会议官网中华医学会第32次放射学学术大会（CCR2025）时间：2025/11/13~11/16 地点：长沙国际会议中心进入会议

刘士远

海军军医大学第二附属医院

（上海长征医院）

[[[expert-person="05B19F76-3EA6-5C8B-A155-127995E70FD3"]]]

医疗AI与各行各业一样，正迎来以解决多模态、系统性复杂问题为特征的3.0时代，也就是“大模型时代”。大模型具有通用性、泛化性和涌现性等优势，未来有可能助力医学影像科实现跨越式发展。

大模型的技术背景和发展现状

大模型（Large Model）是包含超大规模参数（通常在10亿个以上）的神经网络模型，截至目前，300个左右发布的医疗大模型中，按场景角度可以分为临床文档管理、医学培训、电子病历、医学影像筛查、AI检验、健康管理、辅助诊疗、数据疗法、药物研发等不同种类；从训练角度可分为大语言模型、多模态大模型、视觉－大语言模型等。其中，医疗服务类场景占比近53%，排名前四的是临床专病辅助决策、预问诊、病历辅助生成、医学影像辅助诊断。医疗场景由于其安全性、专业性要求，是最需要垂直大模型的行业；经过专业数据集训练的垂直大模型应用场景众多，价值验证周期长且缺乏统一验证体系，目前市场化还是以信息化系统入院为主；而应用类大模型，由于在特定场景中验证，并有客观标准，加上通过获得器械证等准入优势，已经率先实现商业化。

大模型可能带来医学影像的范式革命

大模型直接推动了AI应用范式的转变。我们正从使用“十八般兵器”的时代，迈向一个统一的“智能平台”时代。过去，我们的方法是“一个任务，一个模型”，比如肺结节检测、乳腺癌诊断、肝肿瘤分割等等，每遇到一个新的问题，都得从头开始收集数据、训练一个专门的模型。现在通过海量的、多源的医学数据，进行大规模的模型预训练，构建一个强大的“智能基座”。基于这个统一的基座，我们就能高效地赋能多种下游任务，无论是复杂病灶的智能检测和诊断，影像报告的自动生成，还是前沿的科研文献检索，都可以在一个平台上完成。这为新一代AI产品同时覆盖多种任务，改变影像工作范式提供了可能。

首先，人工智能已经融入影像科工作全流程，未来基于大模型的AI将会让影像科的工作更高效更高质。构建智慧化的影像质控管理体系，可以实现流程管理、检查质量控制和报告质量管理等全方位提升。其次，人工智能正在悄悄改变着影像科的医疗工作模式，大模型可能会加速这一进程，并完全重塑从病人登记到信息核实、序列选择、扫描参数确定、图像重建、病灶检出、影像诊断及分类、治疗决策等环节中的角色和任务权重。一旦实现基于检查部位的多器官多任务的结构化报告输出，将大大解放影像科医生，我们不再需要重复完成简单的低技术含量的工作，影像科医生可以审核AI报告，可以更多的去设立专家门诊、报告解读门诊、专病门诊、治疗决策门诊……，更多时间用于临床和患者，用于科研和创造性工作，更多时间融入多学科会诊，更高质量和层次地为患者和临床服务。第三是教学方面，大模型能将一个“稀缺、高成本、标准化难”的传统教育模式，转变为一个“普惠、低成本、高度个性化”的智能教育新模式。比如说病例学习，由于罕见、不典型和疑难病例稀缺，传统教学模式需依赖有限教材和老师收集的病例；而大模型时代可以根据病种、难度定制生成海量病例，随时更新，提供学生学习。关于影像报告的练习，传统方式阅片无法系统性地描述和诊断，主要靠看书和老师带教，反馈不及时；而大模型可以成为智能对话式导师，引导式学习，通过交互式润色，实时纠错与指导，规范描述术语，提出鉴别诊断意见。传统学习方式是观看教材或教师展示的固定病例，接受统一灌输，缺乏互动和探索；大模型可以根据学生提出的个性化要求，生成个性化学习路径和病例，激发学习主动性，满足个性化成长需求。在知识更新方面，传统方式以未来教材更新再版，或者通过参加学术会议等方式实现，更新效率低、周期长；大模型可无缝集成最新临床指南、文献和共识，确保教学知识始终与前沿进展同步，打破知识滞后性，培养医生更快适应现代医学的快速发展。传统的考核方式是考试，考题数量有限，易被预知，教师批改主观且工作量大；大模型可生成海量不重复的考题，并自动批改。不仅能评分，还能分析知识薄弱点，生成专属学习方案，实现自适应测评和自动分析。第四，大模型使影像科研高效化变革，可以协助科研人员查阅文献，设计研究方案，写代码、写研究报告，以至于形成汇报PPT。至于说应用大模型形成高质量数据分析结果更是成为常态和必然。以往医学影像科研数据标注困难、分析效率不高，大模型可以自动化完成影像数据的分割、标注，快速将原始影像数据转化为结构化科研可用数据，并且借助自身强大分析能力，为科研人员提供多维分析视角和数据挖掘思路，极大加速影像医学科研探索进程。

