儿科 AI 当前最值得关注的变化，不是出现了一个“懂儿童”的通用模型，而是一批非常窄的产品正在进入 NICU、骨龄、发育行为、儿保和慢病随访这些真实流程。 这些产品处理的数据完全不同：有的是连续心率波形，有的是左手 X 线片，有的是家长问卷和儿童行为视频，有的是眼动轨迹，还有的是手机采集的婴儿头颅形态。
这也决定了儿科 AI 的判断方式。医院不能把它们放进一张“准确率排行榜”，而要问：这条工作流里，谁采集数据，谁复核结果，谁和家长解释，谁接住转诊，谁对随访负责？
图注：HeRO by MPSC 官方产品页截图，访问时间：2026-07-20。它展示的是 NICU 早产儿连续风险预警产品形态，而不是通用儿科问诊助手。
儿科AI为什么难？
儿科天然需要 AI，但它也天然不适合被写成一个单一市场。
第一，儿科覆盖的年龄跨度太大。新生儿、婴幼儿、学龄儿童和青春期孩子，生理指标、配合程度、疾病谱和沟通方式完全不同。一个在 NICU 有价值的连续预警模型，不能直接迁移到儿童保健门诊。
第二，儿科很多数据不是“标准检查结果”，而是成长过程。身高曲线、骨龄、发育里程碑、行为观察、睡眠、喂养、血糖、家庭反馈，这些信息往往分散在家长、基层、专科和随访系统里。
第三，儿科 AI 的结果会直接影响家长情绪。一个孤独症风险提示、一个头颅形态异常、一个骨龄提前，都不是冷冰冰的指标。医生必须解释边界，不能让 AI 把筛查焦虑直接推给家庭。
所以，本期儿科 AI 不按疾病大类铺开，而按“真正进入工作流的产品形态”拆解：NICU 连续风险预警、生长与骨龄测量、发育行为诊断辅助、眼动行为评估、婴儿头颅测量。它们共同说明一件事：儿科 AI 的成熟，不是替医生看孩子，而是把高负荷、可标准化、可复核的环节先接起来。
AI如何重写儿科工作流？
儿科 AI 的工作流可以拆成五段。
第一段是入口。NICU 床旁监护、儿科内分泌骨龄评估、发育行为初筛、儿童保健随访、慢病管理，都可能成为 AI 入口。不同入口的数据、责任和家长沟通成本完全不同。
第二段是采集和质控。早产儿心率波形要连续稳定，骨龄 X 线片要符合标准体位，孤独症辅助评估要保证问卷和视频材料完整，眼动评估要孩子配合，手机头颅测量要拍摄角度合格。很多失败不是模型失败，而是采集失败。
第三段是 AI 判读。儿科 AI 常见输出不是诊断结论，而是风险分数、测量值、分流建议、辅助报告或随访提醒。输出越靠近诊断，临床复核责任越重。
第四段是医生复核和家长解释。儿科 AI 的每个结果都需要进入医生端，而不是只生成一个家长能看到的漂亮报告。没有解释，AI 会制造焦虑；没有复核，AI 会制造责任灰区。
第五段是转诊和随访。儿科的价值经常在下一步：NICU 是否提前检查，骨龄异常是否进入内分泌评估，孤独症风险是否进入发育行为专科，头颅形态异常是否进入儿外或矫形评估。如果没有下一步，AI 只是把问题更早暴露出来。
18年走到哪一步？
| 时间 | 节点 | 产品/证据 | 工作流意义 |
|---|---|---|---|
| 2008-06 | HeRO Version 2.0 | openFDA 510(k) K081473 |
NICU 连续风险预警进入产品化监管路径 |
| 2009 | BoneXpert 推出 | BoneXpert 官方称 2009 launched | 骨龄从经验读片进入自动测量 |
| 2020-08 | DreaMed Advisor Pro | openFDA K201476 |
1 型糖尿病胰岛素方案建议进入决策支持 |
| 2021-09 | SoftSpot | openFDA K212045 |
婴儿头颅形态测量软件进入监管路径 |
| 2021-11 | Canvas Dx | FDA De Novo / openFDA DEN200069 |
儿童孤独症诊断辅助进入监管路径 |
| 2023-07 | EarliPoint | openFDA K230337 |
眼动数据进入孤独症评估辅助 |
| 2026-03 | EarliPoint 迭代 | openFDA K253442 |
