單病種模型走到盡頭？通用影像人工智能基座大模型時代開啟

《投資者網》伍維言

當前，中國醫學影像市場正面臨著結構性的供需斷層。數據顯示，國內影像檢查需求正以年均超過30%的速度膨脹，而放射科醫生的年供給增速僅約4%。巨大缺口之下，醫學影像AI曾被市場視為破局的關鍵，但歷經多年發展，大量AI產品卻陷入了“叫好不叫座”的商業化泥沼中。

在2026年7月的一場媒體調研中，一脈陽光（02522.HK）北京影像中心里，一脈陽光創始人、影禾醫脈董事長王世和與影禾醫脈CTO張杏林聯手向市場展示了另一個范式。

在顱腦CT影像被調閱時，AI已同步輸出包含自動標注與分段的結構化診斷報告，全程僅需約1分鐘。AI技術成功將醫生從傳統的“寫報告人”轉變為“審報告人”。這意味著，AI不再是一個游離于工作流之外的單點工具，而是深度嵌入診斷閉環的“數字協作者”——這恰恰是醫療AI從“技術可行”邁向“臨床可用”的關鍵一躍。

這一場景轉變的背后，是一脈陽光與其獨立孵化的人工智能企業影禾醫脈，在技術路徑、數據資產與商業模式上進行的底層重構。這兩家系出同源的企業相攜共生卻各有側重——影禾醫脈聚焦于底層基座模型的研發與AI工具鏈的打造，而一脈陽光則依托其龐大的線下影像中心網絡，以近3000萬例、5PB的真實世界數據，構筑了任何算法層面的先發優勢都無法逾越的壁壘。但二者絕非單向的“供料者”與“加工者”，而是“場景哺育技術、技術反哺場景”的雙向閉環。因為在大模型時代，高質量的臨床數據不是靠爬蟲或購買就能獲取的資產，它需要影像中心的重資產投入、專業醫生團隊的持續治理以及長達數年的合規沉淀，這種“時間×規模×標準化”的三重積累，是競爭對手短期內無法復制的硬核護城河。

技術范式轉變：從“單病種盲人摸象”到“通用AGI全景圖”

早期的醫學影像AI（1.0時代）多集中于肺結節等單病種模型，這種模式存在致命的臨床邏輯錯位。醫生開具的是涵蓋全解剖結構的“檢查項目”如胸部CT，而AI只能針對單一病種進行“是與否”的問答，無法感知肺結節與肺炎、胸腔積液的并發關系。

而從商業賬本來看，單病種研發模式的成本極高。研發并落地一款肺結節AI產品需耗資5000萬至1億元人民幣。若以此邏輯覆蓋包含30多個病種的全胸部CT，研發資金將高達30億元，因此這一模式完全不具備商業可行性。 這便是AI 1.0時代“單病種識別”的典型困局——模型孤立、臨床適配度低，難以規模化商用。

2025年10月，影禾醫脈聯合四川大學華西醫院正式發布胸部CT路徑級輔助診斷AI工具（AIR）。該產品直擊行業長期存在的“單病種碎片化、多模型難整合、診斷與報告脫節”三大痛點，以掃描部位為診斷單元，實現一次胸部CT平掃同步完成對肺、胸膜、縱隔等多器官的全病灶檢測與診斷，一舉將行業拉入2.0時代。但2.0本質上仍是工具數量的堆疊——各部位、各病種模型各自為戰，應用場景依然割裂，無法從根本上解決醫學影像AI規模化落地應用的問題。

影禾醫脈及一脈陽光并未止步于此，而是以此為基礎，迅速向3.0時代完成自我迭代與行業突破——公司從“以‘檢查項目’為單元”，邁向“全模態、全部位、全流程”的AI智能體生態，真正嵌入醫技護工作流。

王世和用三個遞進公式概括了影禾醫脈技術躍遷背后的數學表達：將單一器官內的所有病種集合，即具備該器官的診斷能力AIU = ∑ AISU? (i=1~n) （AISU為一個病種，AIU為一個器官）；將一個檢查項目涉及的所有器官與解剖結構診斷能力相加，即可實現該項目的AI替代AIR = ∑ AIU? (i=1~n)（AIR為一個掃描部位）；而所有檢查項目AI能力的總和，便構成了一個全能的數字影像醫生AI = ∑ AIR? (i=1~n)。

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——“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”。

