而在当下，以高质量影像数据→智能体的新型生产关系，又是如何重新定义医疗 AI 时代价值分工的？琳琅满目的AI 产品到底在为医生提速？还是在多重选择中增加了医生的工作负担？使用情况如何？身处变幻莫测的时代，医学影像人的“变”与“不变”又该如何被诠释？ 

基于超大型影像中心的战略定位与布局，我们希望对中心主任进行专访，探讨在医疗AI 产品盛行当下，中心【运营人】与AI 产品【使用人】这两个维度的深刻延伸。

记者：2026 年 4 月 1 日起，AI 辅助诊断服务正式纳入国家医保乙类目录，800 余家医院实现落地，政策明确 AI 辅助诊断不单独收费、不额外加价，作为原有检查的“扩展项”合并结算。从“技术探索”到“普惠落地”，医保打通后，想请您谈谈，您认为在当下 AI 的“隐性价值”如何体现？

倪主任：过去我们了解的AI产品，通常被看作辅助性产品，可以单独收费。所以在收入结构上，传统影像检查收入之外，还会增加一块AI辅助诊断收入。所以在政策背景下，我认为AI 辅助诊断的价值，是"嵌进去"的，不是"做个产品单独卖"那种。它不会在账单上多收你一笔钱，而是悄悄融进了整个看病的流程里，成了基准水平的一部分。这就是"隐性价值"真正讲的事儿。

那么它的价值体现在哪里？我认为主要有几个方面。

第一，体现在诊断效率上。过去医生写一份报告，可能要将近一到两个小时，甚至多的时候需要半天。有了AI智能体之后，最快两三分钟就能出来。这大大减少了医生的诊断时间，也让医生有更多时间去做更有价值的事情。比如肺结节，过去要判断是不是肺癌，可能需要等两天，现在可能两三分钟就能出结果。血管CT更明显，血管病有高风险周期，如果能快速诊断，就能加速病人诊治，提前治疗黄金期，改善预后。时间价值是最大的“沉默收益”。

第二，体现在质量上。过去医生写报告时会出现漏诊。一方面是年轻医生能力不够，另一方面是工作量太大，比如夜间写报告、长时间满饱和工作，可能造成误判或漏诊。现在AI辅助诊断可以降低漏诊率。虽然AI可能提示一些假阳性，但这时就考验医生的能力。如果医生能力强，就能直接鉴别哪些是真的、哪些是假的，漏诊率基本很少发生。AI的核心贡献不是“诊断的比专家好”，而是“把下限抬高了”。

第三，体现在公平价值。过去优质医疗资源集中在北上广，老百姓也愿意到这里看病，造成检查量大、诊断能力强、质量也高。但很多大型设备已经放到基层，老百姓如果还跑到北京看病，成本很高。他们为什么不在老家看？本质上还是因为基层诊断水平达不到标准。有了AI辅助诊断后，可以把县级医院医生扫描的图像和出报告的水平拉齐。这样大家在当地就能享受相应医疗政策。它的成本体现，不只是检查收费增加了多少、医疗收入增加了多少，而是病人在就诊上减少了很多成本，这实际上增加了很大的价值。当一个县医院的医生背后站着三甲水平的阅片能力，“同质化医疗”才从口号变成可结算的现实，这会是AI最普惠、也最不产生现金流的价值。

第四，医生精力再分配。医生现在有大量时间去做研究、做深入病例讨论。过去报告面对的是黑白片，现在报告质量更高，因为医生有更多时间跟临床交流，知道报告应该从疾病本身出发去考虑。所以，AI辅助诊断时代，我们的收入要重新定义，不能只看检查收入增加多少。它贯穿了整个诊疗流程，改变了诊疗流程和诊疗习惯。

所以我总结一句话：AI有没有价值，关键在于我们的医生、技师有没有跟AI很好地结合。结合得越好，成本控制得越好；结合得越好，效率越高；结合得越好，产生的价值就越高。这是我理解的AI隐性价值。

