医疗影像AI技术白皮书

图像技术在医疗中的应用（中国）

摘要

医学影像AI是指利用深度学习等人工智能技术，对CT、磁共振、X光、超声、内镜、病理等医学图像进行自动分析与辅助判读的技术，核心能力包括病灶检测、定位、定量、分类、质量控制与报告辅助生成。在中国，医学影像AI已经从实验室研究进入临床规模化落地阶段：数十款AI医疗器械软件获得国家药监局（NMPA）注册批准，影像科、内镜中心、病理科与基层医疗机构正在逐步引入AI辅助诊断。

本白皮书从技术体系、应用场景、落地特点、监管合规、挑战风险与实践案例六个维度，系统梳理图像技术在中国医疗领域的应用现状与趋势，并介绍 yoyolink 胃肠镜AI辅助诊断系统（硬件+软件一体化）在内镜影像领域的实践。

一、市场与政策背景

中国是全球胃癌和结直肠癌的高发国家之一。国际癌症研究机构（IARC）数据长期显示，消化道肿瘤在中国新发恶性肿瘤中占比靠前，早诊早治是改善预后的关键。

影像数据约占医院数据总量的70%以上，影像科医师长期面临高阅片量与高精度要求的双重压力。随着分级诊疗、医联体/医共体、区域影像中心、智慧医院建设与医保支付方式改革（DRG/DIP）的推进，“AI+医学影像”成为降本增效、提升基层诊疗质量的重要工具。

相关政策方向包括：《“健康中国2030”规划纲要》明确提出癌症早诊早治；《“十四五”医药工业发展规划》将人工智能医疗器械列为重点发展方向；国家卫生健康委智慧医院评价标准将信息化与智能化纳入医院等级评价；国家药监局发布《人工智能医疗器械注册审查指导原则》，规范AI医疗器械的注册申报。

二、核心技术体系

1. 图像采集与质量控制

高质量的图像采集是AI应用的基础，包括高清内镜影像采集（如H.264/H.265硬件编码、1080p@60fps无损帧率）、DICOM标准影像接入，以及图像质量的自动评价。

2. 深度学习模型

医学影像AI主要采用卷积神经网络（CNN）等传统深度学习方法，实现目标检测（病灶定位）、语义分割（器官与病灶边界）、图像分类（良恶性判断）等任务。模型需经过高质量标注数据集训练，并在多中心、多样本人群中验证泛化能力。

3. 计算机辅助检测与诊断（CAD）

CAD系统在检查过程中实时或离线分析影像，为医生提供“第二双眼睛”，降低漏诊率、提升工作效率。在内镜检查中，CAD可实现检查类型自动识别、检查部位定位、病灶自动标注与截图、检查质量自动评分。

4. AI-PACS 与影像云

AI与医院PACS、HIS深度集成，形成“采集—分析—报告—归档”闭环；区域影像中心与影像云实现检查数据共享与远程会诊，推动优质医疗资源下沉。

5. 多模态与生成式AI

多模态大模型开始应用于医学影像报告生成与结构化。但生成式大语言模型（LLM）存在“幻觉”风险，可能输出与真实影像不符的结论，在临床场景中必须谨慎：识别结果应来自专用影像模型，LLM仅可在受控场景辅助文书工作。

