“汽车智能化，大家普遍认为自动驾驶将迈向L5级——无人驾驶。但我始终认为，医疗智能的最高水平应该是L4级——人机共检。因为我们都不希望最后医疗的场景只剩下机器，成为一个没有人文关怀的场景。”开立医疗 AI 首席科学家周国义对21世纪经济报道记者说道。

　　近年来，人工智能正在加速重塑医疗产业。

　　全球范围内，AI在疾病筛查、临床诊断、风险评估和治疗决策中不断取得突破，从智能诊断辅助病灶影像分析，到全过程AI驱动智能化，医疗AI逐渐成为医生不可或缺的“第二双眼睛”。

　　行业内也充满了各种对于未来智慧医疗场景的畅想与探讨。

　　根据The Research Insights预测，到2030年，全球医疗人工智能市场规模将超过千亿美元，其中医学影像AI是增长最快的赛道之一。

　　1982年出生的周国义，2010年刚刚走出校园便加入了开立医疗，曾先后攻关出超声业界首个具有编译器内核的测量模块交互及测量系统、超声参数联动系统、并发任务转移框架、异构高性能计算框架、高性能推理引擎设计等，曾获评深圳市地方级领军人才，是Intel高性能计算技术Intel oneIPL(Image Process Library) 顾问委员会委员。

　　谈到为什么投身于医疗AI事业，周国义介绍，这与其个人职业经历有关。

　　“因为我最初从事的是超声图像的量化测量分析，那时我们依赖人工标定位置和阈值设定来提取特征点，但这种方式泛化性较差，难以实现自动化。正是在探索如何解决这一瓶颈的过程中，我逐步意识到深度学习可能是突破方向。而我在校研究的计算几何本就关注空间几何特征的映射，这与医学超声影像的建模天然契合，也促使我进一步研究智能特征提取方法。”周国义说道。

　　2016年，开立医疗（300633.SZ）成为国内最早系统性布局超声AI的企业之一，并在业内率先制定“设备+AI”战略。与行业普遍采取的“AI+”模式不同，开立医疗坚持以设备为核心，其“设备+AI”战略的重点是将人工智能深度嵌入设备，从而驱动完整的临床流程，而不是停留在单一环节。

　　周国义认为，这一方法的核心优势体现在三方面：第一是落地优势，AI辅助医生实现设备的智能化操作，完成一个完整性的任务，而设备在其中作为AI的输入是不可或缺的。第二是融合优势，AI在临床场景中通过智能抓图、简便操作、测量分析和辅助诊断，需要与设备进行深度的双向协作。第三是性能优势，要获得AI最佳的算法性能，必须基于传感器和仪器参数分布构建数据集，“这三方面的优势奠定了我们在有限成本投入下实现最优结果。”

　　目前来看，这一策略已经奏效。2024年，开立医疗“凤眼”S-Fetus功能深度融合了超声技术与人工智能，获得了国内首个产前超声人工智能医疗器械证，在全球首次实现了产前超声切面智能辅助识别、测量、报告的“全流程、全场景产筛智能化”。

　　据其透露，开立医疗正在探索以“全智能机”为目标的AI融合路径，并尝试结合大模型能力，将AI从单点工具延伸为临床助手，真正实现全过程、全场景的智能化。

　　据周国义介绍，公司已在妇科、产科、心脏、全身及腔内等核心临床场景形成系统性解决方案，目标是让AI覆盖主要应用领域，“我们的愿景是实现从医生拿起探头的那一刻起，AI便能够自动完成探头和诊断模式的选择，识别图像场景、发起注释、激活智能分析并生成报告，真正实现全过程的智能化融合。”

　　展望未来医疗AI行业的发展，周国义认为，要让AI设备真正应用于临床，数据至关重要。

　　“当前最为成熟的大模型主要是语言大模型，以文本处理为核心。由于自监督学习的发展，这类模型形成了通识性的底座，能够理解和处理基本的对话逻辑。当具体到某一领域时，可以再通过领域知识进行微调。而在医疗影像领域，开立所采用的是视觉模型和多模态模型，这类针对特定病种或临床场景进行训练的模型，其数据来源多区域、多层级医疗机构的临床多中心研究，由专业医生来保障专业性、严谨性，标注质量和数据分布的合理性尤为重要。”周国义说道。

　　以下为访谈实录。

　　在“荒原”时期攻坚AI：“设备+AI”更便于落地

　　21世纪: 开立医疗从2016年就开始布局并持续投入AI相关技术研发，那个时候人工智能发展还处于非常早期的阶段，团队遇到了哪些困难，是怎样克服的？

　　周国义：当时深度学习框架如 PyTorch还没出现、TensorFlow不成熟，产品化时常常面临可靠性和可扩展性不足的问题。为了解决这一困境，我们一方面结合公司既有的软件积累，从零开始自研框架，充分发挥在高性能计算上的优势；另一方面针对硬件算力不足，从匹配可承受的训练设备入手，逐步滚雪球式地扩大规模，再推动硬件同步迭代。

