深度調研：AGI時代醫學影像基座模型護城河，藏在真實世界數據里

2026年7月7日，一脈陽光北京影像中心的閱片室里，媒體調研團隊圍站在放射科醫生身后，看著屏幕上顱腦CT影像圖像在被調閱出來的時候，AI已同步輸出了初步診斷報告。AI自動標注、分段、生成報告——整個過程從影像輸入到結構化報告輸出，大約1分鐘。醫生打開報告認真閱覽，做了兩處措辭微調，點擊簽發。

“醫生從寫報告的人，變成了審報告的人。”北京天壇醫院放射科主任劉亞歐的這句話，此刻有了具體的畫面感。

本次調研圍繞一脈陽光（2522.HK）“依托真實世界數據打造基座模型、落地商業化應用” 核心業務展開，一脈陽光創始人、影禾醫脈董事長王世和與影禾醫脈CTO張杏林用了近三個小時，拆解這家“中國醫學影像服務第一股”如何用千萬例真實數據，重新定義醫學影像AI的行業坐標系。

從“單病種工具”到“通用AGI”：行業迎來滯后的范式變革

中國醫學影像市場正面臨一個結構性的供需矛盾。影像檢查需求持續膨脹，年檢查量增速超過30%，而放射科醫生的供給年增速僅約4%。供需缺口在基層尤為觸目驚心。

回溯行業發展，2016年前后，醫學影像AI曾是資本最追捧的賽道之一。肺結節、眼底篩查等單病種AI工具扎堆涌現，拿證者不在少數。但一個尷尬的現實是：醫生買單率并不高。“你跟醫生說，我幫你查有沒有肺結節。醫生說，我開的是一個胸部CT，你為什么不告訴我肺炎、胸腔積液、心臟增大、甲狀腺有沒有問題？”臨床邏輯與產品邏輯的錯位，讓大量AI工具淪為“演示級”產品，始終無法嵌入真實工作流。

王世和將醫學影像AI的演進清晰劃分為三個階段：1.0時代是碎片化單病種模型，研發投入巨大——一個肺結節產品從研發到拿證落地約需5000萬至1億元，按30多個病種逐一開發，僅胸部CT一項就需30億元，臨床適配度低、商業化舉步維艱；2.0時代升級為單檢查項目全病種AI，局部效率有所提升，但工具數量龐大，仍無法規模化鋪開；3.0通用AGI時代則徹底打破邊界，以檢查項目為單元批量研發AI工具，全模態、全解剖、全流程、全自動，真正嵌入醫技護工作流。

影禾醫脈選擇的正是3.0這條路——不做一個病種，不做十個病種，而是把“一個檢查項目里的所有解剖結構和所有疾病”一次性做完。王世和用三個遞進公式概括了這一邏輯的數學表達：

AIU = ∑ AISU? (i=1~n) （AISU為一個病種，AIU為一個器官）

AIR = ∑ AIU? (i=1~n)（AIR為一個掃描部位）

AI = ∑ AIR? (i=1~n)

可以簡單這么理解，將單個器官的所有病種掌握，就等于看懂了該器官；將一個檢查項目涉及的所有解剖結構器官全部掌握，就等于看懂了該檢查項目；將所有檢查項目的AI能力疊加，就等于一個類人化的全能影像醫生。這一邏輯的起點正是對行業痛點的回應——傳統單病種AI模式面臨根本性的商業困境：僅胸部CT就涉及30余個病種，逐一開發需投入數十億元，覆蓋全部檢查項目更是不可想象的數字。影禾醫脈的思路是，不再針對單個病種逐一訓練模型，而是構建一個能同時處理多病種、多模態、多部位的基礎模型，在統一框架內解決所有影像理解任務。

