剛剛被A股公司7.5億元收購，這家公司要用AI改變傳統超聲檢查

在上一輪AI熱潮里，醫療曾是最被看好的賽道之一。

2018年，醫療影像AI融資達到頂峰，全年融資金額17.12億元。

但很快，這個故事就冷了下來。谷歌解散Google Health，依圖醫療賣身，就連行業里為數不多上市的鷹瞳科技，市值也長期停在10億港元左右。

原因很簡單，不賺錢。大多數AI產品停留在“輔助讀片工具”，既沒有進入診療核心，也沒有收費能力。

但從去年開始，情況開始發生變化。

去年，國家衛健委等五部門聯合發布《關于促進和規范“人工智能 + 醫療衛生” 應用發展的實施意見》，明確提出 “到2030 年基層診療智能輔助應用基本全覆蓋”。

2026年4月，AI輔助診斷被正式納入醫保乙類目錄，開始陸續在各地三甲醫院落地。這意味著，AI輔助診斷第一次變成了“可以收費的醫療服務”。

與此同時，產業端也開始出現信號。企查查數據顯示，2025年國內AI醫療企業注冊2.48萬家，同比增長22.38%，創下近十年注冊量新高。

不久前，康眾醫療（688607.SH）以7.5億元估值收購脈得智能，而后者剛剛拿到甲狀腺結節超聲影像輔助診斷軟件的第三類醫療器械注冊證。目前，脈得智能產品已經覆蓋一千多家醫院，其中有近100家真正完成了設備采購。

更關鍵的變化在于商業模式。公司正從一次性設備銷售，轉向“按例付費”的醫療服務模式。

按樂觀（用詞保守一點）估算，假設一臺設備日均服務100例，對應日收入約3000元，年化接近百萬元。

今天，我們和脈得智能董事長陳詠虹聊了聊三個問題：受到上市公司青睞背后，公司核心價值是什么？納入醫保，對AI醫療意味著什么？以及，這一輪AI醫療為什么可能不一樣。

/ 01 / 甲狀腺超聲AI準確率超過95%，高于傳統穿刺

硅基君：脈得智能為什么選擇甲狀腺超聲這個方向進行切入？

陳詠虹：我們一開始其實并沒有直接選定甲狀腺這個方向。2019年前，公司也嘗試過CT、MRI等多個影像路徑，但很快發現，這些賽道雖然技術成熟，但競爭已經非常擁擠，且產品同質化嚴重。

之所以決定切入“超聲”，并優先選擇“甲狀腺”，主要有三個原因：

首先是市場規模。國內醫學影像中，超聲是最主要的檢查入口，每年檢查量超過20億人次，遠高于CT、MRI等放射影像（通常為數億人次級別）。

在此基礎上，甲狀腺作為最常見的超聲檢查部位之一，其年檢查量也處于數億級規模。

同時，在過去二十年，甲狀腺疾病的檢出率持續上升。一項全國性的調查數據顯示，我國18歲以上成年人的甲狀腺疾病總體患病率高達50%。

這意味著，甲狀腺疾病已經從“專科問題”變成“公共健康問題”。

其次，根據華西醫院等一線專家的反饋，甲狀腺檢查在臨床側存在明顯的痛點。

超聲檢查高度依賴醫生經驗，不同醫生的操作手法、經驗水平差異極大，直接影響結果，這導致同一個病人，在不同醫院，甚至不同醫生之間，結論可能不一致。

同時，全國超聲醫師缺口顯著，即使算上技師，規培醫師等“非正規軍”，缺口仍近10萬人。

最后，也是最重要的一點，超聲檢查的技術門檻更高。在CT和MRI輔助診斷里，AI更多是識別靜態照片，而超聲則需要處理一段連續的動態視頻，每秒處理30幀以上的圖像信息，對算法的實時性和穩定性要求更高。

