AI影像内卷严重，下一个突破口在哪？

作者：医洲团队

更多行业干货，找产品，找资源，找渠道欢迎加入医疗科技产业人专属交流社区：【医洲产业圈】知识星球（戳我），这里有你需要的。

那些曾经被资本热捧的AI影像公司，如今正陷入同质化竞争的泥潭，而真正的变革正在技术底层悄然发生。

01 内卷困局：从蓝海到红海的十年轮回

2026年的中国医疗AI影像市场，正经历着一场深刻的结构性调整。

根据智研咨询的数据，2024年中国人工智能+医疗影像行业市场规模为76亿元，同比增长109.94%。这一数字看似亮眼，但背后却隐藏着行业发展的隐忧。

中商产业研究院的预测显示，2025年中国AI医学影像市场规模将超150亿元，2026年将达235.7亿元。市场规模在快速扩张，但竞争格局却日趋同质化。

截至2024年6月，已有92款AI医学影像产品获批NMPA三类证，主要涵盖心血管疾病、肺部疾病、脑血管疾病、骨科检查、眼底疾病、乳腺疾病等。

其中，心血管疾病27款，占比29.3%，肺部疾病24款，占比26.1%。深睿医疗、数坤科技各有13款AI医学影像产品获得NMPA三类证，推想医疗8款，联影智能7款。

这种“扎堆”现象导致了严重的同质化竞争。设备厂商如联影医疗和万东医疗依托硬件优势构建“设备+AI”一体化生态；纯AI企业如推想科技和深瞳科技以算法为核心提供订阅服务；互联网巨头如腾讯觅影、百度灵医整合大数据布局C端+B端双线模式。

然而，商业模式却面临严峻挑战。曾经被寄予厚望的“按例收费”模式被证明是难以落地的伪命题，多数产品最终沦为按套销售的系统工具，且作为二类医疗器械，其售价仅维持在几万元至十几万元区间。

伴随市场竞争的白热化，部分企业甚至以免费模式抢占市场，进一步加剧了商业模式的崩塌。

02 技术瓶颈：单点突破难以满足临床全流程需求

传统影像AI多采用针对单一部位、单一病种的专用模型，如肺结节、眼底病变检测等。这种“窄AI”范式存在固有缺陷：研发成本高、泛化能力差，模型在不同医院、不同设备间的表现可能大幅下滑。

更重要的是，它加剧了“数据孤岛”。每个厂商的模型都是封闭的“黑箱”，其训练和优化依赖私有数据，难以跨机构协作与持续进化。

中国科学院杭州医学研究所的石磊教授指出，临床需要的并非针对单一病灶的孤立识别，而是对特定解剖区域进行整体评估的服务。

然而，现实却是市场上充斥着肺结节软件、脑梗死软件等聚焦单病种、单征象的碎片化工具。这种单点突破的研发路径与影像科医生需要全面阅读影像、综合分析、发出完整报告的服务模式和工作链条相去甚远。

数据显示，2025年医学影像AI阅片时间较人工缩短53%，病灶检出率提升17.6%，召回和活检的阳性预测值分别高出18.3%和9.3%。

但这些效率提升往往局限于特定场景，未能深度融入诊疗全流程。一、二级医院中近半数医生已使用AI临床决策支持系统，11-15年工作年限的医生使用率高达72.7%，但场景化AI工具仍被视为可有可无的“外挂”工具，而非必需品。

03 支付困境：价值与收费通道的断裂

中国缺乏类似美国那样的、为AI辅助诊断单独设立的医保支付代码体系。医院采购AI软件，无法通过医疗服务项目向患者或医保收费，只能将其成本摊销在检查费中或动用医院自身的信息化预算。

这使得采购行为变成纯粹的成本中心。当预算紧张时，价格高昂的专用软件自然成为首先被削减的对象。

数据显示，3000家医院中仅3%愿意为影像AI产品付费，部分企业产品进驻300家医院后，因无收费代码被迫免费开放，最终因现金流断裂陷入经营危机。

产品价值与支付通道的断裂，使得任何按例收费或高额授权的设想都沦为空中楼阁。

04 突破口一：从“单点工具”到“全流程智能体”

2026年医疗AI影像的核心技术突破，集中体现在多模态大模型的规模化应用，彻底打破了传统AI“单模态依赖”“泛化能力弱”的技术瓶颈，构建起“影像-文本-临床数据”协同分析的全新范式。

