医疗行业现在都有啥AI工具？

医疗AI早就不是PPT里的概念了，而是实打实进了医院、诊所和药企的日常流程。从影像科的三维重建到急诊的分诊决策，从病历质控到新药靶点发现，工具已经细分成很多赛道。我按“辅助诊断、临床决策、文档处理、药物研发、患者服务、医院管理”六个维度梳理了目前真正在用的主流工具，最后会附上避坑建议。

一、医学影像辅助诊断：最成熟、落地最广的赛道

这可能是医疗AI里商业化最成功的领域，因为影像数据标准、标注相对清晰，且能直接帮医生省时间。

• 推想医疗（Infervision）：国内最早做AI影像的公司之一，主打肺结节、骨折、脑出血等筛查，已拿到NMPA三类证，覆盖上千家医院。它的特点是单机版部署，不依赖云端，适合数据不出院的场景。官网：https://www.infervision.com
• 数坤科技（Shukun）：专注心血管和脑血管影像，比如冠脉CTA的自动重建和斑块分析，能直接把原始CT数据生成三维血管树，医生测量狭窄率从20分钟缩短到3分钟。官网：https://www.shukun.net
• 鹰瞳Airdoc（视网膜影像）：用眼底照片筛查糖尿病视网膜病变、高血压、动脉硬化等慢病，设备只有一台便携相机，基层体检机构用得多。它的逻辑是“一张眼底照，评估全身血管健康”。官网：https://www.airdoc.com
• 深睿医疗（Deepwise）：覆盖肺、乳腺、心脑等多部位，比较强的是结构化报告生成，AI看完片子直接写好文字描述，医生改改签名就能出报告。官网：https://www.deepwise.com

这个赛道里，联影智能（United Imaging Intelligence）也值得关注，它背靠联影硬件，做的是扫描端AI，比如自动定位扫描范围、减少辐射剂量，属于“设备自带大脑”。官网：https://www.uii-ai.com

二、临床辅助决策与病历质控：医生最常用的“第二大脑”

这里不是替代医生诊断，而是帮医生查漏补缺，尤其是基层医生和年轻住院医。

• UpToDate（临床决策支持）：严格说它不是AI，但它的循证医学知识库是所有医疗AI的“地基”。现在它整合了AI搜索，用自然语言问“糖尿病患者合并心衰该用什么药”，它会给出分级推荐和证据等级。收费约每年2000-3000元/账号，很多三甲医院买了全院license。官网：https://www.uptodate.com
• 惠每科技（Huimei）：基于梅奥诊所知识库做的CDSS（临床决策支持系统），主要嵌入医院HIS系统，在医生开医嘱时实时弹窗提示药物相互作用、禁忌症、剂量错误。它的特点是和电子病历深度集成，不是独立软件。官网：https://www.huimeihealth.com
• 森亿智能（Synyi）：主打病历质控和单病种管理，用NLP（自然语言处理）自动读取病历文本，检查是否漏写、逻辑矛盾、诊断依据不足。比如一份出院小结，AI能自动核对“诊断是否与检查结果匹配”。官网：https://www.synyi.com
• 左手医生（Zuoshou）：做诊前问诊和智能分诊，患者在微信小程序或APP上先跟AI对话描述症状，AI生成结构化病史，直接推给接诊医生。适合门诊量大、需要预问诊的医院。官网：https://www.zuoshouyisheng.com

三、医疗文书与语音录入：解放双手的刚需

医生每天花大量时间写病历、查房记录、手术记录，这块AI工具效率提升最明显。

• 云知声医疗（Unisound）：医疗版语音输入法，支持专业医学术语识别，比如“美托洛尔”“肺栓塞”不会识别错。医生戴着麦克风说话，文字直接进电子病历，准确率能做到95%以上。官网：https://www.unisound.com
• 科大讯飞医疗（iFlytek Health）：旗下智医助理不仅做语音录入，还能在基层帮医生做慢病随访、体检报告解读。它的核心是“AI全科医生”，在安徽、西藏等地的乡镇卫生院用得很多。官网：https://www.iflyhealth.com
• 一脉阳光（Aceso）：专注于影像报告审核，AI自动检查报告里的错别字、漏项、前后矛盾。比如报告写了“左肺上叶结节”，但影像描述里写的是“右肺”，AI会直接标红提醒。官网：https://www.ayisun.com

四、药物研发与基因分析：药企和科研机构的“军备竞赛”

这是医疗AI里单笔金额最大的赛道，因为新药研发动辄10年、10亿美金，AI能压缩时间和成本。

• 英矽智能（Insilico Medicine）：用AI设计靶点、生成化合物分子结构。它的核心是生成式AI，直接“画出”新分子，而不是从海量库里去筛。2023年它的一款特发性肺纤维化药物已进入临床2期，从靶点到临床只用了18个月，传统方法至少要5年。官网：https://insilico.com
• 晶泰科技（XtalPi）：做药物晶型预测和固相筛选，用AI+量子物理计算预测药物分子的稳定形态。它能帮药企省掉大量试错实验，辉瑞、礼来都是客户。官网：https://www.xtalpi.com
• 深势科技（DP Technology）：主打分子动力学模拟，用AI加速蛋白质折叠和相互作用计算，适合做靶点结构解析。它的开源软件“Uni-Mol”在学术界用得比较多。官网：https://www.dp.tech
• 基因检测类：华大基因（BGI）的“GigaScience”平台用AI做基因变异注释和致病性预测，但更多是科研服务。如果要说消费级，23andMe（官网：https://www.23andme.com）用AI做遗传风险评估，不过它更适合欧美人群。