记者：AI 进入阅片工作流之后，您个人的阅片节奏和注意力分配发生了哪些实际变化？对于您这样高年资的影像医生而言，有哪些实际价值？

刘主任：工作节奏肯定有变化。过去阅片是逐帧看整个图像，每一幅都要仔细看，处于筛查状态。现在有了AI，AI会初步把结节或已经训练过的病变标记出来。我们第一步就可以看它标记的问题，阅片节奏从筛查改成验证和判断。比如看标注的地方到底是不是真的病变，是结节还是其他病变；如果是肺结节，是不是高危、低危，再重点分析判断。这样阅片时间大幅缩小。一个胸部CT，过去看完需要3到5分钟，现在常规胸部CT阅片时间可能缩短30%到50%。

尹主任：有了AI以后，确实给工作带来了很大方便，首先就是提高效率。像刘主任说的，诊断时间缩短了，每个病例大概节省将近一半时间。特别是血管CTA重建，过去可能要在工作站上手动抠图，大概20到30分钟才能重建完，然后医生再根据原始图像结合三维重建做诊断，重复工作很多。现在有了AI，直接在PACS上重建，可能几秒钟就完成，而且可以根据图像任意角度综合判断，确实节省很多时间。

对于高年资医生来说，过去要逐帧找病灶，尤其胸部CT找结节，四五百幅图像逐帧去找，很容易漏，几乎不可能不漏。有了AI以后，它基本上把所有病灶都圈出来，不管是真的结节还是假的，我们最后做判断。我们把主要精力放在不典型、疑难病例的诊断上，这对我们帮助也比较大。

记者：您认为，第三方超大型影像中心如何在AI 时代构建区别于公立医院的“差异化护城河”？从管理者的角度，（以短期 3-5 年为期限），第三方超大型影像中心的竞争壁垒将主要来自哪里？

倪主任：AI时代到来以后，无论是公立医院，还是像我们这种民营大型影像中心，都会更在意AI产品如何在本中心使用。有人可能认为，AI用得好，护城河就建得高。但我不这么认为。我觉得应该是数据规模、AI能力、运营效率搭建的三维一体的结构，不能单独成立。

所以应该有三个维度。

第一，数据维度。数据实际上是我们医疗的原材料。我们现在做的很多科研项目、数据采集、研究，都来自底层数据。真正值钱的数据闭环应该是：结构化的影像，加上随访验证的标签再加上持续不断地回流。行业里90% 的影像数据都是一次性的死数据，只有带结局验证标签的数据，才是能滚雪球的复利资产。

第二，AI能不能嵌入到我们的医疗流程和医疗工作过程中。AI 在经营报表上不是来赚钱的利润中心，而是帮我们省成本、提效率的工具——谁都能用，不会因为用了它就比别家强。真正分高下的，是人和 AI 融合得有多深：比如我们中心从前台门诊接诊采购了AI智能问诊，扫描过程中AI智能质控及时控制对我们的图像质量，报告中我们处理使用AI辅助诊断的产品，我们还有各个单部位的AI智能体，在报告解读中有AI智能解读。我们的AI使用已经贯穿了整理医疗流程。

第三，底层的运营效率。你的运营效率是否加快，速度是否满足市场需求。只有这三点共同形成一个相似结构，护城河才能搭建起来，单一拿出来，都不足以支撑起很好的护城河。

所以我们真正靠的是：用运营效率把今天的钱赚了，用数据闭环把明天的复利攒上，用网络卡位把后天的赛道占死。单点优势人家一抄就会，但"效率 × 数据 × 网络"这个乘法结构，对手得花同样的五年才复制得出来——等他们搞定的时候，我们已经跑下一程了。

