熱門資訊> 正文
2026-08-14 22:14
作者 | 秦酒
這次不是給人看病,而是給機器「看病」。
01
邁瑞x騰訊
醫療行業首個技術服務大模型落地
近日,邁瑞醫療聯合騰訊雲智能體開發平臺ADP,上線了全球首個醫療技術服務大模型。
據證券時報報道,醫院設備科工程師和一線醫護人員,可通過邁瑞旗下「瑞智服」小程序和全球服務官網,獲得7×24小時在線技術支持。
(邁瑞「瑞智服」小程序界面)
醫療設備直接關乎患者生命健康安全,尤其在急診、ICU等科室,設備故障從來不是小事。一旦處置滯后,輕則延誤治療,重則釀成醫療事故。
過去,一臺設備報警或停機,值班人員往往只能翻閲厚厚的説明書查詢,或者等工程師支援,中間時間差極為漫長。
伴隨設備技術迭代加快,型號也越來越龐雜,加上醫療設備本就橫跨機械、電子、光學、軟件等多學科,傳統的人工服務模式已經難以跟上節奏。醫院設備科缺人、缺知識、缺工具成為普遍困境。
邁瑞和騰訊的聯手,正是切中了這個被忽視已久的痛點。要醫治患者,需先「治」好醫療設備。
AI大模型正好解決了當前人工值守醫療設備服務過程中的痛點,補齊了醫療設備服務中的「知識差」和「時間差」。
據證券時報報道,邁瑞醫療相關負責人介紹,該醫療技術服務大模型內置了5000余項臨牀關鍵知識和500余項設備語料訓練數據,覆蓋生命信息與支持、體外診斷、醫學影像等核心業務領域。在專業測試評估中,關鍵問題回答準確率達到99%,能夠支撐年均百萬級服務諮詢的秒級響應,顯著提升醫院設備運維效率。
放眼邁瑞的全球版圖,業務覆蓋200多個國家和地區,涉及跨區域服務時差、語言差異等多重難度,這種量級的需求,傳統人工模式註定難以承載。但通用大模型在醫療設備這類高精度專業場景中,往往出現答非所問、張冠李戴情況,在設備運維中代價極高。
目前,該服務已覆蓋全球190多個國家和地區,支持百余種語言,日均產生專業問答超過1700次。
02
AI醫療的下一站:
醫療場景與AI「雙向反哺」
值得注意的是,邁瑞和騰訊此次合作,不止是將目光從輔助診斷投向設備運維,其深層價值在於「雙向反哺」。
騰訊雲ADP(智能體開發平臺)將邁瑞醫療的非結構化文檔轉化為企業級知識庫。通過API直連技術資料平臺,實現知識「零延時同步」,又基於「用户反饋-自動歸類-專家審覈-知識更新」閉環機制持續迭代。
簡單來解釋,就是邁瑞把海量的設備説明書、維修手冊、培訓資料等全部「喂」給了騰訊雲的ADP平臺。ADP就像一個超級大腦,把這些雜亂的信息消化、整理成結構清晰的知識庫。當工程師提問時,系統能秒級調取最精準的答案。更關鍵的是,這套系統會「越用越聰明」:工程師每一次提問、每一次糾錯,都會自動迴流到知識庫,經過審覈后完成知識更新。今天答不上來的問題,明天可能就已經學會了。
這或許正是醫療AI區別於通用AI的地方。它要學的不是公開數據,而是壁壘深厚的醫療專業知識、難以系統化的臨牀經驗和千變萬化的真實場景。
這一點在醫學影像上表現更為明顯。AI即使吸納了海量的醫療知識數據庫,但始終讀的是「死書」,醫院每天都在發生複雜多變的真實治療案例和影像數據,如何實現醫療場景和AI算力的持續反哺,是AI醫學影像領域面臨的難題之一。
誰能拿到真實的臨牀場景、持續的高質量數據、一線醫生的實時反饋,誰就能讓AI在醫療領域真正站穩腳跟。設備運維如此,臨牀診斷更是如此。
醫學影像服務是一個連續流程,任何一個環節能力不足,都會影響最終服務質量。相比設備運維,醫學影像服務的專業密度更大,更為複雜瑣碎。
據弗若斯特沙利文統計,假設開單、掃描、診斷和臨牀應用四個關鍵環節均達到較高水平(90%),整體服務能力仍約為0.94≈66%。這表明醫學影像服務質量並非由單一環節決定,而是取決於全流程各環節完成度的協同水平,任一環節存在短板都會對最終影像價值產生影響。目前提升各環節能力的重要方法就是運用AI。
值得注意的是,相比過去停留在輔助診斷層面的AI醫療,「場景+數據+AI」三位一體的自我進化生態,正在成為AI醫療發展的下一個風口。
如由第三方醫學影像服務龍頭一脈陽光孵化的影禾醫脈,於2025年1月推出了全球首個跨模態醫學影像L0級基座模型「影禾覓芽®」。不同於市面上多數醫療AI公司調用通用大語言模型做提示詞工程或RAG檢索增強,影禾醫脈從零訓練視覺基座模型。
影禾醫脈的創新不在於做了一個大模型,而在於構建了一套讓模型「持續生長」的機制。
這套生長機制之所以可行,離不開一脈陽光沉澱多年的數據底座。截至2025年末,一脈陽光在全國20個省份運營117個影像中心,合作醫療機構超1100家,累計沉澱約2800萬例標準化醫學影像數據,存儲規模5PB,日均新增約2萬例。
一脈陽光所擁有的千萬級真實數據儲備,加上影禾醫脈從零訓練視覺基座模型的能力,共同構成了"場景+數據+AI"的生態基礎。
據瞭解,影禾醫脈提供完整的AI-DIY工具鏈,允許醫院基於本地數據對模型進行微調和自迭代。醫生在複覈修改AI報告時產生的反饋數據,可直接用於強化學習,實現「工作即訓練、使用即進化」。
影禾醫脈CTO張杏林表示:「客户拿到的是一個可以持續生長的基礎設施,而不是一個一成不變的靜態軟件。」
國際上也已有動作。美國影像連鎖巨頭RadNet於2026年3月以約2.693億美元收購歐洲AI公司Gleamer SAS;在澳大利亞,影像連鎖I-MED Radiology Network早期投資了「Harrison.ai」項目。
可以看出,醫學影像AI正在與線下連鎖服務場景進行深度捆綁,這或許正是醫學影像AI未來發展的風向標。