中科院香港創新院AI中心劉宏斌：未來AI醫療收費如同買保險，支付合理費用換誤診風險降低

每經記者｜甄素靜    每經編輯｜張益銘    

“未來AI（人工智能）在醫療診斷中收費，本質上就像買保險，患者支付合理費用，來降低漏診、誤診風險，也是對健康一份保障。”中國科學院香港創新研究院人工智能與機器人創新中心主任劉宏斌在接受《每日經濟新聞》記者專訪時，如是說道。

近日，劉宏斌帶領團隊發布國內首個超聲領域基座大模型“聆音”EchoCare超聲大模型。劉宏斌介紹稱，該模型以超450萬份覆蓋20多個國家和地區的多中心影像數據為基礎，將診斷準確率較國際頂尖水平提升3~5個百分點，不僅打破傳統模型“換醫院就失靈”的泛化性困境，還試圖破解AI醫療“叫好不叫座”的商業化難題。

在劉宏斌看來，人工智能在醫療領域運用并不局限于此，在近一個小時的面對面專訪中，劉宏斌從人工智能技術在醫療領域應用的技術突破核心邏輯，到數據合規的平衡之道，再到商業化落地的路徑規劃，深入解析AI如何突破行業瓶頸，以及AI醫療未來將如何以“保險式收費”模式，真正走進臨床、惠及普通患者。

中科院香港創新院AI中心劉宏斌 受訪者供圖

超450萬份影像數據“喂養”，準確率領先國際水平

“嚴格來說，AI模型分為編碼器與解碼器兩大模塊。編碼器負責將圖片、文字等信息壓縮為高效特征，解碼器則針對分類、圖像分割等具體任務完成適配。我們發布的超聲大模型，核心是一個通用編碼器。”劉宏斌向記者解釋，這個編碼器核心競爭力，源于450萬份超聲影像數據的“喂養”，涵蓋20多個國家和地區的公開數據集，以及國內中山大學第一附屬醫院、華西醫院等五六家合作醫院的脫敏數據。

“海量數據讓編碼器具備極強的泛化能力，能兼容不同廠商的超聲設備圖像，甚至適配不同國家的臨床場景，這也是它被稱為‘基座’的核心原因。”劉宏斌表示。

“泛化性”是決定人工智能在醫療領域應用能否落地關鍵。傳統超聲AI模型多依賴單一醫院數據訓練，換用其他醫院設備或不同人種的影像時，準確率往往大幅下滑。劉宏斌透露，團隊突破在于“多中心數據架構”：“我們整合了全球公開數據集，這些數據均經過發布機構的倫理論證與脫敏處理；同時聯合醫院處理內部數據，去除患者姓名等標識，確保無法追溯到個人。目前醫院一線數據占比約10%，雖比例不高，但為模型適配真實臨床場景提供了關鍵支撐。”

技術優勢最終要靠臨床指標驗證。劉宏斌表示，該模型在回溯性研究中已展現出顯著競爭力：“當前國際頂尖超聲AI模型的準確率普遍在85%~90%，我們通過預訓練技術將準確率再提升3~5個百分點。別小看這幾個百分點，在龐大的患者基數下，這意味著能減少上千萬人的漏診、誤診風險，臨床價值極高。”

賦能基層醫療迫在眉睫，而“臨床需求牽引”亦是關鍵

對于發布“聆音”超聲大模型的時機，劉宏斌團隊經過了周密考量。“技術成熟度與政策窗口期雙重疊加，讓我們決定此時推出。”他表示，經過一年多研發，模型已具備臨床應用條件，且準確率領先國際，“更重要的是，國家正推動AI賦能基層醫療，那些醫療資源薄弱、醫生經驗不足的地區，對這類技術的需求十分迫切。”

按照規劃，模型落地將分三階段推進：第一階段是概念驗證，目前已完成，證實技術性能達標；第二階段是臨床研究，聯合企業與醫院通過倫理評審，在真實診療場景中測試模型效果；第三階段是產品注冊，完成醫療器械認證后正式推廣。“從臨床研究到成為成熟產品，超聲領域通常需要2年左右時間。”劉宏斌預測，基層醫院將是首批落地場景，“通過AI輔助，基層醫生能快速提升超聲診斷能力，緩解優質醫療資源分布不均的問題”。

在落地過程中，“臨床需求牽引”被視為關鍵。劉宏斌強調：“AI醫療不能脫離醫生需求閉門造車。我們的模型定位是‘醫生助手’，思考方式必須與臨床專家協同。比如，醫學是循證學科，模型的每一個診斷結論都要標注依據，具備可解釋性，這樣才能獲得醫生信任。”

他以超聲檢查為例，指出AI能解決實際痛點：“現在超聲科醫生掃圖時體位別扭，長時間操作易疲勞，且不同醫生掃出的圖像標準不一，可能導致誤診。未來若結合具身智能機器人，掃圖流程將實現標準化，醫生能將更多精力放在診斷和與患者溝通上。”目前，團隊已開始研發相關機器人技術，“先從心臟超聲等難學難操作的領域突破，逐步替代重復性體力勞動”。