這一路徑的實現依賴兩個前提：千萬級的真實數據儲備，以及從零訓練視覺基座模型的能力。而這兩者，恰恰是影禾醫脈背靠一脈陽光所形成的核心壁壘。

影禾醫脈借鑒大語言模型“統一下游任務”的思路，從零訓練醫學影像視覺基座模型，再做“影像-文本”對齊。2025年1月，公司發布全球首個跨模態醫學影像L0級基座模型“影禾覓芽?”。不同于市面上多數醫療AI公司調用通用大語言模型做提示詞工程或RAG檢索增強，影禾醫脈從零訓練視覺基座模型。“大語言模型解決的是‘讀懂文本’，我們首先解決的是‘看懂影像’。”張杏林說。

王世和用“飛機與機場”的比喻解釋影禾醫脈的節奏：“前幾年我們在修跑道和機場——持續完善底層基礎設施，搭建數據治理體系、基座模型、工具鏈。今年開始，飛機落地了。”今年4月，這套架構交出了第一個標桿產品——與北京天壇醫院聯合研發的顱腦CT超級智能體“小君醫生2.0”。覆蓋94種顱腦疾病，綜合診斷準確率87.8%，在天壇醫院及30余家影像中心的實測中，超過90%的常規病例報告無需醫生修改即可簽發。1分鐘完成原本15至20分鐘的工作——這不是效率提升，而是效率重構。

不可復制的底牌：海量數據壁壘與成熟工程化落地能力

如果只談模型架構，影禾醫脈的故事并不獨特。真正的差異化藏在自有的臨床數據資源里。

截至2025年末，一脈陽光在全國20個省份運營117個影像中心，合作醫療機構超1100家，累計沉淀約2800萬例標準化醫學影像數據，存儲規模5PB，日均新增約2萬例。這不是公開數據集能比擬的量級——對比國際頂尖學術研究數據，斯坦福大學2026年初在《 Nature》 期刊上發布的腹部CT三維視覺語言模型Merlin，數據不過6萬余例。一脈陽光的數據規模是這些頂尖學術項目的百倍以上。

王世和反復強調：AI競爭的勝負手不在算力，不在算法，而在標準化數據體系。“數據總量可以通過采購快速擴充，但數據的標準——針對每個檢查項目，應該采集什么序列、標注哪些結構、遵循什么規范——這是靠對行業場景的深度理解‘磨’出來的。”據透露，企業內部有一支由影像醫生組成的“BI事業部”，專門負責理解醫學影像數據。這種“醫生定義標準、算法實現標準”的協同機制，被張杏林稱為“比模型架構更難復制的壁壘”。

超大容量影像數據也帶來獨特工程化難題。。張杏林分享了一個細節：團隊最初找了一家國內頭部的大模型基礎設施供應商搭建訓練機房，“建完一訓練就崩了”。“崩了”的主要原因是，常規語言大模型訓練數據約60T，而醫學影像數據單例就達幾百兆到1GB、影禾醫脈的總訓練數據量更是高達1P以上，“硬盤到GPU的通訊速度完全跟不上，我們花了一個多月才把這個問題解決，沒有前車之鑒。”

技術上，影禾醫脈構建了“L0基礎模型+L1應用模型”雙層架構。L0基礎模型具備強大的通用醫學影像表征能力，每季度迭代一次；L1應用模型針對具體檢查項目進行微調。更重要的是，公司提供完整的AI-DIY工具鏈，允許醫院基于本地數據對模型進行微調和自迭代。醫生在復核修改AI報告時產生的反饋數據，可直接用于強化學習，實現“工作即訓練、使用即進化”。

張杏林用了一個比喻解釋這套模式的價值：“DeepSeek提供的是基礎模型能力，我們不僅提供基礎模型，還提供了本地自進化能力——這在嚴肅醫療領域非常關鍵。客戶拿到的是一個可以持續生長的基礎設施，而不是一個一成不變的靜態軟件。”

