《科创板日报》9月23日讯（记者 史士云）“在医学影像领域，上海有38家医院开展了AI影像辅助诊断，累计服务患者超过2200万人次，平均缩短报告时间40%，并将恶性肿瘤的早诊率提高了15%。”在日前举办的2025浦江创新论坛“中欧医学影像人工智能合作论坛”上，上海市科委生物医药处处长、二级巡视员曹宏明披露了这样一组数据。

人工智能（AI）作为驱动医学影像领域发展的核心新兴技术，正深刻重塑疾病筛查、诊断、风险评估及临床决策的全流程体系。同时，深度的学习算法优化、大模型能力的突破及算力基础设施的升级，又进一步为医学影像人工智能技术注入核心动力，使其呈现出更为活跃的技术突破态势与应用拓展能力。

根据弗若斯特沙利文数据，中国AI驱动的医学影像市场2024年规模达到24亿元，到2030年有望实现年均60.2%的高速增长。

▌从解决行业痛点着手

目前，AI在医学影像中的临床应用主要集中在影像诊断环节，尤其聚集于病变检测和定性方面，通过对海量影像数据与临床信息的深度学习和整合分析，AI系统逐步培养出辅助诊断疾病的能力。

相比之下，传统的工作模式中，影像科医师受外界因素干扰较大，不同医生间诊断一致性较低。据相关数据，针对同一影像的结论差异率高达30%。此外，基层医疗机构诊断水平参差不齐，据国家卫健委此前发布的一项数据显示，偏远地区的疾病误诊率是城市的2-3倍。

“与传统荧光成像相比，近红外二区（NIR-II）荧光成像受手术室光线干扰更小，可检测单发、多发及转移性肝癌病灶，还能发现肉眼和超声漏诊的残余病灶，将肝癌检出率提升15%。同时可识别CT、NIR-I影像均无法发现的微小肿瘤。”中国科学院自动化研究所研究员，中国科学院分子影像重点实验室常务副主任胡振华在会上介绍道。

据了解，近年来，NIR-II荧光成像算法在三维重建、深度重建、图像增强及定量分析等方面取得了重要进展，为荧光手术导航技术智能化赋能。

瑞士伯尔尼大学核医学科主任Axel Rominger则表示，AI在PET和SPECT影像分析中发挥了重要作用，不仅提高了图像重建质量，且降低了辐射的暴露剂量，深刻地改变了核医学影像的评估模式。推动其从依赖医生经验的主观视觉判断，转向客观、可重复的定量分析，这就为癌症等重大疾病的疗效评估提供了可靠的量化依据。

在医学影像AI的发展进程中，其应用边界正不断突破肿瘤诊断与治疗这一核心领域，向更广阔的临床场景延伸拓展。

香港大学心理学及认知与情感神经科学教授Benjamin Becker指出：当前精神疾病领域正积极采用“自下而上”的研究方法——该方法以磁共振成像（MRI）扫描为核心技术支撑，结合人工智能算法与机器学习模型的数据分析能力，实时捕捉并解读被试者的情绪状态。其核心目标在于挖掘精神疾病的特异性生物标志物，为疾病的早期诊断与精准干预提供客观依据。目前这一技术已取得阶段性进展，在一些动态实验场景中，能对情绪进行精准识别。

有初步研究显示，AI咨询与人类心理咨询在缓解压力方面有相似的效果，不过，Benjamin Becker表示，未来还需进一步提升AI在个体水平的预测准确性，同时平衡该应用的机遇与风险，如避免AI对用户认知产生不良影响。

在医学影像人工智能技术快速发展的当下，如何推动AI真正突破更多边界，深度融入临床诊断、治疗评估、随访监测等全流程环节，并适配临床需求与复杂诊疗场景，也已成为当前业内的关注点之一。

在美国医学与生物工程学院院士、联影智能CEO、上海科技大学生物医学工程学院院长沈定刚看来：要将AI融入医学影像临床全流程，需要结合具体的临床场景进行推进，因为临床流程涉及多种影像模态与不同诊疗环节，若针对2万种疾病分别研发技术，再与不同临床环节组合，所需处理的组合数量将极为庞大，所以开发通用型人工智能技术至关重要。