总之，大模型的逐渐成功，其产品越来越接近我们临床工作场景，必将带来影像科工作范式的革命，影像科医生要抓住这个机遇，积极地应对，重塑自己的角色和任务。

医学影像大模型发展面临的挑战

在医学影像的各类任务中，大模型赋能能够带来更多价值的同时，也仍然面临着种种挑战。

首先，在场景层面，核心问题是我们如何打造大模型的“基座能力”，真正无缝地嵌入到复杂的临床工作流中，并产生实实在在的、可验证、可控制的流程级收益？大模型的能力，比如视觉识别、多模态对话、时序预测等，必须精准地映射到这些具体的临床环节中去。例如，在“精准诊断”环节，我们需要的是强大的“定位、分割、分期”能力；而在“治疗决策”环节，则更依赖于“多模态对齐与时序表征”能力。因此，如何将这些“点状”的算法能力，串联成“线”，整合成“面”，去优化整个放射科乃至全院的工作流程，是我们面临的巨大挑战。

其次，在算法层面，我们需要聚焦算法与系统架构。从单一算法到稳定运行的临床系统，其间存在显著的技术鸿沟，需系统性布局突破方向。其关键方向主要有：（1）多模态对齐与表征。如何将CT、MRI、病理、基因、报告等不同来源、不同时间点的数据进行统一编码和对齐，是发挥多模态数据价值的基础。（2）分割任务。分割任务是医学影像的经典命题，在基座模型的赋能下，通过半监督、无监督预训练方式所形成的分割模型不断涌现，并持续向多模型融合、加入注意力机制、融合transformer等架构方向转变，但准确的多模态任务、精细病变分割以及分割后对齐仍比较困难。（3）大规模自监督/弱监督预训练是大模型的优势，能有效利用海量的未标注和弱标注数据，如何设计小样本标注用于海量数据的训练，让模型更懂临床更懂医生工作场景，目前并没有明确的路径。（4）“基座+PEFT”范式是目前多数大模型调优的主要方式，利用通用的视觉或对话大模型作为基座，再通过高效微调技术（PEFT），可以低成本、快速地适配各种专科场景。这个过程急需大量跨学科懂临床、懂数据、懂算法的复合型人才。

最后，数据层面，虽然国内外已有不少公开或私有医学影像数据集，但在体量和代表性上远远无法与文本类信息语料库相比。特别是图像与报告能够匹配对齐的数据集，大部分为X线数据，CT和磁共振等3D数据偏少，且目前已披露的数据集以英文报告为主，图像+中文报告的数据集建设相对滞后。由于中英文体系下报告语料在结构化上的差异性，实现了初步结构化的中文报告数据集罕见报道。这无疑会成为未来我国医学影像人工智能多模态领域发展的一大阻碍。第二个问题是，大模型时代还需要数据标注吗？可能单纯做科研不需要标注，但作用于临床的产品则肯定还需要标注，而且对数据的要求更高了。大模型80%的效果，其实都取决于“数据治理与对齐”。数据的挑战简单来说可以分为两大类：第一，是“量”的挑战：大模型的“预训练”需要海量的、多样化的数据。但现实是高质量的医疗数据获取成本极高、分散在各个中心形成“孤岛”，且缺乏统一的采集和治理标准。第二，是“质”的挑战：模型的“微调和评测”则需要黄金标准的高质量数据。这里的痛点在于：对不齐——影像和文本报告的匹配存在大量噪声；标不准——不同中心、不同医生间的标注标准难以统一；不均衡——常见病数据多，罕见病数据少，数据长尾效应严重。尽管基座模型本身的架构可以基于无标注的数据集而训练，但高质量标注数据的加入对其能力的提升仍然是十分有益的，而且在具体实现临床任务的微调过程中更需依赖于标注数据，因此标准化的、高质量的医学影像数据图文标注仍是一项十分有意义的工作。那么，出路在哪里？或者说，我们医生能做什么？核心方向是数据治理、多中心对齐，到临床级验证。而这一切都离不开我们临床专家的深度参与。无论是推动数据标准化，还是构建高质量的“金标准”评测集，抑或是对合成数据进行临床验证，都需要我们的一线临床知识和经验。算法的上限由数据决定，而数据的质量则由我们临床专家来把关。我们不仅是技术的使用者，更是高质量数据生态的建设者，最终是模型表现的决定者。

