顱腦CT賽道上，跑出了一個能收費的智能體

看一份顱腦CT片子需要多久？

一位熟練的影像科醫生，從調閱影像到敲完報告，大概是15分鐘；復雜病例20分鐘打底，這是神經影像科多年積累的工作節奏。這個時間看起來好像有點慢，但這已是人腦處理一個顱腔內上百種可能病變的極限。

今年4月，一款名為顱腦CT超級智能體（小君醫生2.0）的AI產品在首都醫科大學附屬北京天壇醫院上線測試。它做的是同一件事，但給出報告結果的時間卻不到1分鐘——覆蓋94種顱腦相關疾病，主要診斷準確率87.8%，實測中超過90%的病例經審核醫生一字不改就能用，顱腦CT超級智能體的實戰數據讓業界為之一振。

據介紹，顱腦CT超級智能體（小君醫生2.0）是天壇醫院與一脈陽光孵化的人工智能企業影禾醫脈聯合打造的AI產品，它的問世，宣告著醫學影像AI從“單病種工具”邁向“檢查項目級智能基礎設施”的范式革命已經開啟。

2026年4月28日，這款“顱腦CT超級智能體”被一脈陽光作為年度戰略升級的核心產品正式推到臺前，定位是“全球首個全病種覆蓋的檢查項目級智能診斷助手”，同時也被賦予了更廣闊的含義與未來。

坦白說，醫療AI行業不差一組漂亮數字。過去幾年，能拿三類證、能開新品發布會的產品排著隊來。但醫療AI面臨的一個本質問題是：

大多數普通人并不清楚自己為什么需要關注這件事。

答案藏在任何一個三甲醫院影像科的日常里。中國影像科醫生的年增速只有4%左右，檢查量增速卻超過30%。基層的數字更難看，有縣醫院影像科就兩三個人，二十四小時倒班，報告積壓到第二天是常態。

而顱腦CT偏偏又是急診最常開的檢查之一，腦出血、腦梗、顱腦外傷，每多等一分鐘，決策就滯后一分鐘。在醫療資源越往下走越稀缺的現實中，能讀懂顱腦CT的醫生，和能做這項檢查的設備，可能從來就沒匹配上過。

所以當行業里說AI輔助診斷時，它對應的不是一個技術概念，而是一個極其具體的供需缺口。也正因如此，顱腦CT這個賽道，一直被視為醫學影像AI最難、但也最值錢的高地之一。

從“標個框”到“寫篇報告”

2024年，一家叫a2z Radiology AI的波士頓創業公司從隱身模式浮出水面。創始人Pranav Rajpurkar是哈佛醫學院副教授，專攻通用醫學AI。他們做的事聽起來不復雜，一個模型同時分析腹盆部CT上的多種急癥。

落地成果也很扎實，2025年底a2z-Unified-Triage拿到FDA批準，成為美國市場上首個能在單次掃描中同時檢出7種腹盆部急癥的系統，小腸梗阻、急性胰腺炎、腹腔游離氣體，都在一張清單上。

RSNA 2025上發布的前瞻性研究進一步顯示，AI輔助下報告時間減少17.8%，放射科醫生心理負荷下降22.4%。

這是腹盆部，CT檢查量最大、病例最雜的賽道之一，交出的成績單。拿下這個品類，在醫學影像AI圈已經足夠拿得出手。

但顱腦CT是另一個難度級別。

腹部臟器雖然多，可在某種程度上遵循一套相對固定的排查邏輯：肝、膽、胰、脾、腎、腸道，逐個器官掃一遍，多數急癥沿常見病理路徑分布。

顱腦不是這樣。

一個顱腔里擠著腦實質、腦血管、腦室系統、顱骨結構，病變可以從毫米級的動脈瘤到跨越半球的占位性病變，從幾分鐘內致命的腦出血到潛伏數年的退行性改變，而且它們在影像上常常互相模仿，丘腦區的梗死和低級別膠質瘤，在CT平掃上可能只有灰度上幾個點的差別。

“顱腦CT超級智能體”就是在頭顱這個最難的部位，實現了“像醫生一樣全面評估”的目標，并且不止于標出問題，而是直接生成完整報告。

按照北京天壇醫院醫學影像科主任劉亞歐的說法，“顱腦CT超級智能體”邁過了一個困擾行業最大的門檻是，它從圖像識別升級為圖像理解，一次輸入影像，直接輸出完整的結構化診斷報告。