三者疊加之下，最終讓我們決定進入超聲AI領域。

硅基君：目前甲狀腺超聲AI的真實效果如何？

陳詠虹：我們的超聲AI臨床測試結果顯示結節良惡性判別準確度超過95%，已經遠高于傳統穿刺診斷90%的準確率。

硅基君：這么高的準確率是如何實現的？

陳詠虹：核心還是數據。在數據層面，我們的判斷標準只有兩個：規模和質量。

規模上，數據來自全國400多家醫院，核心來源包括華西、復旦中山、鄭大一附院、廣東省頭部醫院等，覆蓋不同區域和不同醫療水平，經過7年持續積累形成。

具體方式上，我們并不是簡單做集中式數據匯聚，而是通過與醫院簽署合作協議，在各地進行本地化模型訓練，再將不同醫院、不同區域訓練出的模型進行整合和迭代。

但更關鍵的是“數據質量”。

我們構建了一套完整的臨床閉環數據。對于一個甲狀腺結節，同一病例會同時包含：電子病歷（臨床描述）、檢驗指標（如甲功五項）、超聲影像、穿刺結果和術后病理結果。

也就是說，這不是“只有圖像”的數據，而是從檢查到最終確診的全流程數據鏈路。

硅基君：能否具體解釋下這個數據的差別？

陳詠虹：這里最關鍵的是，訓練模型所用的“標準答案”是什么。

在醫學上，有一個概念是“金標準”。簡單理解，就是醫學上最終、最確定的判斷依據。在甲狀腺這個場景里，這個標準不是醫生經驗，也不是影像判斷，而是術后組織病理結果——也就是把病灶真正切下來，在顯微鏡下確認它到底是良性還是惡性。

我們做的，是用超聲影像去對齊這個結果。

行業里常見的做法，其實是以“醫生判斷”為標準。比如用高年資專家的結論作為標簽，讓模型去學習專家的經驗。這種方式本質上是“模仿醫生”，能提高效率，但上限仍然受限于醫生本身。