近一年仍有适用范围和产品版本进展 |
| 2026-07 | 当前阶段 | 多个窄产品并行 | 竞争重心转向复核、转诊、随访和治理 |
儿科 AI 不是突然被大模型点燃的。它的产品化起点至少可以追到 2008 年 HeRO Version 2.0 的 FDA 510(k) 记录。到 2026 年，真正落地的产品仍然集中在“窄任务”：连续预警、测量、辅助评估、分流和随访。
我认为这恰恰是儿科 AI 的真实成熟方式。儿童不是小号成人，儿科也不是一个单病种科室。越是高风险、高情绪、高责任的场景，越需要先把任务边界切小。
产品竞争分成五层
第一层是 NICU 连续预警。HeRO 这类产品从监护波形出发，不是等孩子已经恶化再报警，而是寻找感染和应激之前的心率特征变化。它服务的是护士观察和医生复核队列。
第二层是生长与骨龄。BoneXpert 处理的是标准化影像测量，把骨龄、身高预测和生长曲线交给儿科内分泌或放射科复核。它的优势是标准化，不是病因诊断。
第三层是发育行为诊断辅助。Canvas Dx 把家长问卷、医生问卷和儿童行为材料结构化，用于孤独症诊断辅助。它的价值在于缩短等待和分流，而不是替代发育行为医生。
第四层是眼动行为评估。EarliPoint 用眼动追踪把儿童观看社交场景时的注意模式量化，给发育行为门诊增加一个客观证据维度。
第五层是儿保测量入口。SoftSpot 把婴儿头颅形态从主观观察和手工测量，推进到手机 3D 测量和动态追踪。
这五层产品的共同点不是“AI 都很准”，而是它们都把儿科某个高频、可采集、可复核的动作做成了工作流组件。
代表产品逐个拆解
HeRO：NICU不是多一个报警，而是早一点复核
图注：HeRO by MPSC 官方页，访问时间：2026-07-20。页面说明 HeRO 根据心率变异性识别早于临床恶化的异常模式，并输出风险分数。
HeRO 的代表性在于，它是儿科 AI 里很早进入真实临床工作流的一类产品。它面对的不是门诊问答，而是 NICU 中非常低体重、非常早产、风险变化快的孩子。
它的输入是连续心率和心率变异性，输出是每小时更新的 HeRO 分数，用来提示未来 24 小时感染风险。公开资料中最值得注意的不是“模型多新”，而是它把风险提示放进床旁监护、护士观察、医生复核和检查/治疗决策的链路里。
HeRO 的价值不是自动诊断败血症，而是把“这个孩子可能需要更早被看见”变成可追踪队列。 医院部署这类产品时，试点指标不能只看风险分数是否漂亮，而要看告警后多久被复核、是否增加无效抗生素、是否带来告警疲劳、护士和医生是否愿意长期看这个分数。
BoneXpert：骨龄从经验读片变成测量任务
图注：BoneXpert 官方页截图，访问时间：2026-07-20。官方资料提到 BoneXpert 2009 年推出，并强调其作为成熟放射 AI 产品的多中心证据。
BoneXpert 的场景很儿科：孩子长得太快、太慢，青春期启动异常，儿科内分泌和放射科都需要骨龄作为关键参考。但传统骨龄读片有经验差异，报告结构化程度也不稳定。
BoneXpert 把左手 X 线片转成骨龄、骨骺测量和身高预测等结构化输出。它更像测量工具，而不是诊断工具。骨龄提前或落后之后，真正的病因判断仍然要结合身高曲线、体重、性发育、激素检查、遗传背景和临床随访。
医院采购这类产品时，要重点确认三件事：是否能接 PACS 和报告系统，是否适用于本院儿童人群和拍片质量，是否能把结果以医生可复核的方式写回报告。如果它只停在一个独立网页上，长期使用率会被二次录入拖垮。
Canvas Dx：把等待名单变成可分流队列
图注：Cognoa Canvas Dx 官方页截图，访问时间：2026-07-20。Canvas Dx 是儿童孤独症诊断辅助产品，监管分类为 Pediatric Autism Spectrum Disorder Diagnosis Aid。
儿科发育行为门诊最现实的问题之一，是等待时间太长。很多家庭从发现语言、社交或行为问题，到完成正式评估，中间可能经历漫长排队。Canvas Dx 切入的不是“医生不会诊断孤独症”，而是把初级保健和专科之间的材料收集、结构化评估和分流前移。
