顱腦CT智能體：醫療AI的"收費時刻"到了嗎

「看一份顱腦CT片子需要多久？」

北京天壇醫院醫學影像科主任劉亞歐的日常里，這個問題的答案是15分鐘——熟練醫生從調閱影像到敲完報告的標準節奏。復雜病例20分鐘打底，這是人腦處理顱腔內上百種可能病變的極限。

今年4月，一款名為「顱腦CT超級智能體（小君醫生2.0）」的AI產品在同一科室上線測試。同樣的工作，它用時不到1分鐘。

94種顱腦相關疾病覆蓋、87.8%主要診斷準確率、超90%病例經審核醫生一字不改即可采用——這組數據讓2026年4月28日的一脈陽光戰略發布會有了實質性支撐。這款被定位為「全球首個全病種覆蓋的檢查項目級智能診斷助手」的產品，正在把醫學影像AI從「單病種工具」推向「檢查項目級智能基礎設施」的新階段。

但比技術參數更值得追問的是：當AI終于能獨立完成一份收費級別的診斷報告，醫療AI的商業邏輯是否迎來了真正的拐點？

正方觀點：這是醫療AI的范式革命，臨床價值已經閉環

支持者的論據首先來自供需缺口的剛性。

中國影像科醫生的年增速約4%，檢查量增速卻超過30%�；鶎痈鼑谰糠挚h醫院影像科僅兩三個人，二十四小時倒班，報告積壓到第二天是常態。而顱腦CT恰恰是急診最高頻的檢查之一：腦出血、腦梗、顱腦外傷，每多等一分鐘，臨床決策就滯后一分鐘。

「顱腦CT超級智能體」的回應是直接替換工作流中最耗時的環節。劉亞歐的描述很具體：「打開PACS系統，點擊影禾醫脈的報告按鍵，一鍵自動生成結果，醫生只需要審核、引用即可�！�

這種人效比的躍升，被定義為醫學影像AI的第三階段。

第一階段是單病種識別，一個模型找一個��；第二階段是單部位多病種，如2024年波士頓創業公司a2z Radiology AI的腹盆部CT系統，單次掃描檢出7種急癥，2025年底獲FDA批準；第三階段則是以檢查項目為單元，覆蓋所有解剖結構、所有病種、完成完整交付——從「標個框」到「寫篇報告」。

影禾醫脈的路徑提供了時間坐標：2025年10月聯合華西醫院發布胸部CT路徑級輔助診斷工具AIR，覆蓋肺、胸膜、縱隔等多器官全病灶檢測；短短半年后，顱腦CT超級智能體實現從「檢出」到「撰寫完整報告」的功能躍遷。同一生產主體的快速迭代，被業內視為將行業拉入「醫學影像通用AGI 3.0時代」的標志。

技術層面的支撐同樣具體。影禾醫脈的兩塊核心積木：自研「影禾覓芽?」醫學影像基座大模型（L0級全模態基座，覆蓋全身200余種常見病），以及全鏈路AI Agent矩陣（負責診斷邏輯的工作流編排）。基座提供認知能力，Agent矩陣負責拆解協同，兩者咬合實現「一次輸入、完整輸出」。

更關鍵的是數據底盤。一脈陽光百余家影像中心千萬體量的真實臨床數據，通過「顱腦CT核心定義表」完成標準化標注后反哺模型訓練——這不是實驗室的干凈樣本，而是帶噪聲的真實世界數據。

臨床落地的完成度是另一塊壓艙石。與a2z Radiology AI的腹盆部成績相比，顱腦CT的客觀難度更高：顱腔內腦實質、腦血管、腦室系統、顱骨結構交織，病變從毫米級動脈瘤到跨越半球的占位性病變，影像表現�；ハ嗄７隆Ｄ茉谶@一部位實現「像醫生一樣全面評估」，且直接生成結構化報告，意味著技術可靠度已跨過醫院采購的心理門檻。

首都醫科大學附屬北京安貞醫院醫學影像科主任徐磊的總結指向商業模式的質變：影像科醫生借助AI，從報告書寫者轉變為AI創造者、訓練者、復核者，「能夠借助數字分身實現經驗復制與24小時服務」。

當AI產出達到「審核即可引用」的質量，且能嵌入現有PACS工作流，「收費」便不再是概念驗證，而是可執行的臨床服務。

反方觀點：技術躍遷不等于商業閉環，醫療AI的付費困境從未真正解決

質疑者的切入點是歷史經驗。

醫療AI行業「不差一組漂亮數字」。過去幾年，拿三類證、開新品發布會的產品排著隊來，但大多數普通人仍不清楚自己為什么需要關注這件事——這本身就是問題的表征。技術參數與臨床采納之間，隔著漫長的驗證周期；臨床采納與可持續付費之間，又隔著醫保、定價、利益分配的多重迷宮。

「87.8%主要診斷準確率」在學術語境中 impressive，但在急診場景下意味著每10個病例就有1個需要人工深度介入。對于顱腦CT這類高 stakes 檢查，臨床容忍度可能更低。AI節省的時間，是否足以覆蓋糾錯成本？這個賬，不同醫院的算法不同。

