超声科 AI 的历史起点，我这次没有从“深度学习很火”开始算，而是从 FDA De Novo 里能查到的 Caption Guidance 算起：2020 年 2 月 7 日，监管分类名已经写成“由人工智能指导的图像采集和/或优化”。到 2026 年 7 月 19 日，是 6 年 5 个月 12 天，所以标题只能写“近7年”。
超声 AI 现在最值得看的，不是它能不能识别一张超声图，而是它能不能把一个不稳定、强依赖操作者的检查过程，变成可采集、可质控、可复核、可追踪的工作流。
图注：GE HealthCare Vscan Air Caption AI 官网产品页，访问时间 2026-07-19；这张图证明本期代表产品已经从“算法页面”进入真实手持超声设备和采集指导场景。
超声AI为什么值得单独看？
放射科 AI 的核心难题是读片队列，眼科 AI 的核心难题是筛查后谁接住，心内科 AI 的核心难题是多检查决策闭环。超声科不一样，它的难点先发生在图像形成之前。
同一台设备、同一名患者，不同操作者拿到的切面可能完全不同。探头角度、压力、声窗、体位、呼吸、设备预设都会改变图像质量。也就是说，超声 AI 如果只在后端“看图”，它已经错过了最关键的一半工作。
所以这一期我把超声科 AI 分成两个问题：第一，它能不能帮助医生或非超声专科人员拿到更标准的图像；第二，它能不能在图像生成以后，把测量、报告、复核和质量治理接起来。
这也是为什么超声 AI 的成熟度不能只看准确率。医院真正要问的是：它部署在采集前、采集中、采集后，还是报告后？如果位置不同，产品价值、责任边界和采购逻辑都不同。
AI怎么重写检查链？
超声科的工作流不是“上传图像，模型输出结论”这么简单。它更像一条连续链路：检查申请进入科室，医生或操作者选择探头和设备，现场采集图像，完成质量控制和测量，再进入报告、签字、会诊和随访。
AI 进入这条链路有三种最真实的方式。
第一类是采集导航。它不急着告诉你病人有没有问题，而是先告诉你探头该怎么动、当前视图是否接近标准、这段 clip 能不能保存。GE Caption AI 属于这一类。
第二类是自动测量和报告。它处理的是高重复、耗时间、容易受模板影响的环节。Us2.ai 把 DICOM 心超图像接入后，输出结构化报告草稿，本质上是在压缩医生重复测量和录入时间。
第三类是床旁 POCUS 和专科场景。EchoNous、Butterfly 这类产品更强调设备便携、使用者分散、场景前移。它们的价值不只在超声科内部，而在急诊、ICU、产科、基层、麻醉等多个入口。
医院部署时要先画清楚“谁采集、谁复核、谁签字、谁追踪”。这四个问题没有答案，AI 很容易停留在演示环境。
近7年的关键节点
| 时间 | 节点 | 说明 | 医院视角 |
|---|---|---|---|
| 2020.02 | Caption Guidance 获 FDA De Novo | AI 被用于超声图像采集/优化指导 | 起点是“帮人采图” |
| 2021-2022 | 手持超声与 POCUS 扩展 | 设备从科室走向床旁、基层和移动场景 | 使用者更分散 |
| 2023 | Echo 自动测量与报告加速 | 心超从单项测量走向报告草稿 | 价值变成节省复核时间 |
| 2024 | 床旁导航和远程质控强化 | POCUS 培训、质控、复核需求上升 | 不能只看设备价格 |
| 2025 | FDA AI 医疗器械清单继续扩充 | 超声相关 AI 不再是孤立个案 | 需要持续监管和版本管理 |
| 2026 | 采集、定量、报告、质控并行 | 产品竞争进入工作流位置竞争 | 采购看闭环而不是单点功能 |
这条时间线的关键不在年份多长，而在方向变化：早期产品重点解决“不会采标准切面”；现在产品开始把“采得好、量得快、报告稳、能复核”放在一起讲。