五、患者服务与健康管理：离普通人最近的AI

这些工具你可能已经用过，只是没意识到背后是AI。

• 百度灵医（Baidu Health）：在百度APP里搜症状，会出来AI预诊，它整合了权威医学知识库，能给出就医科室建议和紧急程度提示。免费，但仅供科普参考，不能替代医生诊断。官网：https://yi.baidu.com
• 腾讯觅影（Tencent Miying）：除了影像AI，它还有AI辅诊功能，比如在微信小程序里做青光眼筛查、帕金森手抖测试，用手机摄像头就能完成基础评估。官网：https://miying.qq.com
• 医联（Medlinker）：做互联网医院+AI慢病管理，比如糖尿病AI助手，会根据患者血糖记录调整饮食建议，并提醒复诊。官网：https://www.medlinker.com
• 商汤科技（SenseTime）的“SenseCare”：主打AI健康咨询机器人，部署在医院公众号或APP里，能回答“术后多久能洗澡”“这个药能不能和饭一起吃”这类高频问题，减少护士咨询压力。官网：https://www.sensetime.com

六、医院运营与医保控费：管理者喜欢的AI

这块普通患者感知不到，但直接影响医院效率和医保基金安全。

• 万达信息（Wonders）：做DRG/DIP医保支付AI，自动分析病历，预测病例分组，帮医院避免医保拒付。现在公立医院都在搞DRG付费，这个工具基本是标配。官网：https://www.wonders.com
• 医渡科技（Yidu Tech）：做医院大数据平台，把HIS、LIS、影像、病历数据打通，用AI做科研队列筛选、运营指标监控。比如“找出近三年用某药后肝功能异常的患者”这种问题，AI几分钟就能跑出数据。官网：https://www.yiducloud.com
• 东软望海（Neusoft Wanghai）：专注医院成本核算和绩效管理，AI能自动归集科室成本，算出每个病种的盈亏，帮院长做精细化管理。官网：https://www.wanghai.com

避坑建议：医疗AI的“灰区”与局限

看到这里你可能会觉得医疗AI已经无所不能，但作为从业者，我必须泼几盆冷水。

第一，AI不能诊断，只能辅助。目前所有获批的医疗AI产品都是“辅助诊断”类，也就是说最终诊断权在医生手里。如果你看到宣传说“AI代替医生看病”，基本是忽悠。

第二，数据质量决定AI上限。很多AI在顶级三甲医院表现好，但到了基层医院，因为设备型号不同、操作不规范、病历书写潦草，准确率会明显下降。所以选工具要看是否支持本地化部署和适配现有设备。

第三，收费模式要问清楚。有的AI按“次”收费（比如每张影像5-10元），有的是年费制（几十万到几百万不等），还有的是跟设备绑定赠送。一定要算清单次使用成本和年化总成本，别被“免费试用”套路。

第四，注意合规资质。国内医疗AI必须拿到NMPA三类医疗器械注册证才能在医院正式收费使用。如果一家公司只拿了二类证或者连证都没有，只能用于科研，不能用于临床诊断。查资质可以上国家药监局官网搜产品名称。

第五，别忽略“人机协同”的培训成本。再好的AI，如果医生不用、不会用、不信任，就是摆设。选工具时看对方有没有落地培训团队，而不是只卖软件。

小结：按场景选工具，别追热门

如果你是医生，优先考虑影像辅助（推想、数坤）和病历质控（森亿）；如果你是医院管理者，看医保控费（万达信息）和运营分析（医渡）；如果你是药企研发，直接找英矽智能或晶泰科技谈合作；如果你是普通患者，用百度灵医或腾讯觅影做初步了解就够了，别指望AI给你开药方。

最后说一句：医疗AI的本质是“增强医生”，而不是“替代医生”。工具越先进，对医生的判断力要求反而越高，因为AI会给出建议，但责任永远是人的。

相关问题

1. 医疗AI的NMPA三类证到底有多难拿？
非常难，通常需要2-3年临床验证，要有足够样本量的前瞻性研究，而且审批标准逐年提高。这也是为什么很多AI公司拿不到证只能做科研服务。

2. 为什么美国医疗AI（如Google Health）在国内用得少？
因为国内医院数据不出院、国外模型训练数据跟中国人群有差异，而且合规要求不同。所以国内医疗AI基本都是本土企业主导。

3. AI会先取代影像科医生还是病理科医生？
都不会完全取代，但会先改变工作流程。影像科AI做筛查和测量，病理科AI做免疫组化定量分析，医生更多做复杂病例和最终决策。

4. 个人开发者或小团队有机会做医疗AI吗？
有，但门槛很高。建议从特定小场景切入（比如皮肤镜图像分类、心电图分析），先做科研验证，再考虑临床转化，不要一开始就想做全科诊断。

5. 医疗AI的数据隐私问题怎么解决？
目前主流做法是联邦学习和本地化部署，即模型在每家医院内部训练，只共享参数不共享原始数据。国内政策要求核心数据不出院，所以云服务模式在公立医院很难推开。