全球电子巨头飞利浦与中国互联网巨头腾讯在人工智能的应用方面找到了交集。

3月22日，飞利浦（中国）与腾讯达成战略合作，致力于在智能医疗领域，从医院临床需求出发，共同推进电子阴道镜AI辅助诊断系统的研发。据悉，将电子阴道镜与阴道镜AI辅助诊断系统结合成果，将成为医生的“智能助手”，大大节省妇科临床医生的看片精力，提高诊断效率和准确率。

就在数天后，《中国医学影像AI白皮书》（以下简称“白皮书”）于3月26日发布并指出，“人工智能＋”已经成为传统医疗巨头和互联网科技公司的未来战略方向。该白皮书由中国医学影像AI产学研用创新联盟牵头，汇集了国内三甲医院的影像专家、科研专家和领先的AI医学公司共同起草。

白皮书提及，西门子医疗、通用医疗、飞利浦医疗、联影医疗以及东软医疗等设备公司纷纷成立智能医疗部门。谷歌、阿里巴巴、腾讯、复兴医药等企业也均表示会将医疗领域作为本企业AI的发力点，成为公司未来战略的重要组成部分。

医疗领域向来被认为是人工智能落地的首要场景之一，各类应用场景丰富。白皮书显示，AI自然语言处理可在医疗领域实现智能辅诊、电子病历语音录入等。在医学影像方面，AI技术可以有效提高医师诊疗效率与诊断精度，使医学图像的分析技术下沉，缩短患者就诊等待时间，降低就医成本。另外，AI在体征监测、临床数据、医学视频、运动管理、药物发现等方面都可发挥作用。

看清医学影像，也要看清未来

对于人工智能在医学影像领域兴起的热潮，华东师范大学上海市磁共振重点实验室副主任杨光副教授对算力智库表示，图像是人们能够最直观感受到的信息。随着AI视觉识别算法的快速发展和成熟，人脸识别、车牌识别等场景出现在了日常生活中，也很自然会被应用到医学领域。

AI的出现确实受到了医生的认同和欢迎。杨光教授从其与医院的合作中发现，医生们普遍认为，如果能通过AI在影像识别方面减少错诊和漏诊，将是一件十分有意义的事情。但他也坦言，目前人工智能医学影像识别仍以科研为主，并未直接用于临床。

此外，目前AI影像识别的疾病种类也非常有限。杨光教授表示，上海市磁共振重点实验室与合作医院在前列腺影像识别方面已经取得了系统性成果，接下来会对肝脏与肾脏疾病的影像进行系统性的研究。他认为，不同器官、不同疾病，对于AI的处理难度也各不相同，从个别器官到整体系统更有待研究，但只有从局部小范围做起，才更有可能实现应用。

但毕竟AI医学影像识别技术还处于发展初期，即便攻克了技术关，最终的落地形式仍然见仁见智。

在近期举办的首届CIO首投2025投资者俱乐部年会暨新兴人工智能管理论坛（以下简称“论坛”）上，来自AI技术服务商和投资机构的嘉宾提出，未来“AI读片”的最终落地形式或许只是医疗影像设备上的一个模块。

对于这种假想，杨光教授对算力智库分享了自己的不同看法。他表示，医疗影像设备上的AI模块的确是一种可能性，并且很有可能会成为现实，毕竟这样可以提升相关产品的竞争力。“但我更倾向于把AI当做一种服务。未来技术发展成熟之时，AI反而不会是一个高大上的东西，而是人们都能使用的工具”，杨光教授说道。

他解释道，一般如果有人得了重病，很有可能他会找懂医的熟人看一下病例，但实际上熟人不一定比医生专业和权威，这样的咨询一方面确实可以降低误诊的可能，另一方面也是一种心理诉求。但从这个例子可以想见，未来AI有望作为一种读片的工具，给病人多一种参考。更乐观来看，当AI读片的水平达到专家门诊水平时，这样的额外参考显然是有价值、有市场的。