联影智能于2025年推出的元智医疗多模态大模型，成为行业技术革新的标杆。该模型以五大核心架构构建技术基座，其中影像大模型依托数千万级医疗影像训练数据与数十万级精细标注，300余项影像分割任务准确率超95%。

其创新的多模态融合能力实现了“看、听、想、读”的协同赋能，例如通过文本大模型就可以注入医学专业知识；视觉大模型支持4D建模等全场景视觉需求，为临床提供更丰富的分析维度。

这种技术架构的革新，核心在于通过跨模态数据关联，建立病灶间的全局视野，弥补了传统AI“见木不见林”的短板。

NVIDIA最新发布的《2026年医疗健康与生命科学AI现状报告》显示，行业对自主决策系统的接受度远超预期：47%的受访者表示所在组织已经在使用或正在评估AI智能体，其中22%已实际部署，另有19%计划一年内部署。

智能体应用场景中，医疗技术板块的知识管理用例占比47%，文献综述40%。这表明AI正在从被动工具向主动协作者转变。

05 突破口二：从“辅助诊断”到“预后预测”

2026年正在进行的一个重大概念转变，是从将影像作为纯粹的诊断工具，转向将其作为预后和预测资源。

影像组学和机器学习方法从扫描图像中提取肉眼不可见、但与疾病行为相关的量化模式。这些技术已在肿瘤学中探索，用于预测治疗反应、复发风险和可能的生存轨迹。

在心血管医学中，影像生物标志物被用于评估哪些斑块最有可能破裂，以及哪些患者有进展为心力衰竭的风险。

影像不再仅仅显示疾病今天的样子，而是开始为临床医生提供它明天可能如何演变的线索。

这一转变与精准医疗的理念紧密契合。预后影像支持基于风险分层的治疗规划，帮助医生使治疗方案与每位患者的生物特征相匹配。

随着这些工具在2026年走向成熟，预计将有更多影像报告在传统描述性发现之外，包含量化指标和预测性见解。

06 突破口三：从“三甲医院”到“基层普惠”

随着基层医疗能力提升和政策推动，医学影像AI将加速向县域医院、社区卫生服务中心渗透。

县域医共体合作通过“AI+远程诊断”模式，县域医院AI系统实时上传影像至上级医院，由AI辅助诊断并生成报告，上级医生仅需复核关键病例，实现“基层检查、上级诊断”的分级诊疗，2025年预计覆盖80%的县级医院。

多病种筛查包针对基层常见病，如肺结节、糖尿病视网膜病变、骨折，AI系统开发“多病种联合筛查包”，单例检查时间从30分钟缩短至10分钟，降低基层设备和人力成本。

政策层面的持续加码为产业发展提供关键支撑。医保局首次将AI辅助诊断纳入立项指南，五部门明确8大应用场景、24项具体举措，推动AI影像从“院内试点”走向“规模化普及”。

截至2025年4月，国内排名前100的医院中98家已完成大模型部署，33家医院研发出55个垂类大模型，形成“通用模型理解需求+专用工具解决场景问题”的“通专融合”发展格局。

07 突破口四：从“数据孤岛”到“联邦学习”

医疗数据的高度敏感性导致了严重的“数据孤岛”问题，医院数据难以外泄。联邦基础模型为此提供了破局思路，它结合了联邦学习与提示微调技术。

具体而言，该方案将庞大的基础模型保留在各医院内部，仅传输轻量级的Prompt或LoRA参数进行协同训练。这种“系统+算法”的结合方式，既有效保护了患者隐私，又显著节省了网络带宽，成为利用多中心数据训练强大模型的理想路径。

2025年，英国生物样本库完成10万名参与者影像学数据采集，构建出全球最大、最详尽的人类健康影像数据集。

该数据集覆盖全身磁共振、心脏成像等多模态影像，联动遗传、临床及生活方式数据，形成完整健康图谱。

项目为大规模影像生物标志物研究提供支撑，助力早期疾病检测与健康预测，更成为AI模型训练的核心资源。

其丰富性与多样性，为开发稳健可泛化的医疗AI算法奠定基础。目前已有超1300篇同行评审论文依托该数据集发表，打通了人群影像学、临床转化与高级分析的壁垒，成为精准医疗关键数据底座。

08 突破口五：从“影像单一”到“多模态融合”

