我这两年跟AI医疗影像打交道，最直观的感受是行业话术变了。前几年大家爱讲“算法精度超过医生”，现在企业产品负责人更愿意聊“进了多少家医院、一天跑多少例、收费项目怎么落”。我判断这个行业正从技术验证期走进规模化应用的早期，能用的产品多了，能用好的场景还在筛。核心驱动我看四股力量：临床影像量持续上涨，医生读片时间被压缩；政策审评给三类证开了更清晰的路径；企业把算法、数据、渠道成本往下压；医院信息科和影像科对AI的接受度比前两年高了一截。
政策这条线我盯得比较紧。NMPA对AI医疗影像的审评从“摸着石头”走向有章可循，创新医疗器械特别审查通道帮一批肺结节、眼底、骨折产品加快了节奏。三类证数量上来了，公开名单里累计八十张上下，覆盖病种从肺结节扩展到眼底、骨折、冠脉、脑卒中等。支付准入没那么快，部分地区出了物价条目，医保覆盖还在点状探索。我跟一家做冠脉AI的企业朋友聊，他说拿证是入场券，物价和医保才是规模化的门槛。
技术演进我分成算法、数据、多模态和大模型四块看。算法上，CNN还是主力，Transformer和多模态融合在冠脉、脑卒中场景里冒头。数据上，多中心临床验证、标注质量、隐私合规把门槛抬高了，联邦学习和合成数据被更多企业拿来做补充。多模态这块，影像+临床文本+检验指标的组合开始出现在产品设计里。大模型更多落在报告生成、质控和交互层，直接替代诊断还早。我访谈过一位影像科主任，他说“模型再大，落到科室要看能不能嵌进PACS和报告流程”。
产业链和竞争格局我跑下来是“两头挤”。上游有算法公司、设备厂商、数据平台和云服务商；中游是拿证的AI企业和器械厂商；下游是医院、医联体、体检中心和基层机构。头部AI企业靠获证数量和病种覆盖筑墙，器械厂商靠设备捆绑和渠道下沉抢入院，互联网平台用云影像和生态合作切入口。医院侧更看重稳定性、售后和收费闭环，渠道侧看重进院关系和持续服务。我投资圈朋友的说法是“现在不是比谁算法炫，是比谁能在医院里活下来”。
衡量行业进展，我盯四个指标：获证、入院、收费、使用量。获证看三类证数量和适应证分布，入院看三甲医院全院级部署和专科场景渗透，收费看物价条目和按次付费/软件授权模式，使用量看日调用量和医生实际打开率。我看到的公开数据里，获证增长快，入院增长慢，收费落地更慢。一家企业产品负责人跟我说，他们某款肺结节产品进了两百多家医院，日活使用率不到三成。这个数字不代表产品差，说明流程嵌入和医生习惯还在磨合。
我自己的判断是，AI医疗影像行业进展已经从“技术能不能用”走到“商业能不能转”。规模化应用不会齐步走，肺结节、眼底筛查、骨折检测这些标准化程度高的场景先跑，冠脉、脑卒中等流程复杂的场景靠多模态和全院级平台慢慢磨。政策审评、三类证、支付准入、医院采购四条线要咬合，企业单点突破很难放大。我关心的还是真实使用量和收费闭环，这两个指标比获证数量更能说明行业走到哪一步。
2.1 三类证获批企业名单的统计口径与更新方法
我自己维护过一版AI医疗影像三类证的名单，最开始是在NMPA官网一个个搜注册证编号，后来发现这活儿比想象中琐碎。光“AI医疗影像”这个边界就够吵一架的，有人把CAD软件算进来，有人只认深度学习算法，还有人把带AI功能的影像设备整机也往里塞。我最后定的口径是三件事：注册证描述里明确出现人工智能或深度学习相关表述、适应证落在影像辅助诊断或辅助检测、产品形态是独立软件或软件组件。按这个筛，名单规模会小一圈，但每条都能对上原始注册信息。
