数据问题不只存在于医疗影像领域，厘清并解决医疗影像领域 的数据难题，不仅能推动医疗AI自身的革命性发展，也将为AI 赋能其他各行各业提供宝贵的经验和范本。 作者： 刘劲等 封图：图虫创意 近日，国家卫生健康委办公厅等五部门发布《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"人工智能+医疗卫生"发展的时间表：到2030年，基层诊疗智能辅助应用基本实 现全覆盖，推动实现二级以上医院普遍开展医学影像智能辅助诊断、临床诊疗智能辅助决策等人工 智能技术应用，"人工智能+医疗卫生"应用标准规范体系基本完善，建成一批全球领先的科技创新 和人才培养基地。 当前，中国的医疗影像智能化建设确实正在提速，推广医学影像智能诊断服务，为提升基层医疗服 务能力提供新路径。 医疗影像（X光片、CT、MRI、超声等）指利用各种成像技术，将人体内部的结构或组织以可视化 的形式呈现出来，对疾病的诊断、治疗和监测起到重要的作用。 由于医疗影像的数字化起步较早，数据结构相对标准化，便于计算机视觉处理，早在90年代，业 界便开始尝试将医疗影像与计算机辅助诊断相结合；后来，以卷积神经网络（CNN）为代表的深 度学习技术在图像识别领域 ...

政策目标与行业现状 - 国家五部门发布《关于促进和规范“人工智能+医疗卫生”应用发展的实施意见》，提出到2030年基层诊疗智能辅助应用基本实现全覆盖，二级以上医院普遍开展医学影像智能辅助诊断等应用 [2] - 医疗影像因数据结构标准化，是AI技术在各行业中最早实现规模化落地的场景之一，目前头部三甲医院几乎都引入了AI医疗影像产品 [3] - 中国影像科医师严重短缺，三级医院每位影像科医生日均需出具80-100份CT报告、60-80份磁共振报告或120-150个超声检查，超负荷工作现象普遍 [4] AI医疗影像的已实现价值 - AI辅助可将传统耗时近30分钟的诊断流程缩短至5-10分钟，显著提升医生工作效率 [5] - AI在影像检查中识别准确率普遍高达95%以上，在放疗计划制定中可将几小时的工作压缩至几分钟 [5] - 全国三级医院约有14万名影像科医生，平均工资约19万元，保守假设AI能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] 行业商业化困境与原因 - 2020年至2024年整个AI医疗影像行业的累计商业收入不足30亿元，平均每家医院终身使用一款产品仅需40万元，多为一次性软件买断模式 [7] - 行业同质化竞争激烈，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，单胸肺场景就有十余家企业竞争 [8] - 激烈竞争导致厂商普遍采用“免费试用”策略，陷入囚徒困境，且医院经费有限，许多三乙和二级医院全年检查收入在百万量级，难以负担非刚需的软件费用 [8][9] - 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 [9] 技术发展潜力与方向 - 当前AI主要提供辅助诊断价值，在“判断疾病良恶性质”上误诊率高于优秀人类医生，能力上限暂时只能作为医生的提效助手 [10] - 当前主流商业化模型以卷积神经网络（CNN）为主，其缺乏全局视野，对三维影像理解能力较弱 [11] - 引入Transformer架构有望弥补CNN短板，其自注意力机制擅长全局和长距离依赖分析，能让AI从“辅助诊断”向“独立诊断”更进一步 [11] - Transformer的多模态能力为构建覆盖筛查、诊断、治疗到随访全流程的综合性临床诊疗大模型铺平了道路 [12] 未来发展面临的核心挑战：数据 - 基于Transformer的模型需要百万到千万级的图像数据，微调也需要十万到百万级的标注数据，比当前主流商用模型训练规模大几个数量级 [16] - 医疗数据受严格法规保护，共享流通受限，且不同设备、协议及医生标注差异导致数据混乱，获取大规模高质量标注数据困难 [16] - 多模态数据融合要求收集和处理影像、病理、临床、基因等多维度数据，并将不同来源、时间的数据精确对齐，工程浩大 [17] - 能够在医疗数据的收集、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，将有望构建最深护城河 [17] - 可通过自监督学习、联邦学习、合成数据等技术途径缓解数据挑战，但更需要设计有效的协调机制让数据流动起来 [17]

核心观点 - 理想汽车自研智驾芯片M100取得关键进展 预计明年量产上车 其采用软硬结合研发策略 目标是通过软件调度提升硬件算力利用率 在性能上实现对竞争对手的降维打击 [4][6][7] 芯片研发进展 - M100于今年一季度样片回片 完成功能测试和性能测试后已小批量上样车做道路测试 [4] - 在处理大语言模型计算任务时 1颗M100有效算力相当于2颗英伟达Thor-U 在处理传统视觉任务时 1颗M100有效算力可对标3颗英伟达Thor-U [4] - 芯片研发耗资巨大 项目规划资金预算达数十亿美元 [6] 技术战略 - 采用软硬结合研发策略 通过软件调度能力提升芯片硬件算力利用率 [6] - 研发工作包括NPU SoC等硬件以及软件开发与适配 是一个多层次的解决方案 [6] - 智驾芯片设计与Transformer架构密切相关 需要原生高效支持FP4 FP6等超低精度优化 [7] 产品策略 - 采取两条腿走路策略 一方面用外部方案确保当下市场竞争力 另一方面用自研芯片谋求未来核心优势 [7] - 纯电车型倾向于搭载英伟达高算力芯片 如MEGA i8全系搭载英伟达Thor-U i6也有意全系搭载 [7] - L系列增程车型根据AD Max和AD Pro版本分别搭载英伟达Thor-U或地平线征程6M [8] 研发背景 - 理想汽车CTO谢炎主要推动软硬结合研发策略 其拥有编译器技术背景 曾任AliOS首席架构师 华为终端OS部部长等职 [6] - 自研智驾芯片核心原因是作为专用芯片能够针对公司算法进行特定优化 性价比和效率都很高 [8] - 目前仍使用英伟达芯片是因为其对新的算子支持较好 算力充足 且算法仍处于迭代过程中 [8]

核心技术优势 - 深度学习和神经网络构成AI图像识别技术核心 通过多层网络实现图像逐层抽象和特征提取 [3] - 卷积神经网络(CNN)通过卷积层 池化层和全连接层组合有效提取图像空间特征和层次结构信息 [4] - 生成对抗网络(GAN)通过生成器与判别器对抗训练生成逼真图像数据 应用于数据增强和图像修复领域 [5] 技术应用成效 - CNN技术广泛应用于人脸识别和物体检测领域并取得优异表现 [4] - GAN技术显著提升模型泛化能力和鲁棒性 [5] - 迁移学习利用已有知识迁移至新任务 弱监督学习通过少量标签数据训练模型 共同解决数据不足和标签稀缺问题 [6] 产学研协同创新 - 浙江大学与阿里安全联合研发基于深度学习的AI细粒度图像识别技术 [3] - 研究机构与企业在深度学习领域取得显著成果 [3] - 技术创新应用为杭州AI图像识别领域未来发展奠定坚实基础 [7]