放射科作为医学影像领域的核心学科，AI技术的应用，为医学影像的获取、处理、分析与诊断带来革命性变化。

截至2024年6月，国家药品监督管理局已批准92款AI医学影像辅助诊断软件，覆盖胸部CT肺结节检测、头颈CT血管成像血管评估、骨折识别等多个场景。

AI在放射科的深化应用正逐步走向“系统化”与“全链条”。例如，在肺癌早期筛查中，AI可实现直径4 mm及以上肺结节的自动识别、特征分析与风险分级，并支持全病程智能随访。

在冠状动脉CT血管成像、脑卒中影像评估中，AI能够快速完成血管重建、狭窄判断与斑块分析，为临床决策提供结构化、量化依据。

未来，AI在放射科的发展应更加注重多模态数据融合与临床路径嵌入。通过集成CT、MRI、PET等多源影像信息，结合临床、基因组与随访数据，构建疾病全景画像，助力放射科实现从“影像诊断”到“影像预后”的跨越。

09 技术前沿：三维分割与可追溯诊断

在医学影像分割领域，SAM已成为过去式，研究前沿已转向更具挑战性的3D Volumetric SAM。针对CT和MRI等3D数据，核心难点在于如何保证三维空间内分割的一致性，并精准识别如早期肿瘤般的极小病灶。

结合交互式分割技术，即医生仅需在病灶上点击，AI便能自动完成精准分割，这被视作最贴近临床实际需求的应用场景，能极大提升医生的诊断效率。

未来的医疗AI不仅能看片子，还能独立撰写诊断报告。这种多模态报告生成模型，能够融合CT影像、血液生化指标及病人的主诉信息，输出一份结构完整、逻辑清晰的诊断报告。

为了杜绝AI可能产生的“医疗幻觉”，CVPR 2026年的研究热点是“证据根基”。该技术要求AI生成的每一句诊断结论，都必须在原始影像上精确框出对应的病灶区域作为证据，让AI的诊断过程变得透明、可追溯。

10 产业生态：从产品竞争到生态协同

2025年，医疗AI影像行业告别早期概念炒作，在政策支持、技术成熟度提升与临床需求拉动下，形成“政策-企业-医疗机构”协同共建的产业生态，推动技术从头部三甲医院向基层医疗机构广泛渗透，规模化落地趋势显著。

GE医疗以23亿美元收购Intelerad，标志着设备制造商向“软件+数据+服务”生态模式转型，将硬件与AI能力深度绑定，凸显软件数据与硬件同等重要的竞争力。

全球持续加码影像基础设施投资，欧美澳推进设备升级，新兴经济体新建影像中心、开展培训，以应对老龄化与慢性病需求，彰显高质量影像检查的全球优先级。

在管理层受访者中，85%表示AI帮助提高了年收入，80%确认AI帮助降低了年度成本。更重要的是，44%的管理者表示AI使收入增长超过10%，35%表示成本下降超过10%。

小公司从中受益更显著——56%的小公司实现收入增长超10%，44%成本降幅超10%。

11 监管与伦理：走向规范化发展

随着人工智能深度融入影像工作流程，监管也变得更加严格。到2026年，开发者和医疗服务提供者需要展示透明度、安全性和性能的有力证据，以及明确的人为监督框架。

上市后监测、性能审计和事件报告日益成为规范化要求。引入人工智能影像工具的医院正在建立治理委员会、验证程序和文档化协议，以确保负责任地应用。

人们更加认识到，算法工具必须在真实世界条件下持续评估，而不仅仅是在上市前测试中。

法律和伦理责任也在演变。围绕责任归属的问题——特别是当自动化分析影响临床结局时——正促使卫生组织采取谨慎、结构化的部署方法。

深圳出台《医疗AI产品临床应用管理办法》，明确开发者、医疗机构、医生责任边界。《医疗机构部署DeepSeek专家共识》提出五层管理架构，包括身份登记、冲突协调、实时监控。

12 未来展望：智能体与专科模型集群

到2027年，医疗AI将从以预测分析为主，转向“能够跨患者群体、临床试验和诊疗流程进行推理的智能体系统”的持续部署。

专科模型集群将成为趋势。未来医疗AI不是“全科医生”，而是数百个专科模型的“虚拟MDT”。通过5G专网与轻量化模型，2028年县域医院AI应用率将达85%。

基于多组学数据的AI，2027年为30%肿瘤患者提供个体化治疗方案。行业共识形成：真正的胜负手不在于谁拥有更大的模型，而在于谁能以更低成本、更高效率打通“基层医疗”和“临床应用”场景。

2025年医疗AI已从“被动响应工具”迈向“主动执行协作者”，深度融入临床全流程，真正实现从技术突破到临床落地的跨越。