更新方法我试过两种。一种是按月爬NMPA的器械数据库，抓关键词再人工复核，好处是快，坏处是容易漏掉那些描述里写“计算机辅助”不写“AI”的老产品。另一种是每季度对着企业公告、行业数据库和药监局审评报告交叉验证，慢是慢，准确性高不少。我现在的习惯是季度更新一版主名单，月度只打补丁，标注清楚“新增”“变更”和“注销”。有家企业朋友提醒我，软件版本迭代如果只做算法优化不扩适应证，一般不重新发证，但产品性能已经变了，名单里得留个备注栏说明这件事。
口径差异直接影响行业判断。我见过一份行业报告写“AI影像三类证破百张”，细看把同一企业的多个规格型号都拆开算了，还有把二类证里带AI功能的也混进去。另一份报告只认独立软件，数字就掉到六十多张。我倾向于把企业数和产品数分开统计，注册证按适应证和功能模块计，企业按持证主体计，附属关系不合并。这样看行业格局会更清楚，也少一些“数字通胀”。
2.2 获批企业类型与代表产品：影像AI企业、器械厂商与跨界平台
名单拆开看，持证主体大概分三类。第一类是纯影像AI企业，推想、数坤、深睿、鹰瞳、安德医智这些名字反复出现，产品线集中在肺结节、冠脉、眼底、脑卒中几个赛道，拿证节奏快，适应证铺得密。我跟其中一家产品负责人聊过，他们的打法是“先占病种、再铺医院”，一张证对应一个临床入口，科室认了病种才认产品。这类企业的短板在渠道和售后，装机之后的服务响应速度经常被医院吐槽。
第二类是器械厂商，联影智能、GE医疗、西门子医疗、迈瑞这些，证不一定最多，入院能力最强。联影智能的肺结节和骨折产品跟自家CT、DR设备捆在一起卖，医院采购时软件跟着硬件走，决策链短很多。西门子和GE的打法类似，AI功能嵌在影像工作站里，医生不用切换系统就能用。这种“设备带软件”的模式让器械厂商在入院环节占便宜，AI企业单卖软件就得拼物价和科室预算。我在一家三甲医院影像科见过，他们用的骨折AI是设备自带的，肺结节AI是单独采购的，问为什么，主任说“设备带的不用单独走采购流程”。
第三类是跨界平台，腾讯、阿里、百度、华为这些，证的数量不多，切入方式不一样。腾讯觅影拿过眼底和肺结节的证，更多是在做区域影像平台和云胶片；华为推的是算力底座和生态合作，自己不持证但合作方用它的平台跑算法。我投资圈朋友的说法是“平台型玩家不靠单张证赚钱，靠的是把医院影像数据接到云上之后的长尾服务”。这类企业进名单要打个备注，不然容易把生态合作方和持证主体搞混。
2.3 获批适应证分布：肺结节、眼底、骨折、冠脉、脑卒中等
适应证分布这块我拉过一张表，肺结节遥遥领先，占了三类证的三成往上。原因不难理解，肺结节筛查量大、标注相对标准化、临床价值证明路径短，早筛场景医院也愿意试。推想、深睿、联影智能、数坤都有肺结节产品，适应证描述从“辅助检测”到“辅助诊断”再到“机会性筛查”，措辞差异背后是临床验证设计的差异。我访谈过的一位影像科医生说，肺结节AI现在的问题是“查出来太多，医生还得一个个看”，假阳性率压不下来，临床接受度就打折。
眼底排第二，糖网筛查是主力，鹰瞳、腾讯觅影、硅基智能都有布局。眼底的优势在内分泌科和体检中心也能用，不局限在影像科，场景更宽。骨折检测这两年上的快，DR片量大、急诊场景刚需，联影智能、汇医慧影、深睿都有产品，基层医院对这类产品的兴趣比三甲还高。冠脉和脑卒中技术门槛高，证的数量少，数坤的冠脉CTA和脑卒中产品算是代表，临床验证要求多中心、前瞻性设计，拿证周期比肺结节长不少。
剩下还有乳腺、骨龄、肝脏、病理切片这些适应证，零零散散分布着。我注意到一个现象，同一家企业拿证多的，适应证之间往往有流程关联，比如冠脉和脑卒中放在一起，因为都走急诊胸痛中心流程。单病种孤零零一张证的，入院之后容易被替代。适应证分布不只是技术能力的映射，也是企业临床策略的选择，铺得宽不如铺得准，科室流程串得起来的产品活得久。