值得關注的是，“聆音”超聲大模型僅是AI在醫療領域“多模態布局”的一環。劉宏斌透露，團隊正與華為聯合研發涵蓋12種模態的醫療AI模型，“包括CT、核磁、內鏡影像，以及腦電圖、心電圖等，超聲只是其中之一。目前超聲大模型參數量在500萬以內，屬于‘小模型’，而12模態模型參數量將達到70億，兩者完全不在一個量級，未來將為全流程診療提供底層技術支撐”。

隱私保護、“幻覺消除”和“生態孤島”等難題仍需重點攻克

人工智能在醫療領域應用過程中，數據“多樣性”與“合規性”平衡始終是行業難題，劉宏斌以超聲大模型為例向記者講述了其探索路徑。“450萬份數據中，大部分來自國際公開數據集。”劉宏斌告訴《每日經濟新聞》記者，公開數據推動了超聲領域的研究熱度，“國際上不少科研機構、高校會發布經過倫理論證的數據集，我們將互聯網可公開獲取的資源全部納入，同時進行數據清理”。

對于占比10%的合作醫院數據，團隊采取“醫院主導+技術配合”的合規模式。劉宏斌指出：“每家合作醫院都有倫理委員會，數據使用需經過嚴格評審。我們會與臨床合作伙伴共同遵循醫院規定，對數據進行內部脫敏、多重核查，確保合規后才用于模型訓練。”

劉宏斌強調，超聲影像的特殊性為合規提供了便利。“與基因數據、用藥記錄等敏感信息不同，超聲影像去除患者標識后，幾乎無法追溯到個人，屬于醫療數據中的‘非敏感類別’，這降低了合規難度。”

即便如此，數據隱私保護仍是未來AI在醫療領域應用需重點攻克的方向。劉宏斌坦言，未來大模型落地醫院后，“數據不出院”將成為核心原則：“醫院的隱私要求決定了模型不能脫離其內部生態，這就要求大模型具備‘閉門成長’的能力，無需外部數據輸入，僅通過醫院日常診療產生的新數據實現自我進化。”

為解決“數據不出院”導致的“生態孤島”問題，劉宏斌團隊嘗試引入聯邦學習技術。“不同醫院的模型無需共享數據，只需交換提煉后的知識，就像醫生通過學術會議分享案例。”劉宏斌解釋，這種模式既能保護隱私，又能讓模型相互學習，“比如A醫院的模型擅長甲狀腺超聲診斷，B醫院的模型擅長乳腺超聲，通過聯邦學習，兩者能互補提升，覆蓋更多病種”。

劉宏斌強調，在嘗試消除“生態孤島”問題的同時，人工智能在醫療領域應用仍面臨三大技術瓶頸，他將其概括為“幻覺消除”“可解釋性”與“連續學習”。

“在寫詩、繪圖等場景，AI‘幻覺’（生成虛假信息）或許能被接受，但醫療領域必須零容忍。”他表示，團隊正通過優化訓練數據與算法，確保模型診斷結論完全基于真實醫學知識；“可解釋性”則要求模型像醫生一樣“講道理”，“比如指出某個結節被判定為良性的依據是大小、形態還是血流信號，讓診斷過程透明化”；而“連續學習”是模型落地后的核心挑戰，“醫院數據不出院，模型必須能通過日常診療中的新數據自我升級，就像人在實踐中成長，這需要突破傳統‘訓練一次就固化’的模式”。

明確AI診斷收費規則，是全行業等待的“關鍵變量”

AI醫療的商業化，始終繞不開“技術如何變現”命題。劉宏斌團隊給出的答案是：與硬件廠商合作，走“開源基座+付費定制”的路線。

“科研團隊核心優勢在技術研發，而非生產銷售。”劉宏斌向記者明確商業化邏輯，“AI本身是賦能工具，單獨的軟件產品難以形成競爭力，必須與廠商設備深度融合”。

具體而言，商業化分為兩步：第一步是開源基座模型，“我們計劃將編碼器開源，供科研機構、醫院免費使用，目的是推動行業技術迭代，同時積累更多應用場景反饋”；第二步是聯合企業開發付費產品，“針對醫院的私有數據和定制化需求，提供模型適配、升級服務，而硬件廠商負責生產、銷售及后續維護，我們通過技術授權獲取收益”。

劉宏斌以“聆音”超聲大模型舉例稱，在正式發布之前，已有三家超聲設備企業主動接洽，計劃將該模型嵌入其硬件產品，通過醫院試用推動后續采購。

不過，商業化進程仍受制于政策細則。劉宏斌坦言，當前最大的不確定性在于AI醫療服務的收費標準：“傳統超聲設備廠商的盈利模式是‘設備銷售+年度維護’，但加入AI功能后，企業成本會上升。如果醫院無法通過醫保或自費渠道收取AI診斷費用，采購意愿會大幅降低。目前國家已有相關政策征求意見，明確AI診斷有望納入收費體系，但具體細則尚未出臺，這是全行業都在等待的‘關鍵變量’。”

他進一步分析，一旦收費政策落地，市場將迎來爆發：“現在超聲設備主要集中在三甲、二甲醫院，AI能降低操作難度，未來可下沉至社區醫院、體檢中心；長遠來看，便攜式超聲設備若能結合AI進入家庭，市場規模將堪比手機行業，達到幾千億元級別。”

封面圖片來源：受訪者供圖