⏱ 预计阅读：14 分钟
图注：以 FDA 在 1998-06-26 批准 M1000 ImageChecker 为起点，放射科 AI 经历了 CAD 标记、深度学习识别、急症分诊、支付采购、生成式报告，再到基础模型与企业平台。统计终点是 2026-06-24，距离完整 28 周年还差 2 天，因此本文写“近 28 年”。
这段历史不是一条单纯的准确率上升曲线。产品从“在片子上画圈”扩展到分诊、报告与随访，技术从手工特征走向 CNN（卷积神经网络）、多任务模型和基础模型，医院购买的对象也从一个算法变成一条可监测、可回退的工作流。
图注：Aidoc aiOS 官方页面把产品定位为连接数据、工作流与治理的医院级临床 AI 平台。来源：Aidoc，访问于 2026-06-24 06:34（Asia/Shanghai）。
为什么现在看放射科AI
截至 2026-06-24 06:34（Asia/Shanghai），放射科仍是医院里 AI 产品最密集、监管路径最清楚、真实工作流证据最丰富的科室之一。FDA 的 AI 医疗器械网页按最终决定时间倒序展示；本次核验时，页面当前可见的最新 50 条记录中有 40 条归在 Radiology 面板。这个口径不是全部市场份额，但足以说明：影像 AI 已经不是零散试验，而是持续进入监管和采购清单的主战场。
这次真正值得看的变化，不是又多了几个“找结节”的模型，而是三条产品线开始汇合：专病检测产品在扩大覆盖范围；企业平台在编排多算法、PACS（影像归档与通信系统）、EHR（电子病历系统）和团队通知；生成式产品开始接管报告草稿、指南建议和随访闭环。Aidoc 在 2026 年 1 月宣布其综合影像基础模型相关产品获得新的 FDA clearance；2 月又宣布 Asklepios 已在 28 家医院完成放射科 AI 部署。Rad AI 则在 2026 年 6 月宣布 Yale New Haven Health 网络部署其报告产品。这里的医院数量和效果均为厂商或合作方正式发布口径，不能等同于独立效果评价，但它们共同指向一个事实：竞争单元正从“一个算法”升级为“一个可治理的工作流”。
本期给放射科 AI 的智能化成熟度评分是 96/100。高分来自工作流渗透、产品商业化、技术与监管成熟度；扣分主要在跨人群泛化、长期漂移、不同产品性能不可横比，以及医院对真实 ROI 的公开证据仍不够统一。
AI 正在重写哪段科室工作流
图注：放射科 AI 已从阅片中的单点提示，扩展到检查前协议、图像质控、算法编排、报告、通知、随访和持续治理。
放射科 AI 现在至少进入七个环节：检查预约与协议匹配、设备采集与图像质控、PACS/RIS（放射信息系统）接收、专病模型分析、阅片优先级与报告辅助、临床团队通知、偶发发现随访。真正成熟的部署，不是把所有步骤都自动化，而是明确每一步由谁确认、失败后回到哪里、指标由谁负责。
最容易形成价值闭环的仍是三类任务。第一类是时间敏感急症，例如大血管闭塞、肺栓塞、颅内出血：AI 价值在缩短“检查完成—疑似发现—团队通知”的时间。第二类是高通量、任务边界清楚的胸片与筛查：AI 可以分流高置信正常片、突出异常、预填报告。第三类是报告与随访：生成式工具减少重复口述，随访工具把偶发结节从报告文本变成可追踪任务。
医院不要先问“模型准确率多少”，而要先问“它改变了哪一个队列、哪一个等待时间、哪一个责任交接”。 如果结果只出现在额外网页里，医生还要手工复制，或者报警没有接收人，再高的离线 AUC（曲线下面积）也很难形成临床收益。
从辅助工具到工作流平台：关键时间轴
| 时间 | 关键节点 | 为什么重要 | 证据 |
|---|---|---|---|
| 1998 | M1000 ImageChecker 乳腺摄影 CAD 获批 | 计算机辅助检测首次进入影像常规设备监管路径，但长期也暴露出误报和自动化依赖问题 | openFDA 原始 PMA P970058 记录 |