2.4 从获证到入院：注册证、物价、医保与采购准入衔接
拿证只是拿到了进场资格，离进医院还有好几道门。我跑过几家医院的信息科和影像科，采购AI产品一般走三条路：科研经费采购、设备捆绑赠送、走物价收费后科室分成。走科研经费的最多，但量小，一个科室买一套，覆盖不了全院。走物价收费的路子最健康，问题是各省医疗服务价格项目里明确列AI辅助诊断的还不多，企业得挨个省去推物价。
物价这块我了解的情况是，部分省份在影像诊断项目下加了“人工智能辅助诊断”的加收项，按次收费，几块到几十块不等。医保覆盖更慢，目前主要是点状探索，有的地方把AI辅助诊断纳入医保支付试点，有的地方还在观望。一家企业政府事务负责人跟我说，他们推物价的节奏是“先跟省级卫健委沟通，再争取纳入医疗服务价格调整窗口”，一个省磨下来少则半年多则两年。没有物价条目，医院采购就走不了收费闭环，科室用起来没积极性。
采购准入跟医院等级和预算周期关系很大。三甲医院有科研经费和信息化预算，采购流程相对规范，招标参数往往由影像科提需求。基层医院预算紧，更多靠设备捆绑或区域平台统一部署。医联体模式这两年冒头，牵头医院建区域影像中心，AI产品部署在云端，基层拍片上传、上级医院AI辅助诊断，这种模式绕开了单家医院的采购流程，但收费归属又成了新问题。我看到的公开信息里，从获证到真正入院使用的转化率并不高，拿到证的产品里能在医院稳定跑起来的不到三分之一。
2.5 名单背后的研发壁垒、临床验证与合规要求
名单排在前面的企业，研发壁垒不在算法本身。我跟几家企业的算法负责人聊过，肺结节检测的模型架构公开论文里都能找到，真正拉开差距的是数据质量和标注体系。多中心数据、病理金标准、随访结果，这些不是靠公开数据集能补的。一家企业为了训练骨折模型，跟十几家医院签了数据合作协议，标注团队里有放射科主治医师把关，光这一项投入就够小公司喝一壶。数据壁垒比算法壁垒结实，这是我看了这么多家之后的结论。
临床验证是第二道坎。三类证要求的临床试验设计越来越规范，回顾性研究打底，前瞻性多中心验证加分，部分适应证还要求跟金标准对照。我见过一份肺结节产品的临床试验报告，样本量几千例，涉及五家医院，做了半年多。企业临床注册负责人跟我说，试验方案设计不好，补做一轮就是几百万和时间成本。脑卒中、冠脉这类适应证对临床终点要求更严，验证周期和费用都往上走，小团队很难扛住。
合规要求这几年明显收紧。网络安全、数据安全、算法可追溯性、说明书里的性能指标表述，药监局审评时都会抠。算法更新如果涉及适应证变化或性能提升，要走变更注册，不能私下推版本。我听说有企业因为软件升级没报变更被处罚，后来整个行业都规矩了不少。企业合规负责人跟我吐槽“以前是拿证难，现在是拿证之后保持合规也难”，版本管理、不良事件监测、定期风险评价，这套体系建起来不便宜。名单上的企业数量增长在放缓，我判断跟合规成本上升有关系，行业在从“谁能拿证”往“谁能持证运营”过渡。
3.1 商业化落地医院案例的筛选维度与典型模式
我聊过十几家医院的AI影像项目，发现一个挺有意思的现象：同一款产品在不同医院的命运能差出十万八千里。有的医院装完半年就吃灰了，有的医院用量越跑越大，影像科医生值夜班离了它反而不习惯。这件事让我意识到，挑案例不能只看“哪家医院上了AI”，得看它怎么上的、谁在推动、钱从哪出、最后谁在用。
