在健康中国与数据要素行动计划两大国家战略交汇之下，医疗影像数据本应是智慧医疗落地、AI 产业突围的核心生产资料。

但很长一段时间里，海量 CT、核磁、病理影像等数据都沉睡在各家医院机房，隐私红线、权属空白、产业链割裂的三重枷锁，让临床数据难以转化为产业创新动力。

行业困局积弊已久，如何构建覆盖数据确权、合规流通、模型训练、价值分配的全域基础设施，成为医疗 AI 突围的刚需。

2026 年 7 月初，北京钓鱼台国宾馆，四位院士、三甲医院、地方卫健委、头部 AI 厂商、高校科研院所等关键角色齐集，德适科技举办了一场开创性发布会，并亮出其全新的医疗影像数据生态平台—— iMedLoop。

这不仅仅是一场简单的产品发布会，更是德适科技试图为整个医疗 AI 行业提出的基础设施解决全案。

一场旧范式的革新正在展开。

基座能力与时间博弈

作为今年 3 月刚敲钟的 " 全球医疗影像 AI 大模型第一股 "，德适科技 CEO 宋宁的开场并非宏大的市场叙事，而是直接抛出了一组极具压迫感的数据。

他指出，全球医疗影像检测项目至少有 3000 项，若细分至组织病理等层面，甚至超过 14000 项。而训练一个传统的 AI 模型，往往需要 10 万张标注数据。如果按传统 AI" 一病一模型 " 的路径，让全国 25 万影像医生每天抽 1 小时做标注，完成所有项目需要 1200 年。

根据 2025 年 11 月国家卫健委等五部委联合发布的《关于促进和规范 " 人工智能 + 医疗卫生 " 应用发展的实施意见》，要求到 2030 年实现二级以上医院医疗影像基本智能化普及。

而 1200 年的 " 时间黑洞 "，是横亘在医疗 AI 规模化落地面前最现实的困境。医生的时间极其宝贵，他们不应该成为低效的 " 数据标注员 "。

显然，靠人海战术是无法完成政策目标的。

德适科技给出的答案是 iMedImage。这个在 2025 年 5 月发布的全球参数规模最大的医疗影像基座大模型，核心价值在于降维打击。它不再需要海量的标注数据来 " 从零开始 " 学习，而是基于已经学习过的海量医疗影像知识，进行 " 迁移学习 "。

具体而言：训练一个特定的垂直模型（如肺结节、胃癌预测），所需数据量从 10 万张锐减至 500 张，仅为原来的 1/200。相应的研发周期、成本和算力支出不到原来的 1/10。

据宋宁透露，过去一年，德适科技已与 87 家三甲医院合作，训练了 145 个垂直模型，其中 30 个达到全球领先水平。

" 通过 iMedImage，将 1200 年的漫长等待，缩短至 6 年。"

除了技术的革新，这更是对行业资源的极大节约。

数据高质量标注的死结

国内医疗影像 AI 已经走过数年落地周期，算法、单病种产品层出不穷，但行业始终没能跑出规模化增长曲线，除了需要解决数据量的瓶颈，数据标注的 " 质 "，也是决定性因素。

过去，即便有数据，传统的手动标注方式效率极低且精度堪忧。医生用鼠标在二维平面上 " 描边 "，面对三维 CT 影像时，往往需要一张张切片去画，耗时数小时。

更可怕的是人为误差——不同专家对同一病灶的标注，交并比（IoU，衡量预测框与真实框重叠程度的指标）仅有 65%，这意味着 35% 的差异，将直接导致模型跑偏。

为此，德适科技发布了 iMedStudio ——一个全模态智能标注平台。它像一个全能的智能工厂，兼容全球几乎所有的医疗影像格式。

其核心突破在于交互方式的变革。专家在三维 CT 影像中，只需点击一次鼠标，AI 便能瞬间理解并完成数百张切片的连续标注，边缘精准，可重复性高。

原本数小时的工作被压缩至 1 分钟内。更重要的是，AI 的介入极大地统一了标注标准，将不同专家的标注交并比提升至 99%。

此外，iMedStudio 还引入了 " 智能仲裁 " 功能。当多位专家标注结果不一致时，AI 可以一键分析汇总，并给出初步判断，辅助审核专家进行高效取舍。

这彻底改变了过去靠 " 开会讨论 " 来解决标注分歧的低效模式。

如何唤醒沉睡的百亿级数据资产？

当矛盾的外壳层层剥开，医疗 AI 的瓶颈已不是算法和算力问题，而是迫切需要持续产生的高质量数据源。

如何让沉睡的海量影像数据，在合规的前提下流动起来，并产生行业价值，这背后有两个无法自洽的底层矛盾。

其一，医疗 AI 的发展依赖于高质量的标注数据，这是行业的共识。但一个尴尬的现实是，中国绝大部分的医疗影像数据 " 沉睡 " 在各家医院的服务器中。

根据《2025 中国卫生健康统计年鉴》数据，2024 年全国医院数量已接近 3.9 万家，这些机构沉淀了覆盖临床诊断 90% 场景的百亿级多模态影像数据。

鉴于隐私敏感性和合规风险，这些数据大多被本地封存，形成了一个个 " 数据孤岛 "。高校、企业若想做科研或开发模型，往往拿不到合规的高质量数据源；而顶级医院和顶尖专家的诊断经验，无法转化为可复用的行业资产；基层医生更难以获得优质的诊断工具，导致漏诊、误诊现象频发。