记者：传统的AI 辅助诊断往往是单病种、单任务的，而智能体依托基座大模型完成了从图像识别到图像理解的升级，可结合病史多维推理。您从使用者的角度，这种“多病种同步诊断”在实际临床中的准确率和可信度如何？什么类型的病种需要您多加上心一些？目前北京中心开展使用的较多的 AI 产品有哪些？请详细介绍。

刘主任：传统的医学影像AI，本质上是一个“专科助手”——你训练它看肺结节，它就只能看肺结节；训练它看骨折，它就只关注骨折。它的工作模式是“图像识别”：在图像里找到一个特定的模式，然后告诉你“有”或“没有”。智能体依托基座大模型，完成的是从“识别”到“理解”的跨越。它不再只是找某个特定病灶，而是像医生一样“看懂”这张影像——哪里异常、异常意味着什么、和患者的病史有什么关联。比如标注肺结节的同时，还可以标注纵隔病变，另外还可以标注肋骨有没有骨折。这些标注在实际使用中，准确度还可以，这是质的飞跃。

尹主任（补充）：确实，有了智能体之后，对整个部位的诊断，从单病种到全系统检查，所有器官、不同组织、病变都会找出来，给我们提供了更全面的诊断信息，确实能大大提高工作效率。

记者：当AI 从辅助工具进化为“智能体同事”，您认为，影像中心的组织架构、人才培养、质控体系需要做哪些结构性调整？请您具体分享一下。

倪主任：过去我们是一个医生配一台机器或一台设备，医生写报告，管理更单一。当AI变成了智能体同事”，以后是一个医生带着N个智能体一起干——预筛的、测量的、写报告的、比对着历史影像的、做质控审计的，大家协同着出结果。医生的角色，也就从"自己动手的生产者"变成了"指挥 + 审核 + 处理意外"的人。这相当于现在的飞机，可以自助巡航、自动驾驶。但飞机自动驾驶是不是就不需要机长了？不可能。因为飞机在飞行过程中一旦出现bug、出现系统问题，就需要人工去审核、校准、保障。未来医生一定是在这个方面去培养和发力。

在培训过程中，我们现在也在思考：过去我们是对医生进行培训，未来应该对谁培训？我认为应该跟医生、AI、数据同事一起做培训。培训什么呢？培训医生要分层。过去医生是按类别，比如能写CT、能写核磁、能写DR。未来不是这样，未来第一层医生要能解决基础问题，但需要医生对这份报告进行校准；二层医生应该干什么？二层医生应该处理AI拿不到、拿不准，或者AI模型成熟度还不够的报告，由人工去确认；三层专家不应该再沉浸于写报告，而更多应该在病例讨论、疑难杂症会诊和临床交流，让临床和影像真正架好桥梁。这是我觉得未来对医生团队和现有组织架构的培养计划。

在质控方面，过去叫抽查质控，未来我们希望人机质控能达到百分之百质控。现在的质控基本上是随机抽调，可能抽30%、40%，好一些、严谨的中心可能到50%、60%，因为工作量有限制。未来AI智能体出现以后，AI同时出现，就会实现百分之百的质控体系，效果会非常好。

未来在整个中心规划管理上，要从过去的人管人，转向人管“人+数字员工”。这是我的个人想法。

记者：您如何定义真正好的“AI”？从您日常工作的实际看，它需要具备哪些条件？请您分享 （好用的地方、欠缺的地方）。

刘主任：好用的AI，首先用起来要特别方便。比如它嵌在我们的PACS系统里，我们调图像资料的时候，AI已经可以处理这个图像，这样就相当节省时间。而不是这里调图像，再跑到另一个软件上，再调出来、再抓图。具体来说，它应该让医生从“找问题”转向“解决问题”，从“重复劳动”转向“深度思考”，它的价值不在于替代医生的判断，而在于扩展医生的能力边界——让你看的更全、更快、更准。我也想分享一下实际好用的地方，应该体现在以下几点：