工作流整合的 friction 被樂觀敘事低估。劉亞歐描述的「一鍵生成」建立在PACS系統改造、數據接口打通、醫生操作習慣重塑的基礎上。天壇醫院作為研發參與方，有動力也有資源完成這套基礎設施升級；但全國數千家二級以上醫院、數萬家基層醫療機構的IT成熟度參差不齊，復制成本幾何？

更深層的問題是價值歸屬。徐磊所說的「數字分身實現經驗復制」，本質上是在追問：當AI學習了資深醫生的診斷邏輯，產出的報告價值歸誰？醫院購買的是軟件授權、按次服務費，還是醫生經驗的「租讓」？這些問題的法律框架至今模糊。

影禾醫脈的技術架構——基座大模型+Agent矩陣——也帶來新的成本結構。L0級全模態基座的訓練與維護需要持續投入，而醫療場景的長尾需求（罕見病、復雜變異）意味著模型迭代不會停止。這與傳統醫療軟件「一次性開發、多年維護」的商業模式截然不同，更接近云計算的持續運營邏輯。醫院是否準備好為「AI服務」而非「AI產品」付費？

國際參照同樣復雜。a2z Radiology AI的腹盆部系統獲FDA批準，但美國市場的商業路徑（按掃描量付費、納入DRG打包定價）能否在中國復制？中國醫療AI的付費歷史上，軟件進院難、定價低、回款周期長是常態，「收費智能體」的概念再好，也需要逐個攻破這些老問題。

還有一條暗線：當AI能生成完整報告，醫生的角色被重新定義，這種重新定義是否被醫生群體接受？「從書寫者到審核者」的轉變，在效率敘事中是升級，在職業認同敘事中可能是降級。醫療AI的采納從來不只是技術問題，更是組織變革問題。

我的判斷：這是醫療AI從「工具」到「基礎設施」的關鍵一躍，但商業化的勝負手在院外

顱腦CT超級智能體的真正意義，不在于它比其他產品快多少分鐘，而在于它重新定義了「完成度」的標準。

此前的醫療AI產品，無論單病種還是單部位多病種，本質上是「輔助工具」——醫生仍是決策主體，AI提供參考信息。而「檢查項目級智能體」的目標是直接交付可審核、可引用、可收費的診斷報告，這相當于把AI從「副駕駛」挪到「駕駛位」，醫生轉為「安全員」。這種角色關系的翻轉，是范式革命的核心。

但范式革命不等于商業成功。醫療AI的歷史上，技術領先而商業折戟的案例比比皆是。顱腦CT超級智能體的差異化優勢，在于它選擇了一個「難而正確」的切入口：顱腦CT的臨床價值極高（急診剛需）、技術難度極大（行業共識）、供需缺口極深（基層尤甚）。這三個「極」構成了付費意愿的護城河。

一脈陽光的布局值得細究。作為影像服務運營商，其百余家影像中心既是數據源頭，也是潛在應用場景。這種「數據-模型-場景」的閉環，比純技術公司的線性推廣更具網絡效應。當AI智能體在一脈陽光自有網絡中跑通付費模式，再向外部醫院輸出時，已有可驗證的ROI案例。

然而，真正的勝負手可能在院外。中國醫療體系的結構性矛盾——優質影像診斷資源集中于頭部醫院，而檢查需求大量沉淀在基層——意味著「AI替代醫生」的敘事在頂級醫院敏感，在基層醫院卻是剛需。顱腦CT超級智能體若能以「遠程診斷服務」而非「軟件銷售」的模式進入基層，按診斷量分成，或許能繞過傳統醫療軟件的商業陷阱。

另一個變量是醫保。診斷服務的AI化定價，目前尚無全國統一標準。但DRG/DIP支付改革的推進，正在倒逼醫院關注診斷效率和成本。AI生成的結構化報告，若能在質控、編碼、臨床路徑管理上創造可量化的價值，醫保談判的籌碼便會增加。

技術層面，「影禾覓芽?」基座大模型的L0級定位（全身200余種常見�。┌凳玖烁蟮囊靶�。顱腦CT是驗證場景，若能在這一最難部位證明可靠性，向其他部位、其他模態（MR、X線）的遷移將加速。這種「單點突破-快速復制」的策略，符合醫療AI規�；膬仍谶壿�。

但風險同樣真實�；竽Ｐ偷摹负谙洹固匦耘c醫療可解釋性要求的張力，Agent矩陣在多科室協同中的邊界模糊，罕見病覆蓋不足導致的 liability——這些都是從「演示」走向「規�！贡仨毣卮鸬膯栴}。

回到開頭的問題：顱腦CT智能體的「收費時刻」到了嗎？

我的看法是，它到了「可以收費」的技術節點，但尚未到達「愿意付費」的商業均衡。天壇醫院的臨床落地是0到1，一脈陽光的網絡復制是1到10，而真正的10到100，取決于能否在基層市場找到可持續的付費模型，以及在醫保談判中確立AI診斷服務的價值坐標。

這不是悲觀。醫療AI的每一次范式躍遷，都伴隨著類似的質疑與驗證。顱腦CT超級智能體的價值，在于它把「驗證」的門檻抬到了「完整報告」的高度——這比「輔助診斷」難得多，也比「輔助診斷」值錢得多。剩下的，是商業化的耐心與制度創新的空間。