另一方面，数据端的链条也是割裂的。数据供给、标注、模型训练、临床落地往往由不同主体负责，缺乏统一的平台进行确权和利益分配。这导致绝大多数企业只能从零搭建项目，单独搞定标注、算力、临床验证，AI 模型开发周期长、成本高，且难以规模化。

简单来说，行业并不缺乏需求，而是少了一套能让数据安全流通、并让参与者都能获利的 " 操作系统 "。

iMedLoop 的解法

德适科技推出的 iMedLoop 平台，试图扮演这个 " 操作系统 " 的角色。

如果说 iMedImage 完成了 " 大脑 " 的使命，iMedStudio 则是解决了" 手 " 的瓶颈。它们与模型训练引擎iMedMaaS 一同整合进了 iMedLoop 生态闭环中。

iMedLoop 的核心逻辑在于构建了一个从数据确权到收益回流的完整闭环。

首先，解决 " 信任 " 问题。iMedLoop 接入了杭州市城市可信数据空间，这意味着所有数据的流转都在官方监管框架内进行，所有影像数据全流程脱敏、流转留痕、权属清晰，充分实现了 " 数据可用不可见 "。对于医院和医生而言，这打消了隐私泄露的顾虑。

其次，解决 " 生产 " 问题。自研医疗影像大模型 iMedImage 是平台的技术底座，配套的 iMedStudio 标注工具和 iMedMaaS 模型训练引擎。这使得第三方机构只需要少量的标注样本，就能在数月内产出适配特定科室的专用 AI 模型。同时，德适科技已沉淀了 100+ 成熟专科 AI 模型，覆盖 26 个临床科室，可无缝对接医院 PACS、RIS、HIS 系统。

最后，也是最关键的，解决 " 商业分配 " 问题。iMedLoop 内置了一套收益结算体系。当基于这些数据训练的 AI 模型产生商业价值（如软硬件销售、服务费）时，数据供给方（医院）、参与标注的专家、模型研发方都能从中获益，足以支撑生态的长期稳定运转。

以往医疗 AI 呈现的 " 项目制 " 和 " 定制化 " 等高成本模式，会转向一种更可持续的 " 平台化 " 模式。

iMedLoop 也并非单一 AI 工具，而是德适科技基于影像赛道多年积累打造的医疗 AI 基础设施，是一套 " 底层大模型基座 + 中层数据与训练引擎 + 顶层全域应用闭环 " 的工具组合和协同平台。

它整合了标注、治理、验证等全流程能力，这在医疗 AI 行业也是第一次出现。

2026 年是 " 数据要素 ×" 三年行动计划（2024-2026 年）的收官年，国家数据局宣布已提前完成目标，累计发布了 417 个典型案例和 760 个场景指引，医疗健康是重要行业领域之一。

全国的活跃数据总量、企业数据产品交易额、数据产品数量均大幅增长，可信数据空间也在各地快速发展，整个行业需要的是一套能让数据合规流通、让模型批量生产、让场景快速验证的基础设施，而不是又一款孤立的 AI 产品——这正是 iMedLoop 想做到的事情。

构建开放共赢的 "AI 朋友圈 "

演讲的最后，宋宁强调："iMedLoop 不再是一个单纯的技术产品，而是一个开放的生态。我们希望创建的是一个繁荣、共赢、开放的生态。"

现场，德适科技分别与杭州数据集团、联想控股、温州市卫健委、郑州人民医院、推想医疗等机构完成签约，30 多项战略合作，覆盖了数据生态、标注生态、模型共建三类伙伴，对应了合规数据入口、专家知识结构化、专病模型训练落地等关键要素。

医疗 AI 行业曾被诟病的碎片化，第一次采取了 " 工业化 " 的方式整合。

在这个 "AI 朋友圈 "。大家提供数据、知识和场景，德适科技提供优质的 " 铲子 " 和 " 工厂 "，共同挖掘医疗 AI 这座金矿。

当前，德适科技的 AI 能力已覆盖全国 400 多家医疗机构。随着平台的推广，其商业模式也从单纯的软硬件销售，迭代为 " 数据资产服务 " 在内的可持续收入体系。

从单兵作战到全域协同

医疗 AI 的商业前景毋庸置疑。

" 据世界经济论坛发布的数据显示，预计 2032 年全球 AI 医疗市场规模将达到 4910 亿美元。而当前的市场只有 1/10，全球不到 400 亿美元规模。" 宋宁抛出这样一组极具诱惑力的潜力数据。

医疗 AI 的竞争，已经从单纯的算法比拼，转向了对数据资源、生态协同和商业闭环的综合较量。

在4910 亿美元的市场诱惑面前，德适科技没有选择短期市场红利，而是选择了解决最底层的 " 硬骨头 "，试图用这套 " 基座+ 工具 + 生态 " 组合拳，成为中国乃至全球医疗 AI 产业智能化升级的 " 底座 "。

透过 iMedLoop 平台，实际上是在为中国医疗 AI 行业铺设一条 " 数据高速公路 "。这条路能跑多快、跑多远，取决于能否真正激活那些沉睡在医院里的海量数据资产，并让每一个参与建设的人都能从中获益。

从 1200 年到 6 年的跨越，从 65% 到 99% 的提升，这些数字背后，是医疗 AI 从 " 手工作坊 " 走向 " 工业化生产 " 的必然。

这或许才是这次产品发布会背后，更值得关注的行业信号。