“传统的方法，我们可能用传统气管镜或是经皮，距离非常之长，相当于踢足球设一个超远距离的世界波一样，大多数情况下踢不进，偶尔踢进的话，你就觉得很满堂彩。”

中山大学附属第一医院呼吸与危重症医学科副主任廖槐教授用这个比喻，描述的是肺外周结节诊疗的传统困境——病灶近在咫尺，中间却隔着组织，没有自然气道通向它，医生只能靠经验“盲穿”。而机器人支气管镜的出现，让这个动作变成了“把球放在球门口，近距离瞄准穿刺”。

这是第四届香港具身智能医疗科技论坛上一个生动的临床切口。9月22日至23日，这场由中国科学院香港创新研究院人工智能与机器人创新中心（CAIR）主办、香港科技园公司协办的论坛在香港科学园举行。作为衔接临床医学与前沿科技的重要国际交流平台，本届论坛主题是“医疗AI商业化之路”。近300名专家学者、医院管理者和权威临床医生以及产业资本代表，共同探讨医疗AI的临床实践之路：AI到底帮医生解决了什么麻烦？它离真正进入科室工作流还有多远？又被什么卡住了？

肺结节诊疗：AI机器人带来的改变

廖槐教授的切入点是肺外周结节。这类病变在临床上非常常见。肺癌或一些特殊感染，在早期阶段常常表现为肺部外周结节。临床主要依赖胸部影像，特别是高分辨率CT去发现，但影像只是形态学特征，具体是什么疾病、什么类型，还需要精准的病理学分析和病原微生物学分析。

传统气管镜的麻烦在于，它依赖自然气道腔道，不能往各个方向抵达。有些结节或病变长在肺实质里，并没有一条路，“它可能就近在咫尺，但中间隔了墙，不能透视，也就无能为力。”

传统方法会选择经皮肺穿刺活检，用超声或CT引导，这是目前临床主流方式之一。但经皮肺穿刺虽然简单直接，也带来较高并发症风险，包括气胸、出血等；如果病灶太小，比如1厘米以下，很难穿中，因为位置会随着呼吸移动；结节位置比较深时，这个办法也无能为力。

机器人支气管镜改变的是“最后一厘米”的抵达方式。廖槐教授介绍，机器人可以经气管、支气管到达离结节非常近的距离，通过影像重构告诉医生结节处在哪个方位：偏头侧还是偏足侧，偏内侧还是外侧，偏腹侧还是背侧。从六个方向准确定位后，微调机器人导管指向结节，再用穿刺针或冷冻探头，按指示距离准确穿刺活检。“相当于踢足球时，把球放在球门口”

AI带来什么改变？他用“步枪到狙击枪”比喻这种变化：以前拿粗糙的步枪，现在有精密狙击枪，可以射得更远更准。传统需要高年资、临床经验才的医生才能进入三四级支气管，现在学习曲线会更短，效率、安全性更高。

中山一院去年10月在华南地区率先落地机器人支气管镜系统，目前已完成接近50例。适用人群上，廖槐教授认为，肺功能很差、没有手术机会或手术代价大的患者很适合，部分病灶甚至可以在检查时进行局部消融手术处理，就像做胃肠镜割掉肠道息肉一样。

CARES 4.0：从单点模型到“科室智能体”

如果说廖槐展示的AI给临床末端带来的具体改变，那么CARES 4.0的发布，展示的是系统平台端的野心。

在本届论坛上，CAIR重磅发布自研的多模态临床智能体系统CARES 4.0。该系统依托Harness智能体框架构建，底层搭载自研CT、核磁、超声、内镜、脑电多模态医疗基座，打破传统单点医疗AI模型的局限，深度嵌入医院临床工作流，作为医生的智能伙伴，覆盖诊疗、科室管理、医学科研全链条场景。

CAIR研究员易东在发布演讲中介绍，CARES 4.0相比3.0版本，更强调系统级智能能力，包括软件动态调度能力，以及不同模型、工具之间的协同能力。系统构建了多层记忆体系：医疗指南、专业知识体系属于通用知识层；医院特定高质量病例数据、历史设备数据及临床经验数据属于医院专属数据资源层；还有相对短期的任务记忆，根据医生当前任务动态调用信息。

临床应用层面，CARES 4.0 已在多家三甲医院完成落地验证。诊疗场景中，可实现从患者主诉、影像检查、病理评估直至最终确诊的全流程辅助诊断；科室管理场景下，支持自然语言交互查询，自动汇总设备负荷、病种分布等资讯，一键生成科室运营报表；医学科研场景中，能够针对临床专病数据集开展多维统计分析，训练简易机器学习模型，输出可直接润色、用于论文投稿的分析报告。系统配套临床高质量数据沉淀平台，可自动完成院内多源数据清洗、质检与结构化沉淀，为 AI 持续迭代夯实数据底座。