“這個模型在我們科室已經正式投入使用，打開PACS系統，點擊影禾醫脈的報告按鍵，就可以一鍵自動生成結果，醫生只需要審核、引用即可。”

在劉亞歐看來，這種模式極大縮短了放射科醫生的工作流程，人效比得到非常之大的提升。

而在醫療AI行業中，“顱腦CT超級智能體”的誕生意味著這個行業已經發展到第三階段了。

第一階段是單病種識別，一個模型找一個病，數據驅動；第二階段是單部位多病種，一個模型覆蓋一個部位的多種病變；現在的第三階段，是以所有檢查項目為單元來覆蓋的所有解剖結構做所有病種做完整交付，模型驅動而非數據驅動。

前文提及的a2z Radiology AI可視為第二階段的東西，去年10月同樣由一脈陽光孵化的影禾醫脈聯合四川大學華西醫院發布的胸部CT路徑級輔助診斷AI工具（AIR），也是如此。

AIR可以實現一次CT平掃，同步完成對肺、胸膜、縱隔等多個器官的全病灶檢測與診斷，覆蓋該部位所有常見病種。

AIR的發布業內曾被業內盛贊為，醫學影像AI從過去的“小模型單病種檢測”（1.0時代）邁入了“基座大模型驅動的多器官全病種協同診斷”2.0時代。

顱腦CT超級智能體不僅在病灶檢出數量上實現了大幅跨越——覆蓋94種顱腦相關疾病——更完成了從“檢出”到“撰寫完整報告”的功能躍遷。通過胸部CT AIR的產出到顱腦CT超級智能體的產出，短短半年時間，影禾醫脈作為同一個生產主體快速產出多個AI結晶，直接一馬當先的把整個行業拉到了醫學影像通用AGI 3.0時代。

技術也躍遷

但要內在邏輯，“顱腦CT超級智能體”與此前同類型醫療AI技術或產品最大的不同在于，它更加重視醫生和醫院在產品中的含金量。

發布會上，首都醫科大學附屬北京安貞醫院醫學影像科主任徐磊有一個形象的說法，借助AI的幫助，影像科醫生從報告書寫者到AI創造者、訓練者、復核者，能夠借助數字分身實現經驗復制與 24 小時服務。

事實上，小君醫生的1.0版本是天壇醫院與北京理工大學合作的，當時實現了文本到文本的技術突破。小君醫生2.0版本（顱腦CT超級智能體）與影禾醫脈合作后，天壇醫院的資源實際上沒有太大變化，但有關醫療AI大模型上影禾醫脈就有發言權了。

去年9月北京服貿會上，影禾醫脈、國家人工智能應用中試基地和北京天壇醫院聯合發布了一份顱腦醫學影像AI系統性研發成果，顱腦CT核心定義表與顱腦L1基座模型。

這個系統性研發成果與L1基座模型是顱腦CT超級智能體公開可查的來時路，前者解決了“數據怎么標”，后者解決了“模型怎么建”。

作為孵化主體，一脈陽光用百余家影像中心千萬體量的數據支撐了技術底層模型的泛化功能。這些數據不是實驗室里精挑細選的干凈樣本，而是來自真實臨床環境，通過統一的核心定義表完成標準化標注后，反哺模型訓練。

技術層面，影禾醫脈祭出了兩塊核心積木。

第一塊是自研的“影禾覓芽?”醫學影像基座大模型，一個能處理CT、MR、X線等多模態數據、覆蓋全身200余種常見病的L0級全模態基座，通過基座預訓練+下游微調的模式，AI新產品開發周期可縮短70%以上。

第二塊是全鏈路AI Agent矩陣，負責把診斷邏輯拆成多個智能體協同工作。基座提供認知能力，Agent矩陣負責工作流編排，兩塊積木咬合在一起，才撐起了一次輸入、完整輸出的能力。