我自己筛案例的时候定了几个维度。一看医院层级和类型，三甲和基层的逻辑完全是两套，专科医院和综合医院也不一样。二看部署范围，是单科室试点还是全院级推开，这背后差别很大。三看付费方式，是科研经费买的、设备捆绑送的、还是走了物价收费。四看使用频次和持续时长，装了不用等于没装。五看临床反馈，医生愿不愿意用、有没有替代方案。按这五条筛下来，真正算得上“落地”的案例比宣传稿里少很多。
典型模式我归纳了四类。第一类是三甲医院影像科的单点突破，从肺结节或骨折一个病种切入，科室主任牵头，科研经费买单。第二类是全院级部署，PACS厂商或平台型企业把多个AI模块集成进去，信息科主导，走信息化预算。第三类是设备捆绑式，买CT送肺结节AI、买DR送骨折AI，器械厂商的售后团队顺带维护软件。第四类是区域远程影像中心，牵头医院建平台，基层拍片上传，AI在云端跑初筛。这四种模式我在后面两节会拆开讲，每种都有自己的账本和坑。
3.2 三甲医院全院级与专科场景落地案例
先说一个我印象最深的案例。华东某三甲医院，影像科一天CT量八百多例，夜班就两个医生撑着。他们2021年上了肺结节AI，最初是科研项目，后来科室自己申请预算续费。主任跟我说，真正让AI站住脚的是急诊场景——半夜外伤病人做完全身CT，AI先把骨折和出血标出来，医生按优先级读片，漏诊风险降了不少。这个科室后来把冠脉和脑卒中AI也接进去了，形成了一条急诊影像流水线。全院级部署难在打通PACS和RIS，信息科、影像科、厂商三方扯皮了小半年，最后靠院领导拍板才推下去。
另一个案例是华南某三甲医院的眼底AI。他们走的路子不太一样，不是影像科牵头，是内分泌科和体检中心先用起来的。糖网筛查量太大，眼科医生根本看不过来，AI先筛一遍、可疑的转人工，体检报告出得快，患者体验也好。这个项目走的是医院信息化预算，每年几十万的服务费，算下来比养一个专职读片医生便宜。我跟他们的信息科负责人聊，他说全院级和专科场景的差别在于“谁掏钱、谁定标准”，专科场景决策链短，容易跑起来，全院级动静大，但一旦跑通黏性更强。
还见过一个反面案例。北方某三甲医院买了某品牌的骨折AI，装机仪式搞得挺隆重，半年后我问影像科医生用得怎么样，对方苦笑说“偶尔开着，不太敢信”。原因是假阳性率偏高，急诊医生被误报折腾几次之后干脆关了。这个案例提醒我，三甲医院的医生鉴别能力强，对AI的容错空间反而小。产品性能不过硬，医院层级越高越难推。
3.3 基层医疗机构与医联体远程影像落地案例
基层的逻辑跟三甲完全是两个世界。我跑过西南一个县域医共体，牵头县医院建了区域影像中心，下面十几个乡镇卫生院拍的DR和CT全部上传到县医院，AI先做初筛，县医院医生复核发报告。乡镇卫生院没有放射科医生，以前拍完片子得等县医院排期，报告两三天才回。上了这套系统之后，AI几分钟出初筛结果，县医院医生重点看可疑病例，报告周期压到当天。这个案例里AI解决的不是“医生看不完”，是“根本没人看”的问题。
医联体模式的好处是绕开了单家卫生院的采购流程。设备是县医院统一采购的，AI服务费打包在区域影像平台合同里，乡镇卫生院不用单独掏钱。难点在收费归属和责权划分，AI初筛漏了算谁的、县医院医生复核不到位算谁的，这些事合同里得写清楚。我跟项目负责人聊，他说最头疼的是网络和數據规范，各家卫生院设备型号杂、参数不统一，图像质量参差不齐，AI模型换一家卫生院就得重新调阈值。