更值得关注的是“科室智能体”的设想。易东透露，团队正准备注册公司，把偏软件、智能体和大模型的部分包装成“科室智能体”。为什么做科室智能体？因为医院层面的系统竞争激烈，而且医院层面积累在HIS系统和影像系统里的数据，跟科室需求脱节。科室得花很多力气从医院系统里把需要的信息拖下来，再做整合。科室智能体可以自动从医院层面把高质量数据汇总到科室，医生也可以用自然语言下命令，然后指导科室具体工作，“相当于医疗版的workbuddy。”

CARES 4.0的临床数据也在论坛上被披露。CAIR主任刘宏斌研究员在主旨演讲中分享：EchoCare在超声肿瘤诊断内部数据集准确率约92%，外部多中心约90%；SurgMotion在十个公开数据集上准确率约72%；病理诊断项目重新训练后在大规模筛查任务中达到约98%准确率，超过经验丰富医生平均约94%的水平。广东三九脑科医院放射科智能体系统部署后，超过7000名患者使用，医生报告撰写时间减少约30%—34%。

商业化现状：拿证与支付落地的距离

医疗AI的商业化落地备受关注。中国科学院自动化研究所副所长吕品在论坛致辞中给出数据：截至2025年10月，国家药品监督管理局已批准超过110款基于深度学习的第三类医疗器械软件产品；累计获批的AI医疗器械数量已超过200个。更重要的变化发生在支付端——2026年4月，AI辅助诊断服务正式纳入国家医保乙类服务，商业闭环的“最后一公里”进一步打通。吕品认为，技术成熟、审批通畅、支付落地三件事同时具备，在历史上并不多见。成果转化重点需要从追逐热点转向解决真实问题，从临床实际需求出发，做好技术选题、工程化开发及注册路径设计。

但拿证不等于商业化。易东在专访中指出，此前市场上获批的部分三类证辅助诊疗AI系统，在临床应用情况并不理想。“问题可能还是准确率不太够，或者泛化性不太够。传统路子基于单中心或少数医院数据训练，到新的医院之后性能会急剧下降。”

易东也坦言，CARES 4.0看起来能力很强，但商业化落地仍处在早期。现阶段与三甲医院的合作仍以科研项目为主，与私立医院的商业化合作也在逐步推进中。

数据瓶颈：模型到新医院为何“掉链子”

数据是医疗AI领域反复被提到的关键词。但数据孤岛问题仍是当下一大卡点。

易东认为，如果解决数据问题，医疗垂直模型有可能追上通用模型的迭代速度。“现在医疗垂直模型差不多每年迭代一个版本，跟数据有关系；通用大模型基本上一两个月一个版本。因为医疗模型没有那么多新的反馈、新的数据，而且数据分散，到不同医院部署完之后反馈是分散的，得花时间整合，工作量比较大。”

廖槐也从临床角度提到数据问题。他认为，医院临床的数据质量和标准化程度仍有提升空间，未来需要把大量病例数据、门诊数据、手术数据进一步标准化。更重要的是，人工智能工程师和临床医生必须真正合作，因为工程师和医生是两个不同领域的大脑，如何让双方带着共同目标沟通非常关键。他还提出责任问题：当AI辅助诊断或者治疗出现问题时，责任由谁承担？医生会不会认为这是AI系统的问题？工程师会不会认为这是医生使用的问题？尤其在手术规划、治疗方案等关键环节，责任问题必须提前考虑。

AI医疗的前景：工具、伙伴和系统

论坛上，多位专家从超声、护理、睡眠、血管、主动脉、手术机器人培训、具身智能等方向分享了AI进展。这些方向共同指向一个趋势：AI正在从影像辅助、报告生成，走向诊疗全流程、科室管理、手术术中提示和术后教学。

AI医疗的进化路线日渐清晰。在临床末端，以肺外周结节为例，AI和机器人先解决的是“够得着、看得清、穿得准”的问题。但廖槐反复强调，AI和机器人始终是医生的得力助手、法宝和辅助地位，人不能或缺。

在系统平台端，CARES 4.0和“科室智能体”试图解决的是另一个问题：AI不能只做一个孤立的模型，而要进入科室工作流。它要能自动汇总HIS、PACS数据，能用自然语言接受指令，能把高频需求沉淀成skill，能同时服务诊疗、科研和管理。易东总结说，医疗AI发展，第一阶段是工具，第二阶段是副驾驶，第三阶段是伙伴。他认为“伙伴”这个概念更符合医疗场景，因为医疗需要人性化，需要充分考虑医生和患者的体验。

但这条路上还有三道坎。第一道是数据：模型泛化性不足、医院伦理审查和接口审批周期长，都制约AI规模化落地。第二道是责任：AI出错谁负责，医生、工程师、医院还是厂商？第三道是商业闭环：科研项目能支持早期开发，但长期商业化需要注册证、支付方和临床价值共同支撑。

“未来会大浪淘沙，只有真正有用的AI工具才能留下来。”廖槐教授认为。AI医疗的下一程，不是简单追求“自动做手术”或“虚拟医生”，而是让AI成为医生高效、可靠、可审核的工具和伙伴，在真实临床场景中解决具体问题，并建立起数据、责任、支付和监管的完整闭环。

南方+记者 严慧芳

【作者】 严慧芳

【来源】 南方报业传媒集团南方+客户端