| 2012 | AlexNet 证明深度卷积网络在大规模图像识别上的优势 | 把医学影像从手工特征工程推向端到端学习 | NeurIPS 原始论文 |
| 2017 | CheXNet 用胸片训练深度网络识别肺炎 | 代表胸片多任务学习和公开数据集浪潮，但论文原型不等于临床产品 | 原始预印本 |
| 2018 | FDA 允许 Viz LVO 上市，用于疑似大血管闭塞分诊提示 | “读片辅助”开始转向时间敏感的团队通知和流程协同 | FDA 正式公告 |
| 2020 | Viz LVO 获 CMS 新技术附加支付路径 | 影像 AI 第一次获得更清晰的支付与采购信号，商业模式不再只靠科室预算 | CMS FY2021 IPPS 资料 |
| 2023 | 生成式报告产品从试点走向商业部署 | AI 开始进入报告语言、指南建议和签署前质控，而不只看像素 | Rad AI Impressions 官方页 |
| 2025 | 企业平台与生成式报告继续获得大额融资和系统级合作 | 资本和医院采购更关注平台、集成与规模化；Rad AI 1 月宣布 6000 万美元 C 轮 | Rad AI 正式新闻稿 |
| 2026 | 基础模型获批、28 院推广、跨网络报告部署相继出现 | 当前阶段从“单模型获批”转到“多任务模型+医院级编排+规模治理” | Aidoc FDA clearance 新闻稿、28 家医院部署 |
下一阶段不能只盯 FDA 数量。更有效的领先指标是：同一平台覆盖多少检查量、多少结果被医生实际查看、医生修改率是否稳定、急症通知是否被接收、偶发发现是否闭环、不同设备和人群的性能是否持续监测，以及医院能否在效果下降时安全退出。
市场与产品格局
今天的产品格局可以分成四层。第一层是专病或单模态产品，如胸片、卒中、肺栓塞和乳腺筛查；优势是任务明确、验证和采购口径相对清楚。第二层是企业 AI 平台，负责接收 DICOM、调用多个算法、整合患者上下文并把结果写回 PACS/EHR。第三层是报告与语音工作台，生成结构化报告或 impression（报告结论），并提供指南建议。第四层是患者管理和随访闭环，把报告中的偶发发现转换为队列、提醒和责任人。
这四层不能用一张“准确率排行榜”比较。Aidoc aiOS 与 Viz.ai One 比的是算法编排、跨科协作和系统治理；qXR 与 Lunit INSIGHT CXR 才在胸片预读层面有部分重叠；Rad AI Impressions 输入的是医生已经口述的所见，核心风险是语言生成和错误传播，而不是像素级漏检。任务定义、数据集、人群、监管辖区和部署环境不同，任何直接横比都必须先统一口径。
代表产品逐个拆解
Aidoc aiOS：医院级 AI 编排与治理底座
一句话定位：把多个影像算法、患者上下文、分诊提示和治理指标接进医院现有系统。
图注：官方页面强调“一次集成、每个工作流、规模化验证”，并展示企业级编排与治理定位。
产品介绍：aiOS 接收影像与患者记录，按任务和协议运行多个算法，把急症与非急症提示送入 PACS、EHR、移动端和协作工具。主要优势不是某个单病种 AUC，而是一次集成、多算法运行、偶发发现与急症并行，以及验证、漂移检测、覆盖率和 override（医生覆盖 AI 结果）跟踪。核心技术公开到多算法编排、临床规则、系统集成与治理层；具体模型架构和训练数据并未在产品页完整披露。
图注：aiOS 的核心是输入、算法编排、结果触达和持续治理闭环。
证据与局限：Aidoc 官网称已覆盖 150+ health systems、1600+ hospitals，并列出多家企业部署；这些属于厂商口径。2026 年基础模型 clearance 也只适用于相应申报产品和适应证，不能外推为“平台所有功能均获批”。来源：aiOS 产品页。
