医疗影像 AI 的转折点：从「一个模型看一种病」到「一个模型看一百种病」
读法建议：今天这期难度系数 ★★★☆☆（中等）。主线只有一条——医疗 AI 正在从「专病专用」转向「通用基座」。通勤路上 5~8 分钟能读完，所有术语都在第一次出现时顺手翻译了，遇到看不懂的英文串直接当代码跳过即可。
▍一个先导故事：同一天的两条医疗 AI 新闻
今天（9 月 18 日）下午，两条新闻放在一起看很有意思。
一条是阿里巴巴达摩院与浙大一院等机构研发的通用医学影像 AI 模型 DAMO RADAR 登上了《科学》（Science），一个模型面向腹部增强 CT，就能同时识别 146 种病症、覆盖 18 个器官，且评估认为准确性首次达到影像科专家级水准，现已开源。杭州网报道、36氪均在 9 月 18 日发布。
另一条是一周前（9 月 15 日）被广泛转载的迈瑞医疗启元大模型落地 ICU的案例——它把 AI 能力锚定在重症监护这个又忙又急、数据密集的科室里，构建患者的数字孪生画像来当"主动助手"，而不是个只会回答问题的聊天机器人。中华新闻网转载报道。
这两件事表面上风马牛不相及：一个是「广度」，一个在「深度」。但把它们放在一起，正好勾画出医疗 AI 产业今天正在发生的那个剧烈拐弯。今天这期晚刊，我们就沿着这条主线往下走。
板块一 ▍一个新概念：通用医学影像模型（Foundation Model，基础模型）
▍一句话先讲明白
通用医学影像模型，就是"用一个模型对付各种各样医学影像任务"的模型。以前是"一台机器拧一种螺丝"，现在是"一台机器既能修车又能盖房"，只不过这台机器是软件、拧的是 CT 影像里的病灶。
▍为什么 / 背景
过去十年医疗影像 AI 的主流玩法叫"一病一模型"（专病模型）：想筛肺癌就训一个肺癌模型，想做肠癌筛查再单独训一个肠癌模型。翻译成大白话，就是每个模型都是"专科小灶"，为解决某一个特定问题专门训练。
这个玩法的痛点很明显：
- 每个模型都要大量经过医生人工标注的数据去"喂"（注：数据标注就是把病灶在图上圈出来、写上诊断），研发贵、周期长；
- 模型只会"背题"，换一种扫描机器、换一批患者亚群，准确率就往下掉，很难"举一反三"；
- 真实临床很少是"单病种"——一张腹部增强 CT 里可能有肝的问题、胰腺的问题、还有偶然发现的结节，专病模型看不过来。
通用模型的思路反过来：先做一个"什么都懂一点"的大底座，再用少量专科数据"微调"（fine-tune）去适配具体场景。DAMO RADAR 采用的就是"视觉—语言学习"：让模型同时学习 CT 影像和对应的诊断报告文本，靠影像与文字之间的对应关系去学病征，从而减少大量人工标注。达摩院还提出"器官级细粒度对齐""自适应对比建模"等技巧，解决 CT 是三维、有效信号又稀疏的老大难问题。
▍这对你（医疗信息化产品经理）意味着什么
这是一个产品架构层面的范式切换。当技术底座从"一病一模型"变成"一个通用基座"，意味着：
- 成本结构变了：过去每条病历线都要立项、采购、维护一个独立模型；以后可能是共享一个底座，各专科场景只需在顶上做适配层——你可以把预算从"每次新建"转成"一次建基座 + 持续适配"。
- 集成方式变了：通用模型更可能被设计成平台级能力（开放 API、预置在影像阅片工作流里），而不是某个卡在单点的独立模块。产品和系统集成的对话方式都会不一样。
- 你要开始跟客户讲"泛化"这个词：别只比"你这模型在某专项指标多准"，要比"一个底座能覆盖我医院多少看片场景"。这是销售语言的一次升级。
本节术语速通：Foundation Model（基础模型）＝通用大底座；微调（fine-tune）＝在大底座上用专科数据再训练几下；数字孪生＝基于患者历史数据构建的立体数字画像；AUC＝模型区分"有病/没病"能力的指标，越接近 1 越强。
板块二 ▍一个真实行业案例：迈瑞把大模型塞进 ICU，图什么
先讲背景。迈瑞医疗是国产医疗器械头部公司（监护仪、呼吸机这些设备你是熟面孔）。它的 AI 故事不炒单点参数，而是盯住一个最"要命"的科室——ICU 重症监护：数据密集、决策着急、设备多、人手紧张。
它的启元大模型以腾讯混元大模型为基座，用多中心临床合作攒了一套高质量重症数据库，再"瘦身"落地到医院的有限算力上运行。所谓"患者数字孪生"，就是拿患者入院以来的全部数据，还原出一个立体数字画像，再用重症医生的思维去读它。