像肺结节、骨折这些高发病种，它一下就能把可疑的地方圈出来，我们不用再从头到尾一点点找，单例阅片时间大概能缩短30%到50%。而且人嘛，疲劳的时候难免会漏看，边缘区域也容易忽略，AI就相当于给我们加了一道稳定的“安全网”，低级错误少了很多。

报告书写这块也挺实用。它能自动生成结构化的报告草稿，我们医生只需要在上面审核、修改，大量重复性的文字工作就省下来了。还有多病种同步扫描这个功能，我觉得很有价值。一次阅片能同时关注好几个系统，有些偶然发现的病变就不容易漏掉。整体用下来，确实让工作更顺、更稳，也更省心。

当然，通过使用的情况来反馈，我认为也有很多不足的地方、对罕见病和不典型表现，识别能力还是不够。因为训练数据里罕见病样本本来就少，模型见得不多，遇到这类情况就容易漏诊或者误诊。我们医生心里得有数，不能它没标出来就以为没事。

再一个，它对影像质量的容忍度有限。图像清楚、标准的时候表现还行，但一遇到伪影、不同器械拍出来的差异，或者患者体型比较特殊，它的表现就会明显下降。这时候如果还完全依赖它，肯定不靠谱。

还有一点，现在很多AI跟临床信息的整合还不够深。它更多还是“只看图”，没有真正把病史、实验室检查、既往影像这些多维信息结合起来做综合判断。可影像诊断恰恰不能脱离临床，光看图很容易出偏差。

尹主任：除了肺结节、肋骨骨折之外，我们用的AI还包括钙化积分、骨密度、综合淋巴结等，目前都可以标注，确实比较敏感，但也存在一定假阳性和假阴性。所以有经验的医生，确实要像倪主任说的那样，从过去的工作流转变出来，从过去发现病变，到现在对疑难病变进行判断，做一个审核的过程。

记者：集团提出“科研共创、技术共融、成果共享”，北京中心作为科研实验高地，在 AI 时代最应该产出的“效能”是什么？AI 让医生从繁杂的影像报告书写中解放出来后，您作为中心主任，该如何调动医生的精力结构？

倪主任：北京中心作为集团的科研实验高地，我的评价标准不是“我们自己发了多少文章”，而是三句话：做定义答案的人、做能被复制的人、做沉淀难例的人。

1、标准与证据。AI医疗现在最不缺的就是模型，最缺的反倒是"验证过的证据"和"统一的标尺"。北京中心最该产出的，是多中心验证证据、质控标准、标注规范和数据集标准这几样——比如我们推动的全国标准化癫痫数据集。就是建立标准，标注共识的目的。谁把定义确定清楚，谁就握住了学术话语权。这可比发一篇高分论文的杠杆大太多了。

2、可复制的模式。"成果共享"到底是什么意思？不是给各家中心复印几张奖状就完事了，而是把算法、工作流、质控体系、培训课程，做成那种能打包、能部署、还能本地化的产品。所以我给自己立了条考核标准：北京中心的价值乘数，就是你能让集团里多少家中心变强。一个流程只能在咱北京用，那不算成果；能在二十家中心复制开来的流程，那才叫效能。

3、难例数据资产。 普通病例的数据价值，正被 AI 和医保影像云变成"公共品"，可北京中心手里攒着的，偏偏是 AI 最不擅长对付的疑难病例。把这些病例整理成一套带随访验证标签的结构化难例库——它既是科研素材、教学教材，更是我们跟算法公司谈"技术共融"的底牌：我们出难例和标注，你们出模型和算力，一起研发、成果共享。这其实就是"科研共创"的本质：用数据换共同研发的权利。

集团把北京中心定位成"高地"，那作为高地，咱们的担子就是：把经验提炼成标准，把成果沉淀成模式，把难啃的病例变成可复用的资产。既然 AI 接手了写报告这种活儿，我们就把医生的时间和精力，重新投放到三个方向——往疑难病例的深处扎，往科研转化上靠，往患者身边那份温度上靠。AI 管的是帮我们把产能做上去，北京中心管的是让整个集团的能力提上来——这，就是我们对"三共"最实在的回答。