我们还需要推动医学影像数据合规的资产化。从源头上，我们需要健全基于数据应用场景的知情同意和伦理体系构建可信数据；我们需要通过标准的建设和数据治理工具的改进使数据可治理、可用；我们需要构建数据监管和流通体系，使数据得以安全流通；我们需要对数据开展大模型的训练和验证，以明确数据的质量和能力；这些工具或体系或能力的建设，才能真正意义上推动医疗数据成为资产，成为可估值、可入表、可交易的标的。

由于医疗大模型缺乏统一的、有公信力的评估体系，相关准入和监管体系也在形成与完善的路上，责任和监管渠道尚处于模糊早期，一定程度限速了大模型的渗透和落地。已经发布的医疗大模型接近300个，但是临床的渗透率不足5%。要想推动医疗大模型更快落地。首先，需求端的痛点验证、市场规模测算解决想用、想做的问题；其次，供给端通过技术和数据考量，解决能做的问题；再次，相关的验证体系证明产品价值，解决好用的问题；最后，政策法规的支持和监管解决准用问题。只有多方共同努力，解决想用、想做、能做、好用、准用问题，才能从实质上提升渗透率。

医学影像大模型未来的发展趋势

虽然大模型人工智能的发展面临诸多挑战，我们更应该看到其中蕴藏的巨大机遇。第一，是技术自身的机遇。以PEFT为代表的新技术，正让大模型的训练成本更低、效率更高。同时，多模态对齐、小样本学习等技术，也让我们能更好地解决临床中数据稀疏、长尾分布等棘手问题。第二，是临床应用的机遇。我们的机遇在于，要跳出单一的“阅片诊断”，向“全周期健康管理”拓展。从早筛、精准治疗规划，到MDT决策支持，AI将在更广阔的临床场景中创造价值。第三，是数据生态的机遇。一个巨大的机遇，在于共同构建国家级的、标准化的“基础数据库”和“算法评测平台”。这能从根本上破解数据孤岛和标准不一的难题，加速整个行业的创新。第四，是跨界融合的机遇。未来最大的创新，必将来自于“医工结合”。我们需要打破学科壁垒，通过产、学、研、医深度协同，共同培养能解决真实临床问题的新型人才。这一切最终要汇聚成“一横一纵”的发展蓝图。一是“横向拓宽”，指的是AI要覆盖更多的部位和病种。它不能只是一个“单点工具”，而必须是一个能满足临床多样化需求的“多学科平台”，当前医学影像大模型更多聚焦在眼底图像、胸片、皮肤病图像等2D任务，对CT的研究相比起来要少一些，MRI的就更少了，我们应该关注更多的模态和病种。二是“纵向加深”，指的是AI要贯穿疾病的全流程。从最初的筛查诊断，到治疗决策、方案评估，再到最后的康复管理，实现真正的“诊-疗-管”一体化。总之，我们追求的，正是这样一个“横向到边、纵向到底”的智能生态。它将为患者带来全周期的协同增益，而这也正是我们发展医学影像AI的最终目标与价值所在。

随着技术的发展，我们的认知不断被刷新，昨天的不可能很快会成为今天或明天的现实，未来值得期待。