6. 边缘计算与实时推理

手术室、内镜室等场景对实时性要求高，AI推理可部署于本地GPU工作站或边缘设备，避免网络延迟与数据出域。

三、主要临床应用场景

影像科

肺结节筛查、骨折检测、脑出血/脑卒中评估、冠脉CTA分析等已大规模落地，是影像科AI最成熟的领域。

内镜AI（胃肠镜）

胃镜、肠镜AI在内镜检查过程中实时提示疑似病灶，辅助早癌筛查与质控，是消化道肿瘤防控的重要技术支撑。

病理AI

数字病理与AI辅助判读用于肿瘤筛查、分级与定量分析，缓解病理医师短缺问题。

超声与眼科AI

超声AI用于甲状腺、乳腺、肝脏病变辅助评估；眼科AI（如糖尿病视网膜病变筛查）已在国内基层广泛应用。

放疗与手术

AI辅助靶区勾画、剂量优化，以及基于影像的手术导航，提升治疗的精准性与一致性。

四、中国落地的特点

• 三甲医院“提效”：AI辅助报告与质控统计减少重复劳动，提高检查效率；
• 基层医院“提质”：AI作为“第二双眼睛”帮助提高早癌等病灶检出率，缓解基层医师经验不足问题；
• 筛查项目化：政府民生实事、消化道肿瘤高发区常态化筛查、企事业单位集中筛查成为重要落地场景；
• 采购规范化：AI医疗器械需取得注册证方可进入医院采购流程，医保与集采政策影响定价与准入。

五、监管与合规

• 医疗器械监管：AI辅助诊断软件按医疗器械管理，需依据《人工智能医疗器械注册审查指导原则》完成注册；取得注册证后方可进入医院采购与临床使用流程；
• 数据安全与隐私：《个人信息保护法》《数据安全法》及医疗数据管理规范要求影像与患者信息加密存储、加密传输、权限管控与日志审计；医院通常要求内网或本地化部署；
• 临床责任：AI输出作为辅助参考，最终诊断由执业医师作出，软件不单独作为诊断依据。

六、挑战与风险

• 数据孤岛与标注标准：多中心数据共享难，标注规范不统一，影响模型泛化；
• 可解释性：深度学习“黑盒”问题影响医生信任与责任认定；
• 生成式AI幻觉：LLM生成内容可能虚构病灶特征，临床使用必须隔离；
• 验证不足：部分产品真实世界表现与论文或实验室结果存在差距，需要持续的真实世界验证（RWE）与质控；
• 商业模式：影像AI变现依赖注册证、医保准入与医院付费意愿，仍需探索可持续模式。

七、实践案例：yoyolink 胃肠镜AI辅助诊断系统

yoyolink 胃肠镜AI辅助诊断系统（硬件+软件一体化，内窥镜影像辅助诊断系统）由国内多家知名三甲医院合作研发，已取得国家药品监督管理局（NMPA）医疗器械注册证，多中心临床验证收录1000+例真实临床病例，多家上海医院部署应用。

• 硬件+软件一体化：自带 AI 影像采集工作站，加装式接入主流内镜设备，无需更换现有设备；
• 胃镜AI与肠镜AI集成于同一系统，自动切换检查模式；
• 基于数十万张真实临床内镜影像训练的自研深度学习模型，自动标注80+种消化道部位与常见病灶影像特征，息肉检出灵敏度达 98%；
• 自动筛选8–12张图像，生成结构化图文报告，医生审核确认后出具；
• 与HIS/PACS对接，图文信息与报告上传医院存储服务器，信息安全闭环；
• 不依赖大语言模型，无AI幻觉，检查质量自动评分、质控数据自动统计。

八、展望

未来医学影像AI将向多模态融合、隐私计算（联邦学习）、真实世界证据（RWE）与常态化质控方向发展。生成式AI会在受控条件下辅助文书与教学，但临床决策仍将以专用影像模型与医师判断为核心。随着注册、医保与数据合规体系的完善，“AI+医学影像”有望成为分级诊疗与癌症早筛的基础设施。

参考依据

• 《“健康中国2030”规划纲要》
• 《“十四五”医药工业发展规划》
• 国家卫生健康委智慧医院评价标准
• 国家药监局《人工智能医疗器械注册审查指导原则》
• 《医疗器械监督管理条例》
• 《中华人民共和国个人信息保护法》《中华人民共和国数据安全法》
• 国际癌症研究机构（IARC）GLOBOCAN数据库
• 强基（上海）医疗器械有限公司、浙江大学：发明专利《一种用于内镜检查报告的信息处理方法和装置》（CN112233752A/B，2020年申请，2021年授权公告）
• 强基（上海）医疗器械有限公司：发明专利《一种基于区块解码的内窥镜影像智能传输方法及系统》（CN112714233B，2021年申请并授权公告）