" 未来 AI（人工智能）在医疗诊断中收费，本质上就像买保险，患者支付合理费用，来降低漏诊、误诊风险，也是对健康一份保障。" 中国科学院香港创新研究院人工智能与机器人创新中心主任刘宏斌在接受《每日经济新闻》记者专访时，如是说道。

近日，刘宏斌带领团队发布国内首个超声领域基座大模型 " 聆音 "EchoCare 超声大模型。刘宏斌介绍称，该模型以超 450 万份覆盖 20 多个国家和地区的多中心影像数据为基础，将诊断准确率较国际顶尖水平提升 3~5 个百分点，不仅打破传统模型 " 换医院就失灵 " 的泛化性困境，还试图破解 AI 医疗 " 叫好不叫座 " 的商业化难题。

在刘宏斌看来，人工智能在医疗领域运用并不局限于此，在近一个小时的面对面专访中，刘宏斌从人工智能技术在医疗领域应用的技术突破核心逻辑，到数据合规的平衡之道，再到商业化落地的路径规划，深入解析 AI 如何突破行业瓶颈，以及 AI 医疗未来将如何以 " 保险式收费 " 模式，真正走进临床、惠及普通患者。

中科院香港创新院 AI 中心刘宏斌 受访者供图

超 450 万份影像数据 " 喂养 "，准确率领先国际水平

" 严格来说，AI 模型分为编码器与解码器两大模块。编码器负责将图片、文字等信息压缩为高效特征，解码器则针对分类、图像分割等具体任务完成适配。我们发布的超声大模型，核心是一个通用编码器。" 刘宏斌向记者解释，这个编码器核心竞争力，源于 450 万份超声影像数据的 " 喂养 "，涵盖 20 多个国家和地区的公开数据集，以及国内中山大学第一附属医院、华西医院等五六家合作医院的脱敏数据。

" 海量数据让编码器具备极强的泛化能力，能兼容不同厂商的超声设备图像，甚至适配不同国家的临床场景，这也是它被称为‘基座’的核心原因。" 刘宏斌表示。

" 泛化性 " 是决定人工智能在医疗领域应用能否落地关键。传统超声 AI 模型多依赖单一医院数据训练，换用其他医院设备或不同人种的影像时，准确率往往大幅下滑。刘宏斌透露，团队突破在于 " 多中心数据架构 "：" 我们整合了全球公开数据集，这些数据均经过发布机构的伦理论证与脱敏处理；同时联合医院处理内部数据，去除患者姓名等标识，确保无法追溯到个人。目前医院一线数据占比约 10%，虽比例不高，但为模型适配真实临床场景提供了关键支撑。"

技术优势最终要靠临床指标验证。刘宏斌表示，该模型在回溯性研究中已展现出显著竞争力：" 当前国际顶尖超声 AI 模型的准确率普遍在 85%~90%，我们通过预训练技术将准确率再提升 3~5 个百分点。别小看这几个百分点，在庞大的患者基数下，这意味着能减少上千万人的漏诊、误诊风险，临床价值极高。"

赋能基层医疗迫在眉睫，而 " 临床需求牵引 " 亦是关键

对于发布 " 聆音 " 超声大模型的时机，刘宏斌团队经过了周密考量。" 技术成熟度与政策窗口期双重叠加，让我们决定此时推出。" 他表示，经过一年多研发，模型已具备临床应用条件，且准确率领先国际，" 更重要的是，国家正推动 AI 赋能基层医疗，那些医疗资源薄弱、医生经验不足的地区，对这类技术的需求十分迫切。"

按照规划，模型落地将分三阶段推进：第一阶段是概念验证，目前已完成，证实技术性能达标；第二阶段是临床研究，联合企业与医院通过伦理评审，在真实诊疗场景中测试模型效果；第三阶段是产品注册，完成医疗器械认证后正式推广。" 从临床研究到成为成熟产品，超声领域通常需要 2 年左右时间。" 刘宏斌预测，基层医院将是首批落地场景，" 通过 AI 辅助，基层医生能快速提升超声诊断能力，缓解优质医疗资源分布不均的问题 "。

在落地过程中，" 临床需求牵引 " 被视为关键。刘宏斌强调："AI 医疗不能脱离医生需求闭门造车。我们的模型定位是‘医生助手’，思考方式必须与临床专家协同。比如，医学是循证学科，模型的每一个诊断结论都要标注依据，具备可解释性，这样才能获得医生信任。"

他以超声检查为例，指出 AI 能解决实际痛点：" 现在超声科医生扫图时体位别扭，长时间操作易疲劳，且不同医生扫出的图像标准不一，可能导致误诊。未来若结合具身智能机器人，扫图流程将实现标准化，医生能将更多精力放在诊断和与患者沟通上。" 目前，团队已开始研发相关机器人技术，" 先从心脏超声等难学难操作的领域突破，逐步替代重复性体力劳动 "。

值得关注的是，" 聆音 " 超声大模型仅是 AI 在医疗领域 " 多模态布局 " 的一环。刘宏斌透露，团队正与华为联合研发涵盖 12 种模态的医疗 AI 模型，" 包括 CT、核磁、内镜影像，以及脑电图、心电图等，超声只是其中之一。目前超声大模型参数量在 500 万以内，属于‘小模型’，而 12 模态模型参数量将达到 70 亿，两者完全不在一个量级，未来将为全流程诊疗提供底层技术支撑 "。