Viz.ai One：把影像发现变成团队行动
一句话定位：面向卒中、心血管、肺部等专病路径，把自动检测、通知、转诊和随访放在一个协作平台上。
图注：Viz.ai 官方平台页强调连接整个照护网络，并披露 1400+ 医院和 100+ 论文的厂商口径。
产品介绍：Viz.ai One 把 PACS/工作列表中的影像、EHR 上下文和专病算法结果合并，通过移动端和团队协作触发后续动作。优势在于时间敏感路径、跨院区协调，以及 HL7/FHIR（医疗数据交换标准）连接 Epic、Cerner、Meditech 等系统。官网称云平台无需本地硬件维护，并提供算法自动编排和 24×7 支持；具体算法性能需回到各适应证的独立证据。
图注：Viz.ai 的竞争力是缩短“发现—通知—行动”，而不仅是多报一个异常。
证据与局限：平台中的疾病算法监管状态不同，卒中研究结果不能替代肺部或心脏产品的验证。1400+ 医院和论文数量是官网统计，不代表每家医院都启用全部模块。来源：Viz.ai 平台页。
Qure.ai qXR：胸片预读与高通量筛查
一句话定位：在正式阅片前对胸部 X 线做多异常预读、叠加提示和预填报告。
图注：qXR 官方页面展示胸片异常区域、发现列表和移动端查看界面。
产品介绍：qXR 面向放射科、影像中心、远程阅片和结核/肺癌筛查，覆盖肺、胸膜、纵隔、骨、膈肌与心影等发现。优势是高通量胸片任务、多语言、网页与移动端，以及云端或院内部署。核心路线是胸片深度学习检测、热区叠加、正常片分流和预填报告；官网未完整披露模型架构版本与训练集构成。
图注：qXR 适合量大、任务边界清楚的胸片预读和筛查场景。
证据与局限：官网列出“小于 20 秒”“40% TAT 下降”等结果，但它们对应特定部署或研究，不能外推到所有设备、人群和工作列表。页面显示 CE、FDA 等标识，采购时仍要按国家、版本、适应证核验注册文件。来源：qXR 产品页。
Lunit INSIGHT CXR：用正常片分流重排工作列表
一句话定位：检测主要胸部异常、比较既往片，并识别高置信正常片，让医生集中处理可疑病例。
图注：官方页面把 Normal Flagging（正常片标记）作为降低重复性阅片的重要工作流能力。
产品介绍：INSIGHT CXR 披露覆盖 11 类主要胸部异常，支持前后片变化追踪、工作列表管理和使用监测。它与 qXR 的重叠在胸片异常检测，差异点是强调高置信正常片分流和 current-prior comparison（前后片比较）。部署可选院内或 Azure 云；云模式由本地 DICOM Gateway 去标识后路由到 AI 引擎。
图注：正常片分流的价值取决于高敏感度、工作列表接入和医生保留最终判读。
证据与局限：官网的 95%–100% AUC 来自指定临床评价，不能写成“所有医院准确率”。正常标记若阈值或人群迁移不合适，可能让医生形成低警觉。来源：Lunit INSIGHT CXR 产品页。
Rad AI Impressions：生成报告结论，而不是替代阅片
一句话定位：根据医生已经口述的 findings（检查所见）自动生成个性化 impression，供医生审核签署。
图注：Rad AI 官方页把产品定位为从口述所见自动生成报告结论，并适配医生与机构语言风格。
产品介绍：Impressions 位于语音识别之后、签署之前。它从检查指征和医生口述所见生成结论草稿，插入 Fleischner 等共识指南建议，再由医生审核。优势是零点击、个性化语言、0.5–3 秒生成和轻量部署。公开页没有说明具体模型参数和训练数据，也没有把它描述为直接读取影像作诊断。
图注：它改变的是报告生产；医生口述错误仍可能被草稿放大。