如果基于这样的思考再反观具体落地形式，AI读片是作为现有影像设备的附加模块，还是作为单独的服务（如网站），想象空间显然是广阔的。

从畅想回到现实，现实可能还是骨感的。据白皮书调研数据显示，目前有74％的医师没有参与过AI相关研究，72％的医院没有建立专门的AI研究部门，74％的医师表示仅听说过并没有使用过相关产品。总体来看，医师个人（及团队）最感兴趣的医学AI领域是病灶筛查及检测（支持度84％），其次是疾病诊断、疾病预后分析及治疗疗效评价、医疗教育等。但对于AI在医疗领域的前景，90％的医师认为还需要很长时间探索。

从实验室到医院到底还有多远？

看来，在AI读片成为“普世”服务前，如何让AI真正从实验室走向医院，从科研走向临床，或许才是眼下更务实、也是更紧迫的思考。

首当其冲的，是AI的合法“身份”问题。

“我国对医疗器械有着严格的分类和监管，医疗产品需要有国家许可才能用于患者。在医疗产品用到AI前，需要先把AI注册成为三类医疗器械，门槛还是很高的。更何况，目前有关AI产品的审查机制尚不明确，因此还没有任何一款国内的AI产品可以直接用于临床” ，杨光教授解释道。

其次不得不提的，是谁来为AI埋单的问题。

在上述论坛上就有嘉宾提出，医院要实现AI看片，必然会涉及成本投入。那么，额外的成本投入是否会转嫁给患者？患者又是否愿意为AI埋单呢？如果不解决谁出钱的问题，AI都将很难在医院和患者层面得到大规模应用。

对此杨光教授认为，在医疗资源中，医生是最昂贵的资源之一。如果AI确实能在某些方面替代医生工作，就会使整个医疗体系中的医生数量占比下降。从这一意义来看，AI反而是节省了成本。

他同时指出，AI能否在医院临床中发挥实质性作用，另一个关键点在于是否可能进入医保。他相信，有朝一日当AI的可靠性、认知度达到一定程度，让医院和患者都能真正受益于AI，那么AI进入医保也将没有障碍。

另外，图像识别类AI无法跳脱的，还有数据问题。

影像类AI是典型的基于大数据的AI，自然会面临数据来源的问题。以上海市磁共振重点实验室为例，作为华东师范大学的一个实验室，并不掌握病患的影像数据，最初的AI模型训练也只能使用公开数据，数量有限。

但杨光教授的视野则更为广阔。他说，如果把数据比作金矿，那么现在的矿主就是医院。“我们既做科研也做工程，就相当于做矿山机械。我们的目标是面对同样的金矿，我们可以挖出更多金子，与医院分享这些多挖出来的金子，所以医院也愿意和我们合作。”

他坦言，确实有一些医院非常看重和保护自己手中的数据金矿，有这样的想法也很自然。矿主确实应该把金矿看管好，但如果不去挖掘的话，金矿是没有价值的，何况数据金矿是可以重复挖掘的。从这层意义来说，挖掘能力的价值和金矿的价值是同等重要的。

杨光教授强调，基于大数据的AI并不会受制于数据隐私保护意识和措施的提升，关键在于以更合理的方式实现数据共享。据他介绍，在美国，医疗数据可以通过一些中立的组织汇总在一起，再开放给全社会，这样就带动了整个行业的发展，而我国在这方面还相对欠缺。

他建议，政府应该推动数据共享工作，这并不意味着政府应该把所有数据汇总在一起。杨教授对算力智库表示，非常看好分布式的数据共享方式，通过隐私计算确保各方数据不出本地就能实现共享。

在政策方面，白皮书提出了3点建议。第一，出台引导政策，将AI医疗影像辅助诊断产品尽早纳入“医疗行业优先使用国产设备政策”。第二，加强基层诊疗，搭建AI影像中心和实验室建设。第三，将AI影像辅助诊断新技术使用明确纳入医院评分内容。

责任编辑：何周重