它通常依赖家长问卷、医生问卷和儿童行为材料，生成供临床复核的辅助报告。对医院来说，这类产品的价值不在于把诊断交给 AI，而在于让疑似儿童更早进入一个可排序、可解释、可转介的队列。
边界也必须写清。孤独症评估不只是一个算法分类，家族史、发育史、语言能力、适应行为、共病、家庭环境和后续干预资源都要纳入判断。Canvas Dx 这类产品如果没有干预入口，只会把等待名单换一种形式呈现。
EarliPoint：把“观察孩子”变成量化证据
图注：EarliTec EarliPoint 官方页截图，访问时间：2026-07-20。openFDA 记录显示 EarliPoint 在 2026 年仍有新 510(k) 条目。
EarliPoint 的产品逻辑和 Canvas Dx 不一样。它不是主要依赖问卷和视频材料，而是让儿童观看社交场景视频，同时采集眼动轨迹，分析孩子对人脸、眼睛、动作和社交线索的关注模式。
这条路线的意义在于，它把发育行为医生日常“观察孩子”的一部分转成可量化数据。对发育行为科来说，客观数据可以帮助解释、分层和随访，但不能替代临床访谈和综合评估。
医院部署时要看适用年龄、儿童配合度、设备空间、检查时长、报告解释模板和后续干预资源。尤其要避免一种误用：把眼动异常直接写成孤独症诊断。这类产品的临床价值在“增加证据维度”，不是“减少医生责任”。
SoftSpot：儿保里的“看头型”变成可追踪测量
图注：PediaMetrix SoftSpot 官方页截图，访问时间：2026-07-20。openFDA K212045 显示其监管名称为 Cranial Measurement Software。
婴儿头颅形态评估很容易被低估。斜头、扁头、颅缝早闭风险、是否需要矫形或专科转诊，都需要更稳定的测量和随访记录。SoftSpot 的切口，是用手机多角度图像做 3D 重建和头颅指数测量。
它的优势在入口轻、可重复、适合儿保和家庭随访。但入口轻也意味着质量控制更重要：拍摄角度、光线、孩子配合度、隐私授权、云端数据存储，都会影响结果和合规。
医院或儿保机构不能把 SoftSpot 当成“拍一下就诊断”。它更适合作为动态测量工具：第一次建立基线，后续追踪变化，超过阈值再进入儿外、神经外科、康复或矫形评估路径。
横向对比
| 产品 | 工作流位置 | 输入 | 输出 | 采购关键 |
|---|---|---|---|---|
| HeRO | NICU床旁 | 心率/HRV | 未来24小时风险提示 | 告警复核、抗生素使用、告警疲劳 |
| BoneXpert | 骨龄/内分泌 | 左手X线片 | 骨龄、身高预测 | PACS接入、本院图像质量、人群适用 |
| Canvas Dx | 发育行为分流 | 问卷、视频 | ASD诊断辅助报告 | 等待时间、医生复核、干预入口 |
| EarliPoint | 发育行为评估 | 眼动轨迹 | 社交关注/功能线索 | 儿童配合度、设备、解释模板 |
| SoftSpot | 儿保测量 | 手机头颅图像 | 头颅指数/趋势 | 隐私授权、拍摄质控、转诊阈值 |
这张表不能用来比较“谁更先进”。它真正说明的是，儿科 AI 的产品边界已经很碎。每一行都对应不同的科室、不同的数据、不同的责任链。
我认为医院选型时最容易犯的错，是把“孩子相关”当成同一个标签。NICU 的风险分数和发育行为的诊断辅助，采购团队、临床负责人、验证指标、合规风险都不同。
医院应该怎样选择？
儿科 AI 选型，我建议先问六个问题。
第一，场景是否足够窄。儿科不是一个泛化入口，必须先确定是 NICU、儿保、发育行为、内分泌、影像，还是慢病随访。场景越宽，责任越不清。
第二，数据是否稳定。监护波形是否连续，X 线片是否标准，问卷是否完整，眼动评估孩子是否配合，手机图像是否可质控，都会决定产品能不能真实运行。
第三，结果是否进入医生工作台。儿科 AI 结果必须进入医生可复核、可解释、可归档的系统。只给家长一个报告，很容易制造焦虑和投诉。