數據資產化的路徑也已跑通。2025年，一脈陽光的“CT胸部病變標注數據”率先在上海數據交易所掛牌。同年8月，通過北京國際大數據交易所完成首批數據交易。2025年10月，與北京數據先行區簽署共建合作，在數據沙盒環境下實現了首個千萬元級的大模型訓練服務商業轉化簽約，近期再度落地超500萬元的數據服務合作——在醫療數據要素市場化仍處于“摸著石頭過河”的階段，一脈陽光已經走完了從數據生產、標準化治理、合規確權到市場交易的全鏈路閉環。

王世和算了一筆“影像能力賬”：影像服務由開單、掃描、診斷、臨床應用四個環節構成，四者相乘決定整體影像能力，任一環節短板都會大幅拉低整體水平。假設每個環節做到0.9分，四項相乘，整體只有0.66——“你覺得自己做得不錯，但整個鏈條跑下來，可能及格都不到。”AI的價值不是替代某一個環節，而是讓四個環節同時逼近0.99，0.99的四次方是0.97。系統性補齊影像診療全鏈條短板，這也是醫學影像 AI 的核心價值錨點。

全球產業布局與長期發展路徑：打造中國技術方案，輸出全球行業標準

國際市場上，中國醫學影像AI正在從“追趕”走向“領跑”。

張杏林連續兩年參加北美放射學會（RSNA），直觀感受到全球行業風向變化。“2024年的RSNA，全球廠商還在討論單病種AI怎么集成。2025年大家都在講大模型和多模態，但沒有人能拿出可落地臨床產品——我們是唯一一家能展示臨床可用的demo、現場演示給歐美客戶看的公司。他們看完之后的反應是：這真的已經在用了？”

這種反差背后是全球醫學影像AI產業的一個區域性差異。斯坦福大學2025年發表的腹部影像大模型論文在國際頂級期刊引發關注，但訓練數據僅6萬余例，研發偏向學術探索，團隊實測后發現產品完全無法適配臨床真實診療場景。

更值得關注的是，全球不同地區正不約而同地出現相似的產業模式。在美國，影像連鎖巨頭RadNet于2026年3月以約2.693億美元收購歐洲AI公司Gleamer SAS，布局“影像連鎖+AI”；在澳大利亞，I-MED Radiology Network早期投資了“Harrison.ai”項目；在中國，一脈陽光與影禾醫脈形成了“場景+數據+AI”的生態閉環。三個地區在同一時期選擇了相似的路徑——醫學影像AI正在與線下連鎖服務生態深度捆綁，這或許正是醫學影像AI走向大規模產業化的必然路徑。

RadNet總裁兼首席執行官Howard Berger博士明確表示：“隨著全球放射科醫生短缺日益加劇，影像檢查量卻持續增長，因此，重新設計高通量工作流程——尤其是X光、超聲和乳腺X光等常規影像檢查——對于維持醫療服務的可及性、效率和質量至關重要。”

王世和判斷，未來醫學影像AI公司的成長和爆發，必須依托一個實體運營母體。“單純的AI公司缺乏穩定臨床場景和持續真實數據的支撐，單純的影像連鎖缺乏自主研發智能技術引擎。兩者結合，才有護城河。”

商業化數據也在驗證這個節奏。2025年，一脈陽光實現總收入8.73億元，同比增長14.8%，歸母凈利潤374.8萬元，同比扭虧為盈。影禾醫脈2025年收入約4600萬元，2026年目標超億元。

政策窗口同步打開。2025年11月，國家衛健委發文明確推動AI在二級以上醫院醫學影像輔助診斷領域的全覆蓋；2026年4月，北京醫保局率先允許AI輔助診斷向患者端收費。從頂層設計到支付端，醫學影像AI的商業化閉環正在逐步成型。

從北京天壇醫院的閱片室到全球數字經濟大會的聚光燈下，從單病種AI的碎片化試錯到通用AGI的系統性突破，一脈陽光和影禾醫脈正在走的這條路，或許正是中國醫療AI從“故事”走向“生意”的樣本之一。