有了上述技術和數據支撐，顱腦CT超級智能體才能做到領先，且重點是已在天壇醫院放射科完成臨床落地。

聽起來像營銷話術，但把a2z的腹盆部成績和顱腦CT的客觀難度擺在一起看，臨床落地的分量就出來了。

在腹盆部，a2z已證明一個模型同時檢出7種急癥可以拿到FDA批文、跑出可量化的臨床效率提升。a2z目前的產品形態更接近AI輔助報告草擬（AI-assisted report drafting），即AI輸出結構化草稿，醫生審核簽發。

顱腦CT超級智能體則已經在天壇醫院實現了90%以上病例無需修改的一鍵成文，并成功推動了商業化落地。

更重要的是，一脈陽光和影禾醫脈的本地迭代理念，也就是讓AI在醫院本地基于醫生本院使用、診療習慣持續進化，越用越適配。于是就形成了一個閉環優化邏輯：從醫生操作→數據記憶→訓練樣本，實現全流程數據價值轉化。

上海交通大學教授顧運將其稱之為：工作即訓練，使用即進化，讓臨床工作流成為模型進化的動力。

商業化才是照妖鏡

如果給醫療AI行業找一面照妖鏡，那就是“收不收錢”。

過去五六年，國內有超過200款AI醫療器械拿到NMPA三類證，光是2025年一年就新增了41款。

但拿證不等于賺錢。大量產品進了醫院之后的命運是：裝上了，偶爾用一下，收不到一分錢。醫院預算本來就緊，AI軟件又不在醫保目錄里，買單意愿天然打折扣。行業一度陷入一個怪圈，產品越來越多，收入卻不見漲。

所以顱腦CT超級智能體商業化真正意義上能率先落地這個事實，值得單獨拿出來說。

為什么能收錢？核心邏輯不復雜。它解決的不是優化體驗，而是產能提升。

一個顱腦CT報告從15分鐘變成1分鐘，對三甲醫院是效率提升，對基層是產能補充。當價值可以量化，買單的賬就能算過來。這和過去那些“挺好用但收不到錢”的AI產品形成了明顯分野。

當然，說商業化不代表從此一馬平川。醫療行業天然保守，醫生對新工具的信任需要時間積累，一個繞不開的問題永遠懸在頭頂：AI出的報告萬一有誤，誰擔責？

這不是算法能回答的問題，比任何技術指標都更難搞定。醫療AI的商業化，本質上是信任的商業化，錢只是最終的一種結算形式。

從這個角度看，“首個收費智能體”的真正含義其實是，有人愿意為這份信任掏錢了。雖然掏多少錢的規模還暫未公布，但門已經被推開一條縫。

而把一個能收費產品和一個能持續收費的產品區分開的，是這件事它能不能自我進化。

很多醫療AI產品落地后會遭遇同一個尷尬，用著用著就不夠好了。

疾病在變、數據在漲，但模型是死的。想更新一次，得重新標注、重新訓練、重新部署，周期幾個月起步。醫院花了一筆錢，一年后發現版本還是老樣子，第二年自然就不續了。

一脈陽光和影禾醫脈給出的解決方案是一套三層架構：數據治理層、模型迭代層、科研孵化層。名字聽起來有點繞，拆開看其實邏輯清楚。

最底層是數據治理層。

一脈陽光在全國的影像中心網絡，積累了近30

00萬例、7PB的醫學影像數據。但原始數據不能直接用，不同設備、不同醫院、不同時期的數據，格式和標注標準五花八門。

一脈陽光的辦法是牽頭制定數據治理的標準化規范，并且通過影禾醫脈制定的顱腦、胸腹、關節等十余個部位的《核心定義子表》，相當于給數據標注立了一把統一的“尺子”。數據進來先過一遍治理，再往上走。

中間層是模型迭代層。

基座模型影禾覓芽?不是一個單任務模型，而是一個能處理CT、MR、X線等多模態數據的L0級基座。通過基座預訓練+下游微調的模式，新產品開發周期可以縮短70%以上。而且這個模型有個實用特性，小樣本訓練下精度也能提升10%-20%，意味著某個病種的標注數據不多時也能快速適配。

最上層是科研孵化層。

這是“讓最懂醫學的人訓練最懂醫學的AI”這句口號真正落地的地方。

天壇醫院這樣的頂級機構提供的是臨床知識體系和真實反饋。醫生不是標注數據的工具人，而是AI研發的主導者。這是在把頂級醫療機構頂級專家的認知資產，轉化為AI進化的迭代燃料。