　　整个过程几乎完全由公司内部团队独立完成，我们甚至从底层C语言代码做起，虽然参考过一些开源方案，但当时Windows平台几乎不支持，Linux平台功能也有限，因此很多地方只能靠团队自己攻关。最终，在有限的硬件条件下，我们依然有效完成了任务，这也是多重努力共同作用的结果。

　　21世纪：公司在布局 AI 时，是否担心所选择的方向与行业主流趋势相悖？

　　周国义: 技术方向上确实存在过担忧。但由于公司初期的投入规模并不大，因此整体战略依然保持坚定。另一个担忧在于对项目价值的认知，当时同行尚未涉足该领域，公司内部也进行了多轮探讨，担心所做的事情在价值方向上是否合理、正确，以及是否能真正解决市场问题。

　　后来我们进行了多方面的分析，若项目成功，将改变传统的人机交互模式，避免以往设备操作中“一步一停”的繁琐流程。以产前筛查为例，医生在获取胎儿切面后需要冻结图像，找到合适的标准切面，再进行测量和分析生成报告，然后解冻继续下一步操作，整个过程需要频繁的人机交互，结果的一致性也高度依赖医生的经验。新的模式将实现AI进行测量与分析报告，医生只需专注打图，整个过程一气呵成。同样，若项目未能完全成功，也能在传统的“一步一停”模式中发挥价值。基于这一判断，我们选择了一个可能会成功、带来的收益更大的方向。

　　21世纪：开立医疗AI的发展思路不是追求“AI+”或“互联网+”的模式，而是坚持以设备为核心，实施“医疗设备+AI”的策略。与同行相比，公司在创新点和优势方面体现在哪些方面？

　　周国义: 如果全面开展AI以覆盖所有影像设备，就必须兼容不同厂家的图像风格、参数类型和传感器差异。医疗AI法规要求覆盖这些差异，这会带来巨大的额外成本，同时注册验证也相对复杂。同时，独立于设备之外的AI难以高效调用整机资源，难以形成全景式智能化。相比之下，我们将AI视为智能化的发动机，深度嵌入设备，使其能够驱动整个临床场景，而不是只作用于某个环节，这正是我们在落地方面的核心优势。

　　当然，我们目前优先匹配自有设备落地，但在进入大模型阶段和科室级解决方案时，也会开发能适配非开立设备的产品。目前，适配其他厂商设备时确实存在限制，主要在于接口协议不开放，赋能的深度和广度有限。这是AI落地过程中的一个难点。

　　若AI与设备结合不紧密，落地将受到诸多制约，这是许多专注AI的公司普遍面临的困境。AI必须服务于医生的实际使用场景，而独立的AI难以完成完整任务。因此，我们的重心始终是“设备+AI”。我们采取分步骤落地的方式，先把核心场景落地，形成可用且有效的功能，然后再与其他厂商逐步实现互联互通。

　　如何验证AI软件产品的效果：建立统一的标准化数据集

　　21世纪: 公司人工智能产前超声筛查技术凤眼S-Fetus在实现多切面动态图像采集与自动测量的过程中，面临的主要技术瓶颈是什么，你与团队又是如何克服这些挑战的？

　　周国义: “凤眼”是公司最早聚焦的核心产品之一，创造了多个行业领先的趋势。研发的最大挑战在于动态图像的学习，自动化学习算法是确定的，但医疗领域存在大量先验知识和临床经验，这些知识并非以数据形式呈现。例如在产科标准切面的识别环节，切面角度是否正确、是否包含胃泡等。如果仅依赖算法，需要数百万甚至上亿张图像才能覆盖，而这些经验知识却很难直接转化为标签。为此，我们与临床专家密切合作，通过在数据处理、模型训练和前后处理等不同环节加入约束，将这些先验知识嵌入算法，使其能够更好地学习并应用临床规则。

　　嵌入环节取决于具体的应用场景，并没有固定模式。一般而言，如果在模型特征层嵌入约束，可以更好地结合深度学习的能力，而在后处理环节嵌入，则具备更高的灵活性。

　　21世纪: 目前，公司已推出第五代人工智能（AI）产前超声筛查技术凤眼S-Fetus 5.0并完成临床验证，于2024年取得国内首张产科人工智能注册证。相比于许多企业在 2022 年之后才开始将 AI 与产品结合，公司为何能更早地推进注册证的获取？