证据与局限：“每天节省 60+ 分钟”“少口述 35%”等为厂商口径，需要在本院以修改率、签署时间、严重错误率和医生疲劳共同验证。官网未在该产品页披露医疗器械 clearance，医院应单独完成监管分类和法律评估。来源：Rad AI Impressions 产品页。
产品维度竞品对比
| 产品 | 工作流位置 | 可验证差异 | 集成与部署 | 证据/监管边界 | 更适合谁 |
|---|---|---|---|---|---|
| Aidoc aiOS | 影像接收后到跨科通知、随访与治理 | 一次集成、多算法、急症与偶发发现并行、治理监测 | PACS/EHR/移动端；企业平台 | 各算法适应证独立；部署数字为厂商口径 | 想统一多算法底座的大型医疗集团 |
| Viz.ai One | 专病发现到团队协同处置 | 跨院区通知、转诊、随访；HL7/FHIR 与主流 EHR | 云平台，PACS/工作列表/EHR | 不同专病产品不能共享一套性能结论 | 卒中、心血管、肺部等时间敏感网络 |
| Qure.ai qXR | 胸片拍摄后、正式阅片前 | 多发现、预填报告、筛查与多语言 | 云或院内，网页/移动端 | 厂商效果数字需按研究场景解释 | 胸片量大、筛查任务清楚的机构 |
| Lunit INSIGHT CXR | 胸片工作列表与医生判读 | 正常片分流、前后片比较、使用监测 | 院内或 Azure 云，本地去标识网关 | 指定评价 AUC 不可外推全部人群 | 想减轻正常片负担并追踪变化的科室 |
| Rad AI Impressions | 口述所见后、报告签署前 | 个性化结论、指南建议、轻量客户端 | 云服务+客户端、SSO | 不直接读图；厂商节时口径需院内复核 | 报告量大、语音工作流成熟的影像中心 |
作者判断：平台型产品的壁垒是“接得多、改得少、管得住”，专病产品的壁垒是“任务定义清楚、证据能复现”，生成式报告产品的壁垒是“少改稿、不漏关键、可追责”。医院不必在三类中三选一，但必须先确定主系统：谁接 DICOM，谁决定算法触发，谁把结果写回，谁维护统一患者队列。否则多买一个产品，往往只是多一个登录入口。
医院如何选型与部署
第一层，数据与接口。县域或单院胸片量大、接口能力有限，可从一个高频任务开始，要求厂商完成 DICOM、PACS 工作列表和结果回写的端到端演示。大型集团更应先设计企业编排层，明确多院区路由、患者身份匹配、HL7/FHIR、SSO（单点登录）、审计日志与灾备，避免每个算法单独打接口。
第二层，采购合同。不要只写“提升诊断效率”，要把适应证、版本、部署区域、数据出境、模型更新、性能监测、停机处理、退出与数据回收写进合同。平台采购还要区分基础设施费、算法授权费、按检查量计费、实施费和运维费，避免低价平台通过后续算法锁定预算。
第三层，试点设计。先做 4–8 周静默期，AI 运行但不改变医生排序，建立本院基线；再在限定班次或亚组上线。急症产品看检查完成到通知、通知到处置、假阳性报警负担；胸片产品看 TAT、正常片分流比例、漏诊复核；报告产品看草稿采用率、修改率、严重错误率和签署时间。所有指标按设备、院区、年龄、性别和关键病种分层。
第四层，上线治理。由放射科、临床科室、医务、信息、网安、设备和采购共同设 owner。每月看使用覆盖率、医生 override、报警接收、接口失败和人群漂移；版本升级前重做回归测试。触发阈值后应自动降级为“只展示、不排序”或暂时停用，并保留人工路径。退出机制不是合同附件，而是临床安全功能。
中国国内代表厂家：产品边界与交付方式
截至 2026-06-24 13:28（Asia/Shanghai），国内放射科 AI 已形成多器官产品组合、专病解决方案、设备生态和医院级平台几条路线。下面 4 家用于帮助医院建立采购坐标，不构成完整市场名单，也不代表产品性能排名。