目前，联影智能正在开发适用于多模态影像的通用技术。以磁共振成像（MRI）领域为例，该技术通过将人工智能与MRI的物理特性深度融合，由AI为复杂的图像重建算法提供初始值，仅需1-2次迭代即可实现快速成像，目前该技术已基于200余万张影像数据完成模型训练。

“未来，我们将重点攻关基础模型，传统AI需针对每种疾病、以小数据集单独开发，而基础模型可依托大规模数据集，一次性覆盖多种疾病的诊断需求。此外，基础模型的构建需融合多模态能力，不仅能‘看’（处理影像）、能‘听’（处理语音），还能‘理解’（如语言模型般学习知识）。” 沈定刚表示。

▌规模化落地临床仍需破局

尽管全球范围内医学影像AI发展蓬勃，但在临床实际应用中依然面临多重挑战。AI模型的输出结果与疾病发生、进展及影像征象间的确切关联尚未完全明确，现有依赖机器学习的数据分析虽能呈现医学影像与临床结果的关联性，却常难以解释二者间的深层因果逻辑。同时，该领域研究对医学数据的质量也存在极高依赖，这进一步制约了技术的推进与应用。

同济大学附属同济医院放射科首席专家、中华医学会放射学分会副主任委员、中国医学影像AI产学研用创新联盟副理事长王培军表示：“当前人工智能在医学影像应用中的敏感性及特异性仍有待提高”。

他将根源归结于三大瓶颈：一是医学影像数据的标准化程度不足，不同设备、场景产生的数据差异影响模型训练效果；二是高质量标注的临床样本量有限，难以支撑AI模型实现泛化性更强的学习；三是缺乏具备顶层设计的算法框架，现有算法多针对单一任务开发，难以适配复杂多样的临床影像需求。

针对当前医学影像人工智能发展面临的挑战，王培军指出，未来国内该领域在数据库建设与算法算力优化两大方面，可重点朝着以下三个方向推进：

进一步加强医学影像数据的标准化采集与全流程质量控制，建立多中心、多维度的大样本数据库，为AI产品研发提供大量金标准数据；

重点推进算法层面的跨技术融合与原创性创新，通过技术突破持续提高AI模型在诊断中的敏感性、特异性、准确性与鲁棒性，进而增强模型在复杂临床场景中的适配能力和应用价值；

加快量子计算技术的研发与落地进程，提升硬件算力，为更大规模、更高复杂度的AI大模型的构建与高效运行奠定坚实的硬件基础。

中国科学院院士、东南大学附属中大医院院长、中国医师协会介入医师分会会长滕皋菌也表示：在技术层面，AI模型的研发与临床实际需求存在脱节，多学科协作机制尚未完善，例如工程师、临床医生与产业界之间的沟通协作存在欠缺，导致技术研发方向难以精准匹配临床痛点。

伦理合规（如数据隐私保护、算法公平性）、法律法规适配（如AI 诊疗责任界定）以及社会认知普及（如公众对AI医疗的信任度建设）等非技术层面的问题，也在一定程度上阻碍了AI技术在医学领域的落地与推广。

“当前人工智能解决方案的开发过程中普遍存在对既有临床知识的忽视问题，我们应更侧重于‘可解释人工智能’的探索，即无需将人工智能系统视为完全封闭的‘黑箱’，仅依赖其输出的最终结果，而是通过技术设计让系统的决策逻辑可追溯、可解读，从而更好地结合临床知识提升应用可靠性。”慕尼黑工业大学医学院以及医学和外科机器人学教授，慕尼黑工业大学附属伊萨尔医院眼科研究负责人Ali Nasseri说道。

针对医疗人工智能如何获取更多“临床认可度”，Ali Nasseri 指出，信任度与临床效率虽是影响该认可度的关键因素，但并非全部，还需综合考量多方面核心要素，比如系统与现有临床流程的整合适配度、对不同诊疗场景的兼容能力、定价机制的合理性、相较于其他临床方案的疗效优势，以及可覆盖的患者服务规模等，这些维度共同决定了医疗人工智能系统能否切实融入临床实践，实现规模化应用。