前六年，我们把基础科研工作做得很扎实；后面几年，我们更多希望把研究出的东西很好地复制给中心内部协作单位，甚至辐射到行业里的其他单位，这是我们对科研的定义。

记者：MIIA-AI 的设计目标是“一次发起、多种分析、集成查看”，听起来效率很高。但作为高年资影像医生，您认为自己独立判断能力削弱了吗？在什么情况下会受到干扰？请以实例分享。

刘主任：坦白说，有一定程度的影响。当你习惯了先看AI的结果，再去看影像时，你的注意力会不自觉地被AI的标注引导。这不是坏事，但如果不加控制，确实会影响独立判断。

我的做法是：对于复杂病例，我会先独立阅片，形成自己的初步判断，然后再看AI的结果。这样可以避免“先入为主”的干扰。但具体怎么分析，不能过度依赖AI。有时它也有边缘区域覆盖不到，也会有遗漏。我的习惯是先看它标注的地方，再分析它标注的地方到底是不是问题、是什么样的问题；最后分析判断完之后，还要脱离AI再仔细看一遍图。不要过度依赖AI，它不是万能的，也有疏漏。人眼要用好它，但不能过度依赖它。如果AI标注什么就是什么，把报告直接粘贴，出错率还是比较高，也会遗漏一些病变。

有一次，MIIA-AI的肺结节模块给出了“良性可能大”的判断，因为结节边缘光滑、密度均匀。但我在独立阅片时注意到，结节周围有很细微的毛刺征，这是恶性的重要征象。如果我先看了AI的结果，可能就会忽略这个细节。后来病理证实是早期肺癌。

另一次，一个纵隔占位的病例。MIIA-AI的多个模块给出了不同的倾向：有的提示“胸腺瘤可能”，有的提示“淋巴瘤不能排除”。这时候如果医生没有足够的经验，可能会被这些不同的结果搞混淆。我的做法是：回到影像本身，结合患者年龄、症状、实验室检查，最终做出判断。

记者：2020 年您有参与过本次专访，那年主要聊的方向还是重点针对“超大型第三方影像中心的运营艺术”6 年过去了，您觉得伴随着集团战略升级，跃升为“智能影像⁺生态领航者”，影像中心管理者最需要转变的思维是什么？这 6 年间，您觉得对于医学影像行业而言，有哪些颠覆性的变化？有没有不是很顺畅的时刻/弯路，可以分享？

倪主任：首先我必须要再次感谢集团战略品宣部对我们北京中心的再次邀请。在集团领导王世和创始人，陈朝阳董事长，刘青联席CEO的指导创建的一脉医家战略委员会的定位，让我们清更加清晰了了解到生态的重要性。如果说最大的颠覆性变化是什么，应该就是从经营资产变成了经营生态。传统运营考虑的问题是：“我的利用率够不够高、成本压得够不够低”；现在的运营要求是 “我在别人的价值链里扮演什么角色——在公立体系的分级诊疗里，我是容量补充还是能力外脑？在保险公司的控费逻辑里，我是成本项还是省钱的伙伴？在 AI 公司的模型迭代里，我是客户还是共研方？”当你开始用别人的成功来定义自己的价值，思维就完成切换了。

一脉阳光也在改变自己的经营思路，在增长方式上从重资产铺中心数量，转向轻能力、可复制的模式输出；管理对象从管人管设备，扩展到管一支“数字员工队伍”；生态关系从把公立医院当防御对象，变成和公立、商保、AI 公司主动共生——你的收入结构，最终就是你生态关系的映射。