！下面是真实报道里的关键数字，注意每个数字的口径：
- 5 秒回溯 72 小时病情——指模型能在几秒内把患者过去三天的生命体征、检验、用药揉成一条可读的趋势线，并预测走向；
- 可提前约 6 小时识别脓毒性休克等危重风险（据南方网报道），给抢救抢出时间窗——这是"预警"而非"确诊"；
- 1 分钟生成一份符合临床思维的病历（指草稿级文书，仍需医生复核）；
- 落地细节里最实在的是检验场景：在南方医科大学深圳医院，启元检验大模型已智能审核超 20 万份报告，单份疑难样本审核时间从约 30 分钟降到约 1 分钟，建议采纳率超 90%（数据出自迈瑞医疗官网披露）。
背后藏着的趋势：迈瑞没有把 AI 当成一个"会答问的机器人"卖给医院，而是把它做成嵌入诊疗流水的"协同节点"——把价值锚点从"模型有多强"换成了"嵌入有多深"。它还跟深圳 8 家医院共建全市级重症高质量数据库，这意味着它想做的不是单点交付，而是卡住"数据 + 设备 + AI"的生态位。
▍这对你（医疗信息化产品经理）意味着什么
这个案例提醒两件事：
- AI 落地的一线检验是"不增加人手能不能提升质量与效率"。设计产品时别只讲"我们有多准"，要讲"在真实工作流里，你的动作能帮医生省多少时间和错漏"。
- 场景选择本身就是策略。迈瑞挑的是自己的设备天然在场、又有大量结构化数据的 ICU 和检验——"数据密集型高价值场景"是 B 端 AI 产品最该优先咬住的地方。你也可以拿这个框架去审视眼前的客户与项目。
板块三 ▍一个近期变化（当天下午最新）：通用影像模型登上《科学》
时间：2026-09-18（今日）。来源：杭州网 / 36氪 / 达摩院官网等。
今天下午，阿里达摩院与浙大一院等机构研发的DAMO RADAR登上国际顶级期刊《科学》，被描述为"全球首个专家级水平的通用医学影像 AI"。它针对腹部增强 CT——这是影像科公认最难的一种任务，因为一张片子横跨肝、胰、肾、胃肠等多个器官——一次性识别超过 146 种病症、覆盖 18 个器官的评估，并已正式开源。
几个需要解释口径的数字：
- AUC 0.913：在近 4 万次真实世界检查中测得。AUC 是"把有病和没病分清"的能力，越接近 1 越强，0.9 以上通常被视为很强（口语参考：0.5＝瞎猜）。
- 平均准确率超过 23/26 名参评放射科医生：这是"模型单独看片"对比"多位医生单独看片"的准确率比较。
- 更有产品味的是人机协作数字：在 AI 提示辅助下，放射科医生识别疾病的敏感性提高约 10%，诊断用时减少 30% 以上，低年资医生的水平被拉高到接近高年资医生。注意口径：AI 是"提示异常"的辅助，不是"替医生下诊断"。
- 泛化验证：即使面对训练之外的急诊急腹症场景，模型识别 AUC 仍达 0.904，说明它不是"背题"。
▍这对你（医疗信息化产品经理）意味着什么
别只被"登 Science""开源"冲昏头，对你有用的是三件事：
- 「通用性」正在变成可验证的卖点：客户选型时，"一个底座覆盖多病种、少标注就能用"会越来越有竞争力，你要准备好对应的方案话术与验收口径。
- 开源意味着你的技术底座有更多选择：不必再每个专科都绑死一家厂商的私有模型，自研或集成的敲门砖更低。
- 人机协作是会渗透进你产品设计的主线：体检初筛、急诊分诊、基层阅片下沉这类场景，正好是"通用模型 + 医生复核"价值最大、落地最快的切口。
板块四 ▍一个值得产品经理思考的问题：通用，还是专业？这是个战略选择题
读到这儿，最自然的问题是：既然通用模型这么好，那是不是所有医疗 AI 都该转向"一个大底座打天下"？
先别急着点头。这里面有几层真实的张力，一时没有标准答案：
- 注册合规这道墙。医疗器械监管（如 NMPA 三类证审批）通常是按"预期用途"逐病种/逐适应症批准的。一个"覆盖 146 种病"的通用模型，审批口径怎么划？是按整体报，还是拆开一条条报？通用性越高，监管路径越模糊——这是产品化和商业化的真正瓶颈，不只是技术问题。
- 质量与责任边界。专病模型能在单一病种上"卷"到极限精度；通用模型广是广了，会不会在某个小众高难度病种上被专科模型吊打？当误诊责任需要追到具体某一病种的判断时，"一锅端"的底座怎么分工和避险？