這并不屬于嚴格意義上的“金標準”。因為醫生的判斷，本身也可能有偏差。這也是我們和大多數AI醫療在技術上的最大不同。

可以把它理解為，大多數AI是在“向醫生學習”，而我們是在“直接對答案”。這里的“答案”，就是術后組織病理，這是全球公認的臨床金標準。

這也意味著更高的要求。如果模型預測結果和病理不一致，我們就認為模型是失敗的；只有能夠穩定對齊病理結果，才算真正成立。

硅基君：其他AI醫療公司復制這種路徑的難度在哪？

陳詠虹：這種路徑的難點在于：甲狀腺結節人群中，最終接受手術獲得組織病理的患者只占少數，不到二十分之一。

必須有足夠多“影像 + 最終病理結果”，對應的數據樣本，才能訓練出有效模型。這也是為什么我們能夠拿到國家層面“高質量超聲數據集先行先試項目”的原因。

/ 02 / 超聲AI價值不是替代人，而是改變診療路徑

硅基君：按95%準確率來算，基本已經超過絕大部分醫生的水平，那是不是意味著AI可以替代掉超聲檢測的醫生了？

陳詠虹：我覺得超聲AI的核心價值不是替代人，而是診療路徑的改變。

如果把甲狀腺診斷放到更長的時間軸里看，其實已經經歷過一輪重要的技術迭代。

在二十多年前，甲狀腺篩查主要依賴超聲。一旦發現疑似腫瘤，往往直接進入手術階段。當時“談癌色變”，導致大量不必要的手術發生。

后來，細針穿刺（FNA）成為關鍵分水嶺。通過穿刺取細胞進行病理分析，醫生可以在手術前判斷良惡性，這顯著減少了過度手術，是一次典型的醫療進步。

但二十年之后，這一方法也逐漸暴露出問題。

首先是穿刺帶有一定隨機性，大約有30%的穿刺結果是“不確定”，既不能確認良性，也不能確認惡性，很多問題無法通過穿刺解答，繼續陷入是否手術的糾結與迷茫。

其次是行為層面的“過度穿刺”。在風險規避機制下，醫生往往傾向于提高敏感性——“寧可多做，不可漏診”。臨床上，但凡結節有點可疑，就可能進入穿刺流程。

結果是，從“減少手術的工具”，穿刺本身逐漸演變為一個新的負擔。

在歷史數據回溯中，有醫院發現，過去進行的穿刺中，大約有50%–85%并非必要。面對如此大量的過度穿刺，如何降低其占比，成為目前臨床關切的熱點需求。

在這個背景下，AI的價值開始顯現。

理論上，只要AI診斷的準確率足夠高，就可以“部分替代穿刺”環節。比如，如果AI判斷為低風險，就可以減少不必要的穿刺。如果判斷為高風險，可以更早進入手術路徑。

硅基君：為什么我們會選擇“多模型協同”體系，而不是訓練一個大而全的超聲診斷模型？

陳詠虹：醫學問題本身并不是一個單一判斷。

以甲狀腺為例，一個結節的判斷，至少要回答一系列問題——是否存在結節、單發還是多發、是否惡性、具體病理類型（如乳頭狀癌、髓樣癌、濾泡狀等），以及功能狀態（如甲亢、甲減等）。

同時，還涉及一整套結構性指標，比如分級（TI-RADS）、血流情況、縱橫比、大小、位置，以及與周邊組織（如被膜、喉返神經）的關系。

從本質上說，AI輔助診斷更像是一個“多任務決策系統”，而不是一個單一判斷。在這種情況下，很難用一個模型解決所有問題，而是需要多個子模型分別處理不同任務，再統一輸出結果。

硅基君：如果模型泛化性足夠強，未來會不會被通用模型取代？

陳詠虹：通用大模型很難在醫療場景中直接落地。主要有兩個原因：

一方面，超聲屬于典型的灰階圖像，信息表達弱、噪聲高，對模型的感知能力要求極高；另一方面，醫療決策本身高度結構化，依賴明確的指標體系和臨床路徑，而不是單純的語義理解。

因此，目前行業內很難出現幾乎可以直接使用的通用模型，核心能力仍然依賴垂直自研。

硅基君：目前，醫生使用超聲AI系統的動力是什么？

陳詠虹：從醫院內部來看，這個產品之所以能夠推進，一個重要原因是它沒有明顯損害原有科室利益，反而重新協調了超聲科、臨床科室、醫院和患者之間的關系。

首先，超聲科并不排斥。

現實情況是，幾乎所有醫院的超聲科都缺人。檢查需求越來越多，但醫生供給不足。因此，只要收費合規、質量可控，超聲科反而希望部分檢查可以由相關科室或經過培訓的人員協助完成。

其次，甲狀腺外科、內分泌科等臨床科室也歡迎。

過去，甲狀腺結節患者需要定期隨訪，但流程非常麻煩：患者先掛門診，再預約超聲，做完檢查后可能醫生已經下班，只能下次再來。一次復診，可能需要一兩周。

如果AI設備放在甲狀腺外科，患者可以在科室內完成檢查、判斷和復診，整個流程十分鐘內完成。

這直接提高了患者復診意愿。比如部分醫院引入后，復診量提升了約34%。對醫院來說，患者量增長本身就是重要經營指標；對醫生來說，也更容易管理慢病和隨訪人群。

硅基君：當AI進入診斷決策環節，那出了問題權責如何劃分？

陳詠虹：至于AI進入診斷環節后的責任劃分，本質上仍然沿用現有醫療流程。超聲報告本來就不是最終治療決策。無論是人工超聲還是AI輔助診斷，結果都只是給臨床醫生提供參考。