三層架構合起來的運轉邏輯是，臨床一線的真實數據進入治理層，經過標準化處理后實現通用模型升級，再由頂級醫生團隊主導科研孵化。

整個過程不是產品上市就結束了，而是產品上市工作才剛開了個頭。一脈陽光甚至把旗下部分影像中心設為模型調整和智能體的驗證測試基地，影像醫生在真實診斷場景中使用產品，發現缺陷，反饋給影禾醫脈的技術團隊做針對性優化。

翻譯成一句大白話，這不是一個買完就定型的軟件，而是一個能在使用中持續成長的數字醫生。你今天用的版本和半年后的版本，能力是不一樣的。

對醫院來說，這意味著花出去的錢不是沉沒成本，而是一筆能增值的資產。這才是自我迭代這件事真正厲害的地方，它把AI產品的商業壽命，從一次性買賣拉長到了終身服務。

回過頭去看，這套架構和一脈陽光此前的戰略定位也對應得上。

2024年的年報中一脈陽光提出了“場景+數據+AI場景”的說法，當時聽著像頂層設計。現在顱腦CT超級智能體已經跑通了一條完整的路徑：影像中心網絡產生的海量數據，基座模型提供技術底座，頂級醫院注入臨床智慧，最終在顱腦這個最復雜的部位之一，產出了一個能收費、能迭代、能復用的產品。

尾聲

把時間拉回到2025年9月，服貿會人工智能+醫療健康研討會現場。

那場發布在聲量上不算起眼，臺上展示的是兩樣聽起來有點枯燥的東西：顱腦CT核心定義表和顱腦L1基座模型。

前者統一了顱腦影像的標注規范和結構化報告標準，解決了不同醫院、不同設備、不同時期數據各說各話的問題；后者在影禾醫脈自研的影禾覓芽L0全模態基座上迭代而來，專門針對顱腦做了優化。

這兩樣聽起來略微枯燥的東西，回答了一個很少有人公開討論的問題：頂級醫院的數據和知識，到底怎么變成AI能消化得了的“養料”？

簡單來說，核心定義表立下的是標準，L1模型搭起的是骨架。七個月后，這套標準和骨架在天壇醫院的真實場景里，長成了顱腦CT超級智能體。

至此，中國醫學影像AI邁過了一道分水嶺。

過去AI做的事很單純，把可疑的地方圈出來，剩下交給醫生。這一步很難，但它依然是感知輔助的事。現在這個產品從幫你看到走到了替你想好怎么寫，一步跨進了認知生成的領地。

這不是精度往上跳了幾個點，是能力維度變了。

這正是一脈陽光和影禾醫脈所定義的，以檢查項目為單元，批量研發AI工具，全模態、全檢查、全流程、全自動，真正嵌入醫技護工作流 ，用模型驅動完整交付的醫療AI 3.0時代。AGI在醫學影像領域的務實形態，不是一個科幻片里的全能醫生，而是一個在完整檢查項目上具備了接近人類醫生綜合診斷能力的智能體，“顱腦CT超級智能體”是第一個把這個定義變成現實的產品。

更深一層看，它的意義不只是一款產品厲害，而是它背后那套范式被整條跑通了。

過去的醫療AI研發范式是項目制，一個醫院、一個課題、一個病種、一套數據、一個模型。每次換場景都得重來，研發周期長、復制成本高、商業轉化難。

而現在這套新范式是基座模型+專家共建+數據閉環的智能體工廠：影像中心網絡提供真實場景的數據，頂級醫院把臨床認知注入模型，基座驅動產品持續迭代。

這套東西以前更多出現在技術白皮書里，現在被一條產品線從頭到尾拉通。

這是中國AI醫療發展范式的一次切換，從項目驅動的手工作坊切到基座驅動的智能體工廠，從論文和Demo切到收費單和臨床流程。

范式切換如果只停留在理論里，那只是愿景；一旦出現在醫院的賬單上，它就變成了產業事實。

這個行業從來不缺故事。缺的是能出現在收費單上的產品，能持續進化的模型，能放心把初報告交給AI的醫生，一脈陽光，影禾醫脈和天壇醫院這次湊齊了。

顱腦這塊石頭踩穩了，它踩出來的不是一條小路，而是一個時代的入口。