我认为，超声 AI 的下一阶段不会只属于传统超声科。它会更多地跑到床旁、基层、急诊、产科、麻醉和远程协作里。越是使用者分散的场景，越需要 AI 把质控做在前面。
产品竞争分成五层
第一层是采集引导，核心是让操作者更容易获得标准视图。它解决的是声窗、角度、视图识别和图像质量问题。
第二层是自动测量与定量，核心是减少 EF、容积、瓣膜参数、胎儿生物测量等重复劳动。它的价值不只是快，而是让结果更标准。
第三层是床旁 POCUS 导航，核心是把超声能力带到急诊、ICU、基层、麻醉等非传统超声工作站环境。
第四层是专科算法包，例如心超、产科、膀胱、FAST、血管通路、神经阻滞等。每个专科场景的数据、责任和培训边界都不一样。
第五层是质控、远程复核和报告平台。真正的大医院不会只问“有没有 AI 功能”，而会问它能不能接 PACS、报告系统、权限体系、质控指标和版本回滚。
代表产品逐个拆解
GE Vscan Air Caption AI：先把标准切面采出来
GE HealthCare 的 Vscan Air Caption AI 是本期最适合放在开头的产品，因为它直接回答了超声科 AI 的第一性问题：如果图像采集本身不稳定，后面的 AI 判读和报告都站不稳。
GE 官网把 Caption Guidance 描述为实时、逐步提示操作者如何移动探头，以获取诊断质量的标准心超视图；同页还列出 AutoCapture、Save Best Clip 和 AutoEF。这里的产品逻辑很清楚：先把采集质量抬上来，再让自动测量和报告进入流程。
它的优势是监管起点清楚、设备入口清楚、临床动作清楚。它不需要把自己包装成“全科诊断 AI”，而是把价值压在一个更窄但更关键的环节：帮助用户采到能被医生复核的图像。
局限也同样清楚。Caption AI 不能替代心超医生，也不能让复杂病例跳过正式心超。医院如果采购这类产品，应把它放在床旁筛查、初步评估、培训和标准化采集里，而不是把它当成独立诊断系统。
Us2.ai：让心超报告从手工测量走向自动草稿
图注：Us2.ai 官网产品页，访问时间 2026-07-19；页面明确强调 FDA-cleared、DICOM 到结构化报告，以及 PACS/CVIS/EMR 集成。
Us2.ai 代表的是另一种方向：不直接改变采集动作，而是把心超检查后的分析、测量、疾病提示和报告草稿自动化。
官网把它写成 AI Echo Copilot，强调从 DICOM 到结构化报告，并说明可以连接超声设备、PACS、CVIS 和 EMR。对医院来说，这类产品真正的采购理由不是“AI 会算 EF”，而是它能不能减少技师和医生在重复测量、模板填写、参数核对上的时间。
这类产品的竞争差异在完整度。单项 EF 或 strain 工具容易被设备厂商内置功能替代；端到端报告草稿如果能覆盖更多参数、适配本院模板、保留医生复核痕迹，才更可能进入日常工作流。
风险在于它对图像质量和接口适配要求很高。医院要做本院样本验证，不能只看 demo。尤其是结构化报告要和既有报告模板、PACS、CVIS、电子病历系统对齐，否则医生会觉得它又多了一套系统。
EchoNous Kosmos：把 AI 放进床旁 POCUS
图注：EchoNous Kosmos AI 官网产品页，访问时间 2026-07-19；页面把心脏、肺部、腹部等床旁评估和 AI 功能放在同一个 POCUS 入口里。
Kosmos 的代表意义，不在于它比大型心超工作站更“全”，而在于它把 AI 放到了床旁和移动场景里。
EchoNous 官网列出的 Kosmos AI 包括膀胱 AI、射血分数、Auto Doppler、AI FAST、Auto Preset 等功能。它们共同指向一个现实问题：急诊、ICU、基层和床旁评估并不总能等到完整超声流程，AI 要在现场帮助操作者更快获得可用线索。