还有一个模式是第三方影像中心跟基层合作。我在华东见过一家连锁影像中心，给周边社区卫生服务中心提供远程阅片服务，AI辅助诊断打包在服务费里。社区中心只负责拍片上传，诊断报告由影像中心出，AI负责初筛和优先级排序。这种模式把AI的成本摊到了服务费里，基层不用承担软件采购的一次性投入。缺点是数据出了医院内网，合规和安全评估得做扎实，我了解到他们在这块投了不少钱做等保和加密。
3.4 收费模式与投入产出：软件授权、SaaS、按次付费与设备捆绑
收费模式这事我专门拉过一张表对比。软件授权是一次性买断加年度维护费，三甲医院科研经费采购常用这种，一套肺结节AI授权几十万，维护费每年百分之十几。好处是医院觉得“资产是自己的”，坏处是版本升级和售后响应看厂商心情。我见过一家医院买了授权之后厂商被收购，产品线砍了，软件没人维护，最后不了了之。
SaaS模式是按年付费，通常按科室或按院区打包，一年几万到几十万不等。这种模式对医院现金流友好，厂商也有持续收入做迭代。问题是医院信息科对数据出内网特别敏感，SaaS如果部署在公有云，过等保和院内审批很麻烦。我了解到目前主流做法是私有云部署、SaaS计费，折中方案。
按次付费这两年多起来了，影像中心和一些第三方服务商喜欢用。医院不买软件，按实际使用量结算，用一次几块到几十块。这种模式对使用量大的医院不划算，对刚起步想试水的科室友好。我跟一家企业的销售算过账，一家日阅片量三百例的医院，按次付费年成本可能比买断贵两三倍，但医院愿意接受，因为“用多少花多少，预算好批”。
设备捆绑是最隐蔽的一种。买影像设备的时候AI功能打包在合同里，表面看是免费的，实际成本摊在设备款里。这种模式对器械厂商最有利，软件跟着硬件走，售后和维护天然一体。对纯AI企业来说压力很大，医院会问“人家设备带的不要钱，你凭什么收几十万”。我判断未来几年设备捆绑会吃掉不少单病种AI的市场份额，独立软件企业得往多病种平台和临床流程深度整合上找出路。
投入产出这笔账，医院算得比我细。三甲医院影像科主任跟我算过：一套肺结节AI年费二十万，科室日出报告量提升百分之十几，按科室收入和人力成本折算，两年左右能回本。基层医院的账不一样，他们算的是“不装AI就得多招一个放射科医生”，招人成本远高于软件费。真正算不过来的是那些使用频次上不去的医院，装了没人用，多少钱都是浪费。
3.5 行业进展总结：瓶颈、趋势与行动建议
绕了一圈看下来，AI医疗影像商业化落地的瓶颈不在技术，在支付和流程。技术层面肺结节、骨折、眼底这些病种的模型已经够用了，医院不用的原因多半是“没有物价条目”“预算批不下来”“跟现有流程接不上”。我访谈过的医院信息科负责人有一句话我记到现在：“AI产品进院不是买软件，是买一条新的工作流，工作流不动，软件就是摆设。”
趋势我看三条。一条是器械厂商和AI企业的边界在模糊，联影、GE这些自己养算法团队，推想、数坤这些往设备端靠，未来纯软件企业和纯硬件企业的日子都不好过，生态整合能力才是护城河。另一条是区域平台模式会吃掉基层市场，单个卫生院没有采购力和维护能力，打包进医联体或第三方服务是更现实的路径。第三条是大模型和多模态会改变产品形态，从单病种检测工具往影像报告生成、临床决策支持方向走，这件事已经在发生，只是离规模化收费还有距离。
行动建议我给三条。对AI企业来说，别只盯着拿证数量，把已获证产品在医院的真实使用率做上去比什么都强，一个科室用出黏性比十个科室装机吃灰有价值。对医院来说，上AI之前先把物价和预算路径想清楚，科研经费试水可以，长期用还得走收费闭环。对政策端来说，医疗服务价格项目里给AI辅助诊断留出加收口子，比发多少鼓励文件都管用。行业走到今天这个阶段，拼的不是谁能讲故事，是谁能把账算平、把流程跑通、让医生觉得这东西真省事。