其次，这六年行业真正的颠覆，发生在“基础设施层”。回头看，模型和产品年年都有新的，真正改变行业游戏规则的是三件“底层的事”：

1、支付通道被打通了——这是最大的颠覆。 从检查结果互认、到医保局的立项指南设立 AI 辅助扩展项，再到今年 4 月 AI 辅助诊断正式进医保乙类、837 家三甲落地——行业憋了十年的“商业化最后一公里”走通了。过去我们谈 AI 都是 PPT 里的未来时，现在它是可结算的现在时。技术年年有，支付打通才改写商业模式——这一条的权重，我以前严重低估了。

2、AI 从“单病种工具”进化成了“智能体同事”。 2020 年前后那批肺结节 AI，本质是“电子放大镜”；今天的医学影像大模型能预筛、测量、写报告、比对历史影像——它进入的是工作流本身，而不只是工具箱。这直接倒逼了组织、人才、质控的结构性重造（这也是我们前几年交了学费才想明白的）。

3、数据的逻辑被改写了。 医保影像云索引已近 4.4 亿条，跨院调阅成为常态——原始数据从“囤积的资产”变成了“公共品”。这一年我常和团队说：还在按 TB 计算数据家底的机构，账本已经过期了。

要说这六年最深的感悟，可以归结成一句话：

2020 年，我们练的是运营的艺术——把自己管到极致；这六年行业教会我们的是领航的哲学——标准由你定义、模式能被复制、生态因你增值。弯路没有白走：AI 军备竞赛教会我们看融合率，数据囤积教会我们做闭环，规模冒进教会我们先跑透再复制。管理者最大的转变，说到底就一条——从追求“我最强”，到追求“离开我，生态会变差”。

记者：请二位从AI使用者的角度分享一下，AI未来是替代资源，还是放大资源？

刘主任：肯定是放大的资源，不可能是替代。AI其实永远处于一个给你提供辅助的阶段。它可以减少阅片时间，对阅片流程可能会有改变，但它只是起一个帮你发现问题的作用。具体发现这个问题是什么，它标的是肺结节，但未必是肺结节，你还要去分析判断。所以它永远不可能替代大夫。另外，目前AI只是看图说话，还没有跟临床资料结合进去。临床是影像当中永远不可忽视的重要方面。很多同病异影、异病同影，不能光看图像是什么样就做判断，还要结合临床信息，这一点特别关键。以后AI发展如果再智能，最好还要把临床患者资料也融入进去，综合判断。

尹主任：“AI放大了稀缺资源，让基层获得了与三甲同源的诊断能力，但能力下沉不等于责任下沉。我们需要建立更完善的机制：双签、远程会诊、风险预警、培训体系，让能力和责任同步下沉。”

记者：AI 时代，您认为影像医生的“变”与“不变”体现在哪儿？您又是如何理解的？对日常工作流产生了怎样的影响？

刘主任：不变的，是对影像医生知识储备、分析判断能力的要求永远不变。不能说AI给你标出来了，一般水平的人看一下，大家做审核时水平就没有差异了。因为同样一个AI标准来评判，不同的人判断结果肯定还是不一样。所以对知识储备的要求是不变的。变的可能是工作流程、阅片流程、习惯发生了变化，阅片效率提高了。但本质上，最后的终审、最终判断权还是掌握在大夫手里。

尹主任补充：除了在诊断方面的应用之外，现在智能体里还加入了报告质控系统。我觉得对我们书写的要求，可能不用像过去那样一个字一个字、逐字逐句去审核标点符号错误、重复字、错别字、性别错误、左右错误，这些AI都会很轻松地筛出来。这样就避免了我们很多报告里的低级错误和不该出现的小错误，对我们帮助很大。仔细看了好几遍也没发现问题，但AI一筛，标点符号错了、多了一个空格，都会给你找出来。

我觉得医生自己的职责实际上没变。你该做的责任、该拥有的知识，都还要有，你要承担该有的责任。最后签字，签了字你就要负总责，AI不会为你的诊断负责，这是不变的。变的是，AI给我们带来了很多便利，提高了效率，加快了工作流程，也给病人带来了很大方便。