　　周国义: 这是基于产品功能的成熟度和充分验证。我们在研发过程中已完成大量验证，功能足够稳定和可靠。为了能够正式推动其在中、高、低端机型上的应用，使更多医生受益，我们选择通过医疗器械法规所要求的注册途径。这一过程对于我们而言是水到渠成的。

　　获证整个过程大约持续了两年多。期间必须进行严格的临床实验和验证，包括大量病例的量化分析和人机双盲对比实验。

　　21世纪: 人工智能产品的注册证与普通医疗器械的注册证有何区别？

　　周国义: 与普通医疗器械相比，人工智能产品注册证更强调算法原理的合理性和数据分布的完整性，并且凡涉及辅助诊断类应用必须通过严格的临床试验。这主要源于深度学习可解释性不足，行业内普遍视其为“黑盒”。像Deepseek类似的大模型思维链，向大家展示的只是其推理的过程，但其中底层计算过程依然难以反推解释。

　　为降低风险，我们通过多层次的临床验证，包括内部测试、外部验证和独立临床试验，在我们的实践中，临床试验覆盖了数百例病例，结果表明系统的可靠性较高，性能达到甚至优于资深医生的水平。

　　21世纪: 你提到AI模型的验证在推动产品落地中很关键，当前的“效果验证”体系是否完善？

　　周国义: 在注册过程中，厂家需要对 AI 产品的效果进行验证。目前硬件已有相应的第三方验证机构，但软件方面仍缺乏统一标准。同时，审评中心曾尝试建立如眼底影像的标准数据集。但如果能有统一的标准化数据集，相当于给所有厂商一份“统一考试卷”，这将有效降低开发成本，加快产品上市进程。

　　21世纪：2023年公司首次将肝包虫AI辅助诊断产品化，为医疗资源匮乏的高流行地区患者带去更多希望。能不能介绍一下公司为什么会在肝包虫诊疗这个领域进行 AI 产品的突破？

　　周国义: 肝包虫是一种区域性疾病，多发于牧区。由于当地医疗条件受限，无论是设备条件还是医务人员经验，都难以保障筛查和诊断的有效性。公司开展该项目，是秉持“为生命创造更多可能”的理念，以公益为导向推进的。项目与解放军总医院合作，目标是改善牧区的医疗条件，守护当地居民的健康。

　　从纯商业角度来看，该领域市场确实有限。最初我们以科研为主，与解放军总医院的专家合作，发表了一篇高水平的《柳叶刀》论文，建立了应该是国内规模最大的肝包虫数据集，从科研角度看效果是不错的。虽然市场不大，但它确实有着实际的需求，所以我们决定将其推广为公益项目，并持续投入，使科研成果真正惠及临床实践。

　　医疗AI落地关键：高质量、分布合理的数据

　　21世纪：现在医疗AI领域出现了通用大模型和垂直领域专用小模型两种技术路径。两种路径各有什么特点？

　　周国义: 当前最为成熟的大模型主要是语言大模型，以文本处理为核心。由于自我监督学习的发展，这类模型形成了通识性的底座，能够理解和处理基本的对话逻辑。当具体到某一领域时，可以再通过领域知识进行微调。而在医疗影像领域，我们所采用的是视觉模型和多模态模型。这类针对特定病种或临床场景进行训练的模型，其数据来源是不公开的，因此专业性、严谨性，包括标注质量和数据分布的合理性尤为重要，且必须由专业医生来保障。

　　21世纪：在垂直领域专病 AI 模型研发中，目前最大的困难有哪些？

　　周国义:最关键的难题是构建分布合理的高质量数据。AI 是学习型算法，模型与学习方法可以在实验室开发，但算法的价值取决于数据质量。数据的构建需要医工合作、专业医生的标注与审核，并解决不同标注者之间的分歧。高质量数据的获取是实现有价值的算法的基础，也是医疗AI行业共同的难题。

　　21世纪：开立在数据主要来源于哪里？

　　周国义: 我们基于多区域、多层级医疗机构建立了临床数据合作体系，覆盖妇幼与综合医院等多种类型。同时，我们在使用数据时严格遵循合规流程，包括伦理审查、数据脱敏、标注可追溯等环节。所有环节均符合现行法规要求，确保数据隐私得到有效保护。

　　AI 迭代类似于芯片迭代具有成长性和外延拓展性

　　21世纪：公司目前正在推进的智能体产品，其研发思路是什么？

　　周国义: 我们正在探索的智能体将视觉模型与大语言模型相结合。视觉模型擅长精准提取医学图像特征，能够识别如甲状腺病灶的分型、边缘毛刺、钙化、回声增强等细节，并能与临床诊断指南相匹配。而大语言模型则能够整合更多领域知识，包括医学教材与文献。通过 RAG 等方式，将医生在成长过程中积累的知识与视觉模型的结果结合，最终生成符合临床逻辑的诊断报告。