这类产品的优势是工作流短、设备移动性强、培训属性明显。医生拿着设备就在床旁，AI 的提示、测量和记录天然贴近检查现场。
但 POCUS 不是完整专科超声。医院部署时必须定义清楚哪些科室、哪些资质、哪些场景可以用，哪些结果必须转回超声科或专科医生复核。否则 AI 越容易用，责任边界越容易乱。
Butterfly：便携超声把产科筛查继续前移
图注：Butterfly OB/GYN 官网产品页，访问时间 2026-07-19；页面展示 iQ3 在产科和妇科场景中的便携工作流，并介绍 AI-powered Gestational Age Tool。
Butterfly 代表的是便携超声和资源不足场景。它的 OB/GYN 页面强调 pocket-sized tool、自动生成报告，以及 AI-powered gestational age tool。
这个方向的价值，不是让产科医生少做完整产前超声，而是把某些基础评估前移。对基层、外展、低资源地区来说，能不能快速估计孕周、留下检查记录、触发异常转诊，可能比单次算法精度更影响真实服务可及性。
它的竞争差异在设备、软件、订阅和应用场景一起打包。医院或项目方买的不是一个孤立模型，而是一套“谁能拿着设备去哪里做什么”的服务形态。
最大边界也必须写清楚：孕周估算不能替代完整产前超声，更不能跳过异常结构筛查和转诊责任。越是低资源场景，越要把远程复核、转诊路径和数据留痕设计好。
横向对比
| 产品 | 工作流位置 | 主要输入 | 输出 | 优势 | 采购提醒 |
|---|---|---|---|---|---|
| GE Caption AI | 采集中 | 心脏超声视图 | 采集指导、AutoEF | 降低采集门槛 | 看适用视图和复核流程 |
| Us2.ai | 采集后 | 心超 DICOM | 测量、疾病提示、报告草稿 | 端到端报告自动化 | 看 PACS/CVIS/EMR 集成 |
| EchoNous Kosmos | 床旁 POCUS | 手持超声图像 | 测量、标注、即时线索 | 移动性和培训强 | 看授权科室和质控 |
| Butterfly | 产科/基层 | 便携胎儿扫描 | 孕周估计、记录、转诊线索 | 检查前移 | 看异常转诊闭环 |
我认为，这四类产品不能放进一张准确率排行榜。 GE 解决采集，Us2.ai 解决报告，Kosmos 解决床旁可用性，Butterfly 解决便携和低资源入口。它们的输入、使用者、责任边界和采购价值都不一样。
更合理的比较方式，是先问医院自己的痛点在哪里。如果是心超排队和报告慢，Us2.ai 这类报告自动化更直接；如果是床旁和基层不会采标准图，Caption AI 或 POCUS 导航更直接；如果是产科外展和低资源筛查，Butterfly 这种设备加应用的组合更值得看。
医院应该怎样选择？
超声 AI 采购最容易踩的坑，是把“算法功能”当成“科室能力”。 一个模型能识别视图，不等于能落进医院；一个设备能自动测量，不等于报告系统愿意接；一个床旁工具能用，不等于责任链清楚。
医院选型可以先按六件事验收。
第一，看数据入口。它接的是 DICOM、视频流、设备内数据，还是只在厂商 App 里运行？如果数据出不来，后续质控和科研都困难。
第二，看接口。PACS、CVIS、EMR、报告系统、账号权限和审计日志要提前确认。没有接口的 AI，最后可能变成另一个孤岛。
第三，看复核。谁负责确认 AI 结果？谁能修改？修改记录是否保留？AI 错误时怎么追责？
第四，看试点指标。不要只看准确率，要看采集成功率、报告时间、退回率、复查率、医生修改率、阳性转诊完成率。
