合医疗场景讲解核心算法原理，快速建立AI与医学交叉认知框架 [9] - 第二天课程包括《医学数据处理与分析》与《人工智能的医学应用》，聚焦医学影像数据清洗、标注与特征提取，并深入解析AI在影像辅助诊断、疾病预测中的落地案例 [11] - 第三至四天（共1.5天）课程为《基于临床案例的演示与实操》，学员将分组完成真实医院数据的AI模型部署与验证，确保掌握全流程实操要点，实现从理论到临床应用的技能闭环 [11] 师资力量 - 师资团队由上海交通大学医学院、生物医学工程学院、附属医院及学生创新中心的教授、主任医师及资深教师组成 [13][16][19][21] - 核心教师包括生物医学工程学院教授、先进医疗芯片研究所所长钱大宏，瑞金医院放射科主任医师李若坤，生物医学工程学院教授向孙程，第九人民医院眼科数据中心主任宋雪霏，以及学生创新中心的楚朋志和梁晓妮 [13][16][19][21] 招生与运营信息 - 招生对象为医生、工程技术人员、高校科研院所科研人员以及医疗行业对人工智能感兴趣的人士 [23] - 课程学制为3.5天，计划于2026年1月中下旬开班，学习地点在上海交通大学医学院或上海交通大学 [10] - 学费标准为9800元，团购价（2人及以上）为8000元/人，费用包含教材讲义费、课间茶点和餐费、教学管理服务费，并提供免费复训，住宿需自理 [25] - 学员修满规定课程并通过审核后，将由上海交通大学医学院颁发统一印制的结业证书，卫生专业技术人员可获相应的继续医学教育学分证书 [29]

股份回购 - 公司连续3日实施股份回购，于12月5日以每股5.18港元的价格回购28万股，金额达140万港元 [1] - 连续3日合计回购约85.3万股，累计回购金额超过430万港元 [1] 财务业绩 - 公司2026财年中期总收入达到人民币3.58亿元，同比增长8.7% [1] - 现有业务经调整EBITDA约人民币5400万元，较去年同期实现翻倍 [1] - 会计报表层面几近盈亏平衡，此关键财务里程碑的达成比管理层预期提前了约一年 [1] 业务合作与技术进展 - 北京清华长庚医院与公司正式启动数字科技研发平台建设 [1] - 双方合作发布“清心”心电大模型，标志着在医疗人工智能领域的合作步入新阶段 [1]