　　21世纪：目前有一种观点调侃称，如果未来每个产品都配备多个智能体，可能会出现一个人身边有几十个智能体的情况。这是否会导致交互过程过于复杂？

　　周国义: 确实存在这种问题。用户的理想状态是只需与一个主智能体交互即可完成所有任务。但由于不同厂商在不同领域有各自的专长，而智能体的核心依赖高质量大数据、算力和算法能力，因此当前难以做到由单一模型覆盖所有专业场景。

　　为了解决多个模型并行的问题，行业内已经出现了集成开发环境（IDE）和模型上下文协议（MCP）等方法。通过这种方式，可以将任务分配给不同模型处理，再汇总结果。这类技术被称作“大模型的插线板”，有关厂商在大模型集成方向的工作很出色。

　　21世纪：在AI产品迭代方面，公司有哪些独特优势？

　　周国义: 我们已经建立了先发优势，并通过高频率的版本迭代保持领先。例如，凤眼 S-Fetus 从 2017 年的 1.0 版本起，不断迭代至 4.0 的大规模应用和 5.0 的主力版本，目前正按计划推动 6.0发布，同时 7.0 也在同步研发。

　　我认为AI 的迭代类似于芯片迭代，具有成长性和外延拓展性，并不会像传统算法那样固定不变。合作的专家提出，希望我们能不断迭代直至 20.0。我们的愿景是实现从基础切面识别到测量、报告，再到辅助诊断，最终医生只需审阅并签署报告即可完成整个流程，真正实现产品“好用、实用和有价值”。这一愿景虽然长远，但正是我们迭代战略的方向。快速成长的AI是高水平智能实现的基础。

　　医疗智能最高水平为人机共检法规建设仍有待完善

　　21世纪：“超声+AI”未来的进化方向是什么？

　　周国义:超声本身具备多模态特征，包括灰度图、血流图、弹性成像、造影和频谱图等。未来的进化方向是将超声的多模态特性与 AI 多模态融合技术结合。临床在观察病灶时，需要从多个角度获取信息，通过AI多模态特征提取与融合，能够提升病灶性质鉴别的准确性。这将成为超声AI发展的重要趋势。

　　21世纪：在“设备+AI”的融合上，公司的目标是什么？

　　周国义: 我们正在实现“全智能机”的概念，以AI驱动整个设备的智能化。融合的目标是覆盖主要临床应用场景，包括妇科、产科、心脏、全身、消化、外科目等。经过多年的积累，我们已经在这些核心领域形成系统性解决方案。最后实现超声设备从拿起探头开始，AI就开始工作，自动选择探头与诊断模式，自动识别图像场景、发起注释、激活智能分析并生成报告，实现全过程 AI 驱动的智能化融合；内镜医生检查的过程中实时完成质控、导航、风险点检出、分型识别、病灶影像采集、操作视频小结生成、报告生成，实现全流程智能辅助这也是我们认为的融合的终点。

　　21世纪：目前市场的主流观点都认为，AI需要承担的是医生助手的角色。你认为这种“共生关系”是短期内还是长期的发展趋势？

　　周国义: 我觉得医疗是一个关注人性化的事情，无法与自动驾驶类比。我们认为医疗智能的最高水平是 L4，即“人机共检”。因为我们都不希望最终的医疗场景只剩下机器，没有一个人。不是机器替代医生，而是设备更好地辅助医生。

　　例如，当AI结果与医生诊断不一致时，如何仲裁就是一个重要课题。目前学界尚未深入研究这一问题。医生必须保留最终决策权，以保障结果的人文性和医学知识的综合性。不同模型可能会给出不同结论，医生需要像多学科会诊一样综合考量。因此，这不仅是技术问题，更是行业性课题，未来还需要通过立法与监管来进一步规范。

　　我们希望未来能实现仪器、AI 、人三者的流畅结合，整个诊断过程随心所至，在医生眼睛聚焦的中心实时提示AI辅助诊断信息，这样的愿景我们认为是在未来是能实现的。

　　21世纪：对于AI与医疗的发展，你在政策方面有哪些建议？

　　周国义:顶层设计应明确AI在价值链中的关键环节，包括数据环节、模型训练验证环节、产品落地与收费环节。目前，欧盟部分内镜检查、美国部分心血管检查已纳入医保。国内在部分地区已开始探索医疗AI的收费与监管机制，相关政策正逐步完善。未来，随着法规完善，成熟且有临床价值的 AI 应像传统医疗设备一样，形成规范的收费与价值体系。