| 公司 | 代表产品 | 可核验优势 | 部署方式 |
|---|---|---|---|
| 深睿医疗 | Deepwise MetAI、睿影 AI 医学辅助诊断/评估系统 | 把重建、打印、辅助诊断、会诊、教学和科研放入同一影像平台；支持冠脉、头颈血管、主动脉、肺和肝脏等专用重建协议 | 官网明确为本地部署：AI 服务器置于医院内部，经院内局域网连接影像设备或 PACS；结果保存在本系统或医院 PACS，PACS 终端访问结果 |
| 推想医疗科技股份有限公司 | InferRead 医学影像全面解决方案，包括 CT Lung、CTA Stroke、CT Stroke 等 | 覆盖肺部、心脑血管、骨关节等多器官任务；部分产品提供自动后处理、病灶量化、分诊提示和结构化报告；官网列出多市场准入 | 官网对 CT Stroke 明确写与 PACS、HIS 无缝对接，对 CTA Stroke 写无缝融入影像工作流；整体采用云端、院内或混合拓扑未统一披露，招采时需按具体注册版本确认 |
| 联影智能 | uAI EasyTriage–Stroke、uAI Discover–ICH / CerebralCTA / CerebralCTP 等 | 产品线覆盖全身部位、全影像模态和多临床场景；卒中方案从分诊、出血/缺血分析延伸到 CTA 与 CTP 后处理，强调跨时空联诊 | 官网明确 AI 影像辅助诊断产品均可采用 SaaS 模式、一键开启云端服务；医院仍需确认数据上传、设备侧集成、断网降级和本地合规要求 |
| 数坤科技股份有限公司 | 数字医生智能体：数字心、数字脑、数字胸等；代表单品 CoronaryDoc | 以多部位产品组合覆盖冠脉 CTA、卒中、肺结节、胸部疾病等场景；强调自动后处理、量化分析和结构化输出 | 官网按智慧医院、基层医疗和健康管理三类方案组合交付；未公开统一的服务器、云边或 PACS 接口拓扑，采购时需索取具体项目架构和数据流图 |
这张表最重要的不是“国内谁对标海外谁”，而是部署边界不同。深睿公开了最具体的院内服务器与 PACS 路径，联影智能明确给出 SaaS 选项；推想和数坤的公开页面更强调疾病覆盖与解决方案，具体云、边、院内形态需要落到注册版本和项目合同。医院招标时应要求厂商同时提交 NMPA 注册证及适用范围、接口清单、硬件与网络拓扑、数据是否出院、升级回滚方案和本院验证计划，不能只看产品目录。
风险、证据与治理边界
临床安全：急症分诊产品通常是提示而非排除工具，未报警不能替代完整阅片；生成式报告会把上游口述错误写得更流畅，医生反而可能降低警惕。
偏倚与泛化：设备厂家、扫描协议、患病率和人群结构变化都会改变阈值表现。厂商在一个数据集上的 AUC、敏感度或 NPV（阴性预测值）不能直接迁移到本院。
隐私与安全：云端部署要核验去标识位置、传输加密、日志、数据留存、境外处理和第三方分包；院内部署也要评估补丁、算力、网络隔离和灾备。
监管责任：平台、单个算法和报告助手可能属于不同监管类别。FDA clearance、CE 标识、论文验证和医院采购是四种不同证据，任何一种都不能代替另外三种。
自动化依赖：长期按 AI 排序会改变医生注意力分配；需要保留随机复核、未报警病例抽样和静默对照，观察是否出现“越用越不看”的依赖。
厂商锁定：最危险的不是换不了一个算法，而是患者队列、路由规则、接口和治理数据都被平台封闭。采购前应要求数据导出、规则迁移、API 文档和退场支持。
写在最后
本期一句话：放射科 AI 已经越过“模型会不会看图”的门槛，真正决定成败的是能否接进系统、缩短行动链路，并在效果变化时被持续治理。
给医院的具体决策问题是：如果明天只能选一个 8 周试点，你会优先压缩急症通知时间、减少胸片正常片负担，还是降低报告签署与随访遗漏——谁对这个指标负责，什么结果会让你继续采购，什么结果会让你退出？