張杏林指出，公司的模型訓練借鑒了大語言模型“統一下游任務”的思路，從零開始訓練跨模態的醫學影像視覺基座模型，而非簡單調用通用大語言模型進行外掛知識庫包裝。基于“L0基礎模型+L1應用模型”的雙層架構，影禾醫脈于2025年1月發布了全球首個跨模態醫學影像L0級基座模型“影禾覓芽?”。在應用端，除了2025年發布的胸部CT智能體外，僅半年時間又與北京天壇醫院聯合研發了完全不同部位的顱腦CT超級智能體“小君醫生2.0”，目前該系統已能覆蓋94種顱腦疾病，綜合診斷準確率達87.8%。在天壇醫院等機構的實測中，超90%的常規病例報告無需醫生修改即可直接簽發，1分鐘完成原本15至20分鐘的工作。

更具顛覆性的是影禾醫脈推出的“AI DIY”工具鏈。針對不同醫院報告風格迥異的非標準化難題，影禾醫脈提供AI-DIY工具鏈工具鏈，允許醫生在本地環境中基于基礎模型進行微調。醫生在日常復核報告時產生的修改數據（Bad Case），能直接用于模型的自進化學習，使模型實現“工作即訓練、使用即進化”的本地自生長。

真實世界護城河：一脈陽光的“數據資產”核心底牌

在大模型時代，算法的壁壘正逐漸被拉平，真正的勝負手在于高質量的真實世界數據。國際頂級學術機構如斯坦福大學在2026年初發布的腹部CT大模型，其訓練數據僅為6萬余例，且偏向學術導向，因此在臨床實測中難以直接應用。

相比之下，一脈陽光的數據儲備呈現出壓倒性的量級優勢。截至2025年末，一脈陽光在全國20個省份運營了117家影像中心，并與超1100家醫療機構建立合作。公司累計沉淀的標準化醫學影像數據高達約2800萬例，數據存儲規模達5PB，且日均新增約2萬例。

然而，能用于大模型訓練的數據，其核心價值并不單純在于“量”，更在于“標準”。 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。

該團隊基于對六大醫療場景即日常工作、教學、管理、AI訓練、患者服務、數據資產化的深刻認知，建立了嚴苛的數據治理體系與核心定義表。他們負責定義針對特定檢查項目需要采集何種序列、標注哪些結構，確保AI的工程目標與臨床需求精準咬合。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”。

這種數據治理能力正快速轉化為實質性的數據資產。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。

生態協同與全球擴張：構建“連鎖服務+AI”的商業版圖

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。”

在商業戰略層面，一脈陽光與影禾醫脈形成了“場景+數據+AI”的深度捆綁。一脈陽光通過多年的重資產投入建設的影像中心網絡和數據中臺，而影禾醫脈研發的AI智能體則是那架被研發創造的飛機。兩者獨立運作又高度協同，使得技術得以在真實的商業跑道上迅速變現。

財務數據的修復與高增長印證了這一商業邏輯。2025年，一脈陽光實現總收入8.73億元，同比增長14.8%，并成功扭虧為盈，實現歸母凈利潤達374.8萬元。作為獨立業務板塊的影禾醫脈，2025年收入約4600萬元，2026年其收入有望沖擊超億元，從而實現2倍左右的增長。

而在宏觀層面，相關政策紅利正在加速釋放。2025年11月，國家衛健委明確提出在二級以上醫院推進醫學影像AI輔助診斷的全覆蓋；2026年4月，部分地區醫保局開始允許AI輔助診斷向患者端進行收費，支付端的商業閉環在逐漸打通。

放眼全球，中國醫療AI企業正憑借認知與技術優勢開啟出海征程。在發達國家市場如歐美、香港地區，影像醫生的極高薪資構成了沉重的運營負擔，人工成本占比常達40%至50%。影禾醫脈通過AI技術大幅替代基礎人力工作，能夠優化當地存量市場的利潤結構；而在印尼、北非等發展中國家，一脈陽光與影禾醫脈則能通過輸出成熟的“AI+影像中心”模式填補當地基礎設施的空白。

事實上，全球醫學影像產業正不約而同地走向“區域影像連鎖+醫學影像AI”的終極形態。無論是美國RadNet斥巨資收購歐洲AI企業Gleamer SAS，還是大洋洲最大的影像連鎖I-MED孵化Harrison.ai，均表明脫離線下實體與真實數據的純粹AI軟件廠商將難以建立護城河。

當前醫學影像行業正處于破繭重生的關鍵節點。一脈陽光與影禾醫脈以千萬級真實世界數據為底座，用工程化與商業化的雙重視角重塑了AGI時代的醫療AI評價標準，為中國技術方案在國際舞臺上的角逐提供了極具價值的產業樣本。

一脈陽光影禾醫脈