- 商业变现的两难。通用基座意味着单点模型的价值被摊薄、门槛被拉平；对厂商是成本下降，但对先行者也是差异化收窄。过去你靠"我这一病种最准"收高溢价，现在要用什么来重新定价？
这里没有现成答案，但它值得你在跟技术负责人开会、写路线图、见客户时反复掂量——因为"通用 vs 专科"往往不是一句口号，而是一连串关于产品边界、合规取舍和定价策略的具体决定。
留给你的一天之问：如果明天客户问你"你们这个方案是通用模型还是专病模型"，你打算怎么回答，才算既坦诚、又有产品判断力？
板块五 ▍一个市场或商业案例：医疗 AI 的账，从"买系统"算到"按 Token 计费"
先讲背景。医疗 AI 最大的商业难题从来不是"不准"，而是不知道该向谁收钱、按什么收。过去最主流的收费方式是"项目制"——医院一次性采购整套系统的建设费。这种方式对厂商好处是回款快，坏处是天花板低、难续费、难复购。
！注意下列数字各代表不同的商业模式样本：
- 按 Token 计费（最激进）：据央视网福建频道 6 月底报道，福州大学附属省立医院依托"环境—糖尿病"大模型，在全国率先试行国内首个医疗 AI"按 Token 收费"模式——翻译成大白话，Token 就是模型处理的一小段文字/单位，"按 Token 计费"就像"按用电量缴电费"，用多少 AI 算力掏多少钱，从"粗放订阅"迈向"精细计量"。
- 按使用次数 / 订阅运营（渐进派）：影像云平台已转向按使用次数收费，跳出一次性项目建设逻辑，探索可持续的订阅运营模式（多家公司 2026 年上半年报披露的转型方向）。
- 按医生席位年费（国际对照）：美国医疗 AI 厂商 Abridge 采用按每位临床医生每年约基准价订阅的企业许可模式（第三方对价格的估算区间，具体以厂商报价为准），先试点再铺开。
背后藏着的趋势：医疗 AI 的收费模式正在从"卖设备/卖系统的一次性项目"朝"经常性收入（经常性收入＝可以反复发生的收钱，像订阅费）"迁移。驱动它的并不是 IT 部门喜欢新潮，而是政策用价格机制在倒逼数据上云、医院自己也希望让"用得多才交得多"。对产品经理来说，定价模式选择本身就是产品定义的一部分——它会反过来决定你埋多少计量埋点、怎么做用量看板、怎么跟医院财务对账。
▍这对你（医疗信息化产品经理）意味着什么
三点提醒：
- 跟客户谈 AI 时，别再默认只会报"项目建设费"；尝试把话术往"按量/按订阅"引，哪怕第一期仍是项目制。这会影响你的产品是否要前置设计计费与用量能力。
- 留意"价格机制倒逼上云"的信号——医保版价格管理越细，意味着数据流动和计量需求越刚性，这是上层产品机会。
- 向客户解释任何一种新计费时，先讲清楚"对医院到底划算在哪"，而不是先讲你多能省下 IT 采购预算。
板块六 ▍今日工作可用
今天这两条具体的观察，你可以（克制地）带进当天或本周的工作：
- 开会时可以抛的一个问题：如果我们要判断一个影像/诊断类 AI 方案是否值得做，建议先问一句——"它解决的是单病种单点，还是一个能覆盖多个场景的基座？各自的标注成本、维护成本、泛化路径分别是什么？" 这一个问题，能同时审出技术成熟度、成本结构和产品边界。（投资备用）
- 见客户/看乙方时留意一个信号：如果对方开口就是"我们模型在某榜单/某病种准确率第一"，你可以追问一句"那在您医院的真实场景和泛化上，有多少验证数据？（替代直接反驳，也给他台阶）"。通用化时代的选型话术，正在悄悄从"专指标"转向"泛化 + 工作流嵌入"，你会越来越常听到这个词。
- 给本周评审/路线图备忘：把你手上任何涉及影像 AI、诊断辅助的模块，标一个"通用 vs 专病"的取舍 tag，连同它对自动收费/计费设计的影响一起放进表格，这周就能用上。
七视角打卡
本期内容主要锻炼了这几个视角：
- 技术视角：通用基座 vs 专病模型的原理与边界；
- 医疗行业视角：影像科 / ICU / 检验的真实工作流；
- 产品视角：基础模型如何改变产品架构、集成与话术；
- 市场与商业视角：从项目制到 Token 计费的模式变迁；
- 政策视角：监管审批与支付机制对通用模型的约束。
（用户视角、业务视角可结合你手头的真实客户场景自行补一课——猜猜你认识的中医院放射科，今天会不会也在讨论那篇《科学》？）
明日预告：明天我们接着这个话题往里钻一层——通用医学模型真的进得了病房吗？我们来拆一拆"落地一所三甲医院的 AI 科室"背后，产品要做对的那些重要却没人写进 PPT 的选择。晚刊见。