第五，看上线监测。超声设备、探头、操作者和患者人群变化都会让效果漂移。上线后必须有质量指标，而不是采购后就不管。
第六，看退出机制。版本更新失败、接口异常、误报漏报升高时，能不能回滚到人工流程？这决定了它能不能长期留在院内。
国内代表厂家：产品边界与交付方式
| 公司 | 具体产品 | 可核验优势 | 部署方式 |
|---|---|---|---|
| 迈瑞医疗 | Resona、Consona、TE 系列超声平台 | 官网长期强调智能超声、自动化测量和多场景设备组合 | 以设备/工作站交付为主，接口和 AI 模块需招采确认 |
| 开立医疗 | 彩超与便携超声产品线 | 官网展示超声影像设备和多科室应用 | 以院内设备交付为主，AI能力和拓扑需确认 |
| 祥生医疗 | SonoEye、便携超声 | 官网强调手持超声和多场景应用 | 便携设备/院内或基层应用，数据流需确认 |
| 华声医疗 | 便携彩超与专科超声设备 | 官网覆盖便携、台车和临床科室方案 | 设备交付为主，AI软件边界需确认 |
| 联影智能 | uAI 与影像智能平台 | 官网有医疗 AI 平台与多模态影像能力 | 超声具体模块需逐项确认，不应默认具备 |
这个表不是替医院背书，也不等于这些厂家都已经有同等成熟的超声 AI 产品。它只是给采购部门一个国内坐标：国内厂商多以设备和院内部署切入，招采时必须索取注册证、软件版本、接口清单、网络拓扑、数据流、升级回滚方案和本院验证方案。
风险与未来
超声 AI 最大的风险，是让医院误以为“会提示”就等于“会负责”。
采集导航可能让更多非专科人员使用超声，但这也意味着培训、授权和质量控制要更严格。自动测量可能节省时间，但医生必须能看到关键帧、轮廓、参数来源和修改记录。床旁 POCUS 可能提升响应速度，但它不能把完整专科超声的责任转移给一个手持设备。
另一个风险是厂商生态锁定。很多超声 AI 功能和设备绑定很深，医院如果已经有多品牌设备，就要确认 AI 是否能跨设备、跨科室、跨报告系统工作。否则采购一个功能，可能带来一整套新的数据孤岛。
最后是适用人群。产科、心超、急诊、ICU、基层使用者差异很大。某个场景里有效的 AI，不能直接平移到另一个场景。医院试点应该从一个清晰流程开始，而不是一开始就要求“全院超声 AI 化”。
图注：这张图解释未来超声 AI 的业务闭环：入口、采集、AI任务、复核和治理必须一起设计。
图注：这张图解释未来超声 AI 的技术底座：设备数据、DICOM接口、模型、工作流和治理层不能断开。
我判断，未来 3-5 年超声 AI 会出现两个方向。
第一个方向是“把新手带到及格线”。这类产品会继续围绕采集引导、视图识别、图像质量评分和标准切面展开，特别适合床旁、基层、急诊和培训场景。
第二个方向是“把熟手从重复劳动里解放出来”。这类产品会围绕自动测量、结构化报告、参数一致性、远程复核和质量监测展开，特别适合高通量心超和大医院超声科。
真正成熟的超声 AI，不会只存在于设备屏幕上。它要能告诉医院：这张图是谁采的，质量怎么样，AI 做了什么，医生改了什么，报告怎么发出去，后续指标有没有变差。
写在最后
超声科 AI 的特殊性在于，它不是单纯替医生“看结果”，而是在结果形成之前就介入了。它先影响采集，再影响测量，再影响报告和复核。
所以，医院判断超声 AI 不能只问“准不准”。更具体的问题是：它有没有让标准视图更多？有没有让报告更快？有没有让新手更稳？有没有让复核更透明？有没有让质量治理更可追踪？
本期一句话：超声科 AI 已经走到近7年，下一场竞争不是谁更会看一张图，而是谁能把采集、定量、报告、复核和质量治理真正连成闭环。
如果你是医院超声科或信息科负责人，你更想先用 AI 解决“采不标准”，还是先解决“量得慢、报告慢”？