" 从基层医疗来说，AI 想下去是很容易的，但从那里产生 AI 还是挺难的。" 近日，一脉阳光董事长陈朝阳对第一财经记者表示。

中国有超过三万家乡镇卫生院，每年诊疗人次超过 10 亿，在治病救人方面发挥重要作用。不过，在乡镇医疗机构，CT、超声等设备所产生的数据比较粗糙。高质量数据是高质量大模型的前提条件，而乡镇医疗机构的影像数据暂时还不具备人工智能价值，这也是一种浪费。

" 从乡镇医疗机构采集有意义的影像，这一点比较难。" 陈朝阳表示。

一脉阳光是一家医疗服务企业，业务聚焦于医学影像数据，也就是 CT、磁共振、超声心电等。一脉阳光在全国 20 省份建有 117 个影像服务中心，合作机构超 1100 家。

一脉阳光不但与省市级别医院合作，也会触及乡镇医疗机构。

" 中国大概有 10 万家医院，3 万个在农村叫乡镇卫生院，3 万个在社区，还有大概 3 万在城市里面。我们认为要把未来医疗干好，要把这 10 万个医疗机构变成数字化的医院。" 陈朝阳说。

国家卫生健康委员会发布的《2024 年我国卫生健康事业发展统计公报》显示，中国基层医疗卫生机构中，乡镇卫生院 33334 个。基层医疗机构，承担着繁重的任务。2024 年，乡镇卫生院诊疗人次 13.8 亿，比上年增加 0.7 亿人次。

影像数据是医疗数据的核心构成。考虑到中国病患人数众多，各级医疗机构每年都会产生海量影像数据。从应用场景来看，中国人工智能企业，本应可以得到充足且优质的医疗数据。但真实的情况是，大量乡镇医疗机构的数据难以被人工智能企业所用。

" 相对三甲医院采集的影像数据，这些乡镇医疗机构采集到的数据差异很大。就像我们的 CT，放在北京采到的数据跟搬到一个乡镇采集到的数据，那是两件事儿。" 陈朝阳表示，乡镇医疗机构的影像数据在训练医疗大模型的时候，" 很多就不能用 "。

数据是人工智能的燃料。

中国是全球医疗 AI 企业的必争之地。飞利浦等跨国企业，联影等中国企业已经将 AI 视为塑造医疗未来的关键驱动力。飞利浦在不久前的中国国际医疗器械博览会上，展出了 50 余款创新产品，近半数产品已与人工智能紧密相关。其中，新一代的能量 CT 扫描将带来数据量的爆炸式增长。从谷歌到阿里，从飞利浦到智元机器人，不管它们开发的是大语言模型、面向真实世界的物理 AI, 还是 CT 硬件产品，每一家想要在人工智能时代有所作为的企业都将数据置于核心位置。

觅蜂科技董事长、CEO 姚卯青此前接受第一财经采访时说，现在的大模型都是数据驱动的，什么样的数据就产生什么样的模型。

"Garbage In、Garbage Out，如果你是垃圾数据进，就垃圾模型出。" 姚卯青说。低质量数据还会造成深层次问题，如果有一个好的算法，训练后却没有得到好的效果，大模型企业将难以分辨，到底是数据不好，还是模型出了问题，甚至可能因此而否定优秀的算法。

现在国内人工智能技术与基层医疗机构之间，是一种单向流动。人工智能技术可以在云端或者内嵌设备的方式，被基层医疗所采用。但是基层医疗难以向人工智能反向输入足够可用的数据。

这很大程度上源于医疗资源的不均质分配。

据陈朝阳分析，欧洲和美国的医疗体系均质化比较好，农村地区和城市的医疗水平差异化不是特别大。" 所以它的数据转化到应用端的成本会比我们低，因为采集端的标准化程度比较高。而对于我们来讲，这是一个痛点。"

三甲医院和乡镇卫生院，影像数据质量完全不同，背后是人才体系的巨大差异。

中国的现代医疗体系，建设期并没有多少年。但是中国人口众多，地域广大，因此医护人员的相对比例还不够高。

" 我们这个体系经过几十年发展，里面有几个学科是很多高质量的医学生不愿意选的，包括儿科和影像科。医学生不愿意选这两个科，主要原因还是跟收入有关。" 陈朝阳表示，他们如果能在本科以上院校读完影像专业，更倾向于走进城市医院，而非落地基层医疗机构。

据陈朝阳观察，当县一级医院临床大夫已经达到博士生水平的时候，乡镇医疗机构的放射科大夫很多还是大专毕业生水平。

在医院放射科，完成整套检查流程需要两位人员：设备操作员和影像医生。

跟拿着傻瓜相机拍照不一样，医疗设备操作员需要知道临床医生的大致诊断方向，也要明白如何使用设备的复杂功能来达成影像效果。

" 例如 MRI ( 磁共振成像 ) 查看完之后，我怀疑患者的灰质有问题或者血管有问题，需要调一个 TWI ( 磁共振成像中基于组织横向弛豫时间差异生成图像的技术 ) 来检查。如果他不会操作，信息量就不够，临床医生就无法做好诊断。" 陈朝阳说：" 合格的影像医生就更缺少了。一个胸部 CT 下来 300 张片子，一会看骨头，一会看肺泡，没有经过长时间训练，他真是没有办法。"

在基层医疗机构数据质量不佳的情况下，一些医疗 AI 企业就要亲自下场采集数据。

随着 5G 等通信技术进展，这些机构可以远距离控制异地设备，完成数据的标准化采集。这样收集到的乡镇病患数据和一线城市的数据趋于一致。

" 我们研发最花钱的就是人工智能，其中算力和数据的构建是大头。" 深至科技首席执行官朱瑞星不久前对记者表示。

朱瑞星认为，现在市面上已经有不少医疗大模型，而且发表在高质量医学杂志上的公共数据已经被充分利用，AI 医疗的独特优势将是独有数据。

" 独有数据恰恰是能够构建长期壁垒的东西，会让你的模型精度不断变高。没有活的数据，其实就没有壁垒。" 朱瑞星说。

医疗数据的问题，并不只存在于基层医疗机构。

关于 AI 医疗的痛点，森亿智能方面认为，核心难点是数据治理与集成的复杂性。医院通常运行众多独立系统，其架构及数据标准各异，阻碍了跨系统互操作性。医疗术语缺乏标准化，且病历等非结构化数据普遍存在，进一步增加了数据清洗与分析的复杂度。数据质量不佳（包括错误及字段缺失）削弱了人工智能模型的可靠性，并增加了开发成本。

" 医疗机构极其分散，每个都是一个孤岛。我们的治疗行为分散到每个孤岛里面去了。" 陈朝阳说：" 我是自己医疗数据的拥有者，连体检数据都很难组织起来，因为有的时候在北京体检，有的时候在上海体检。"

数据质量，决定了人工智能的上限。中国人口众多，医疗数据如果能被充分利用起来，那会令 AI 如虎添翼；如果因为采集不标准，医疗机构孤岛化，这些数据不能被充分利用，则意味着巨大的浪费。