第四，是否有转诊和干预能力。发育行为、儿科内分泌、儿外矫形、神经康复、NICU 复核，都不是 AI 能凭空创造的资源。没有后续服务能力，筛查越多，积压越明显。
第五，儿童数据如何保护。未成年人数据的授权、最小化采集、家长知情、云端存储、访问权限、审计日志、退出机制，都必须在采购前写清楚。
第六，试点指标是否业务化。HeRO 看告警复核和抗生素使用；BoneXpert 看报告周转和读片一致性；Canvas Dx 看等待时间和专科转介；EarliPoint 看评估时长和解释一致性；SoftSpot 看复测质量和转诊阈值。
国内代表厂家：产品边界与交付方式
| 公司 | 具体产品/方向 | 可核验优势 | 部署关注点 |
|---|---|---|---|
| 讯飞医疗 | 儿科/基层智能辅助诊疗与病历能力 | 语音、病历和基层辅助诊疗产品线较完整 | 儿科专病能力、院内系统接口、责任边界需确认 |
| 推想医疗 | 儿童胸部影像相关AI能力 | 影像AI产品化和院内交付经验 | 儿科适应证、PACS/报告回写、注册证需逐项确认 |
| 深睿医疗 | 儿童骨龄/影像AI相关方向 | 多病种影像AI平台经验 | 具体儿童产品线、注册证、部署拓扑需招采确认 |
| 联影智能 | uAI影像平台及儿科相关影像能力 | 与影像设备和AI平台协同 | 设备、PACS、私有化/云边边界需确认 |
| 鹰瞳科技Airdoc | 儿童/青少年近视与眼底筛查相关方向 | 眼底AI和基层筛查场景经验 | 适应证、设备、校园/基层数据合规需确认 |
国内儿科 AI 的公开资料通常不像海外单产品那样聚焦。医院采购时必须索取注册证、适用年龄、适用人群、接口清单、网络拓扑、数据流、家长授权模板、升级回滚机制和本院验证方案。官网没有明确披露部署拓扑时，不能把行业常见方案写成厂商事实。
风险与边界
儿科 AI 的第一类风险是把筛查说成诊断。孤独症、头颅形态、生长发育、感染风险，任何一个场景都不能由 AI 单独给出完整诊断和治疗建议。
第二类风险是年龄外推。成年人模型不能直接用于儿童，大儿童模型也不能直接用于婴幼儿。即使同一个产品，也要看适用年龄、训练数据和验证人群。
第三类风险是家长沟通。儿科 AI 结果往往先触发家庭焦虑。如果医生端没有解释模板、复核流程和后续资源，产品越灵敏，冲突越多。
第四类风险是数据合规。儿童数据比成人数据更敏感。视频、眼动、头颅 3D 图像、家庭问卷和慢病数据，都需要明确采集目的、保存周期、授权范围和退出方式。
第五类风险是服务能力不足。筛查和分流会把隐藏需求暴露出来。医院如果没有发育行为、康复、内分泌、儿外或社区随访资源，AI 可能只是让等待名单更透明。
未来会怎么发展？
图注：未来儿科 AI 业务架构。儿科 AI 的长期价值在连续成长队列，而不是一次性判断。
图注：未来儿科 AI 技术架构。没有接口、授权、偏倚监测、版本管理和回滚机制，儿科 AI 很难长期留在临床工作流。
未来儿科 AI 很可能沿两条线发展。
第一条线是更窄的专病工具。NICU、骨龄、孤独症评估、儿童慢病、儿保测量、儿童影像，都会继续出现小而深的产品。它们不一定声量最大，但更容易进入真实工作流。
第二条线是儿童成长队列管理。把出生、儿保、疫苗、身高体重、发育筛查、慢病随访、专科转诊和家庭反馈连起来，才是儿科 AI 的长期空间。这个方向不一定由单一 AI 公司完成，更可能由医院信息系统、儿童保健平台、专病中心和设备厂商共同完成。
儿科 AI 的下一阶段不会是“一个模型回答所有儿童问题”，而是多个窄产品被统一接入同一条儿童成长责任链。
写在最后
儿科 AI 最值得谨慎，也最值得认真做。因为它面对的不是一张影像或一段文本，而是一个孩子和一个家庭接下来几个月、几年甚至十几年的成长路径。
本期一句话：儿科 AI 走到 18 年，真正成熟的不是“替医生看孩子”，而是把风险、发育、测量、转诊和随访接成一条可复核的责任闭环。
如果你是医院儿科、儿保或信息科负责人，下一次评估儿科 AI 产品时，你会先问模型准确率，还是先问：这个结果出来以后，谁向家长解释，谁接住转诊，谁负责随访？
以上配图均由 AI 辅助生成。