隐私保护、" 幻觉消除 " 和 " 生态孤岛 " 等难题仍需重点攻克

人工智能在医疗领域应用过程中，数据 " 多样性 " 与 " 合规性 " 平衡始终是行业难题，刘宏斌以超声大模型为例向记者讲述了其探索路径。"450 万份数据中，大部分来自国际公开数据集。" 刘宏斌告诉《每日经济新闻》记者，公开数据推动了超声领域的研究热度，" 国际上不少科研机构、高校会发布经过伦理论证的数据集，我们将互联网可公开获取的资源全部纳入，同时进行数据清理 "。

对于占比 10% 的合作医院数据，团队采取 " 医院主导 + 技术配合 " 的合规模式。刘宏斌指出：" 每家合作医院都有伦理委员会，数据使用需经过严格评审。我们会与临床合作伙伴共同遵循医院规定，对数据进行内部脱敏、多重核查，确保合规后才用于模型训练。"

刘宏斌强调，超声影像的特殊性为合规提供了便利。" 与基因数据、用药记录等敏感信息不同，超声影像去除患者标识后，几乎无法追溯到个人，属于医疗数据中的‘非敏感类别’，这降低了合规难度。"

即便如此，数据隐私保护仍是未来 AI 在医疗领域应用需重点攻克的方向。刘宏斌坦言，未来大模型落地医院后，" 数据不出院 " 将成为核心原则：" 医院的隐私要求决定了模型不能脱离其内部生态，这就要求大模型具备‘闭门成长’的能力，无需外部数据输入，仅通过医院日常诊疗产生的新数据实现自我进化。"

为解决 " 数据不出院 " 导致的 " 生态孤岛 " 问题，刘宏斌团队尝试引入联邦学习技术。" 不同医院的模型无需共享数据，只需交换提炼后的知识，就像医生通过学术会议分享案例。" 刘宏斌解释，这种模式既能保护隐私，又能让模型相互学习，" 比如 A 医院的模型擅长甲状腺超声诊断，B 医院的模型擅长乳腺超声，通过联邦学习，两者能互补提升，覆盖更多病种 "。

刘宏斌强调，在尝试消除 " 生态孤岛 " 问题的同时，人工智能在医疗领域应用仍面临三大技术瓶颈，他将其概括为 " 幻觉消除 "" 可解释性 " 与 " 连续学习 "。

" 在写诗、绘图等场景，AI ‘幻觉’（生成虚假信息）或许能被接受，但医疗领域必须零容忍。" 他表示，团队正通过优化训练数据与算法，确保模型诊断结论完全基于真实医学知识；" 可解释性 " 则要求模型像医生一样 " 讲道理 "，" 比如指出某个结节被判定为良性的依据是大小、形态还是血流信号，让诊断过程透明化 "；而 " 连续学习 " 是模型落地后的核心挑战，" 医院数据不出院，模型必须能通过日常诊疗中的新数据自我升级，就像人在实践中成长，这需要突破传统‘训练一次就固化’的模式 "。

明确 AI 诊断收费规则，是全行业等待的 " 关键变量 "

AI 医疗的商业化，始终绕不开 " 技术如何变现 " 命题。刘宏斌团队给出的答案是：与硬件厂商合作，走 " 开源基座 + 付费定制 " 的路线。

" 科研团队核心优势在技术研发，而非生产销售。" 刘宏斌向记者明确商业化逻辑，"AI 本身是赋能工具，单独的软件产品难以形成竞争力，必须与厂商设备深度融合 "。

具体而言，商业化分为两步：第一步是开源基座模型，" 我们计划将编码器开源，供科研机构、医院免费使用，目的是推动行业技术迭代，同时积累更多应用场景反馈 "；第二步是联合企业开发付费产品，" 针对医院的私有数据和定制化需求，提供模型适配、升级服务，而硬件厂商负责生产、销售及后续维护，我们通过技术授权获取收益 "。

刘宏斌以 " 聆音 " 超声大模型举例称，在正式发布之前，已有三家超声设备企业主动接洽，计划将该模型嵌入其硬件产品，通过医院试用推动后续采购。

不过，商业化进程仍受制于政策细则。刘宏斌坦言，当前最大的不确定性在于 AI 医疗服务的收费标准：" 传统超声设备厂商的盈利模式是‘设备销售 + 年度维护’，但加入 AI 功能后，企业成本会上升。如果医院无法通过医保或自费渠道收取 AI 诊断费用，采购意愿会大幅降低。目前国家已有相关政策征求意见，明确 AI 诊断有望纳入收费体系，但具体细则尚未出台，这是全行业都在等待的‘关键变量’。"

他进一步分析，一旦收费政策落地，市场将迎来爆发：" 现在超声设备主要集中在三甲、二甲医院，AI 能降低操作难度，未来可下沉至社区医院、体检中心；长远来看，便携式超声设备若能结合 AI 进入家庭，市场规模将堪比手机行业，达到几千亿元级别。"

每日经济新闻