21专访丨开立医疗AI首席科学家周国义：医疗智能的最高水平是人机共检

AI科技 2025年10月23日 01:35 0 admin

“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。

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。”

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，其数据来源于多区域、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。

在“荒原”时期攻坚AI

《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。

医疗AI落地关键

《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》：开立的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。