最終是否手術、是否穿刺、是否隨訪，仍然由臨床醫生決定。換句話說，AI并不是越過醫生直接替患者做決策，而是提高前端診斷信息的質量。

也就是說，即使用了AI技術，責任邊界也相對清晰。AI負責提供更準確、更標準化的輔助診斷結果，臨床醫生負責結合患者情況，做最終醫療決策。

硅基君：從實際體驗看，患者對AI輔助診斷的接受度如何？

陳詠虹：患者是否信任AI，也曾經是一個問題，但現在阻力已經明顯降低。

一方面，產品已經拿到三類證，并進入醫保收費體系；另一方面，公司過去圍繞醫生教育、患者教育和學術推廣，已經舉辦了大量會議。

對患者來說，價值也很直接。它不僅減少了反復跑醫院的麻煩，也把早篩能力進一步前移。

傳統醫生肉眼識別，往往對較小病灶存在限制，而AI獲批能力可以識別到5毫米級別的結節。這意味著，一些高風險信號可以被更早發現。

甲狀腺癌的風險，并不簡單取決于大小。小結節也可能具備侵襲性。因此，早發現、早判斷、早干預，才是這個產品真正的臨床意義。

總體來說，患者接受度不再是早期最大的障礙。真正決定是否使用的，更多還是醫生是否愿意接受、推薦，科室是否納入流程。

硅基君：咱們超聲AI進入醫院的節奏是怎樣的？

陳詠虹：脈得智能進入醫院后的擴張，取決于設備部署數量和醫院流程改造。

它不是一個純軟件，而是一套超聲機器人系統。一臺設備無論放在門診、病房、體檢中心還是超聲科，每天的服務能力都有上限。即使全天不停運轉，一臺設備每天大約也只能服務100來人。

所以，它在一家醫院的滲透不是“一年內全部替代”，而是從一臺設備開始，先驗證臨床價值和使用頻次，再逐步擴展到更多門診和科室。

這也解釋了為什么不同醫院部署節奏會不一樣。比如大型醫院可能先裝兩臺，也可能根據科室需求擴展到十幾臺。核心取決于醫院的采購預算、使用意愿和收費通道是否打通。

硅基君：目前醫院的實際落地情況？

陳詠虹：截至目前，脈得智能產品已覆蓋一千多家醫院，真正完成設備采購的不到100家；而新的按例付費模式，由于收費通道今年4月左右才開始陸續打通，目前跑通的醫院有十幾家，但浙江、上海、江蘇、四川、廣東等地區已經陸續進入招標階段。

/ 03 / 醫保，打通了AI醫療商業化的最后一公里

硅基君：公司的商業模式是怎么樣的？

陳詠虹：過去我們走的是傳統的一次性設備銷售。

早期產品還沒有拿到三類證時，也有醫院采購過設備。例如，協和等醫院曾在較早階段購買過相關系統，當時主要是作為臨床輔助提醒工具使用。

但拿到證、進入收費體系之后，我們更傾向于“按例付費”。原因很簡單，如果產品能持續產生收費，一次性賣硬件反而不劃算。按例付費可以把產品變成一門長尾生意。

在這種模式下，醫院不需要承擔太高前期投入，也不必一次性購買完整系統。患者每做一次檢查，醫院產生一次收費，脈得智能再按約定金額獲得服務收入。

在具體落地中，硬件和軟件也可以拆開來賣。有些醫院要求設備資產歸醫院所有，那么醫院可以單獨采購硬件部分；而AI軟件和服務部分，則按每例使用付費。

最終，脈得智能賣的不是單純硬件，而是“硬件入口 + AI診斷服務”的組合。

硅基君：按例付費的具體價格呢？

陳詠虹：甲狀腺超聲檢查在不同地區收費不同，浙江大約70元，北京可到120元。以浙江部分中標案例看，醫院每做一例，脈得智能可獲得約34元服務費。

如果一臺設備每天服務100例，單日服務收入約3000多元，年化收入可接近百萬元。這相比一次性賣設備，更具持續性和想象空間。

硅基君：今年AI輔助診斷進入醫保，這意味著什么？

陳詠虹：進入醫保后，最大的意義在于打通了AI診療的付費路徑。

過去，即便產品拿到三類證，醫院也面臨一個現實問題：能不能收費、按什么項目收費、醫保是否認可。沒有收費編碼，產品即便臨床認可，也很難形成穩定商業閉環。

現在這個問題已經出現變化。甲狀腺超聲人工智能輔助診斷已經被納入醫保收費體系，項目名稱為“甲狀腺超聲人工智能輔助診斷拓展項”。國家層面認可之后，各地醫保局正在或者已經根據本地執行節奏陸續落地。

比如，上海已經正常開始收費，北京從6月22日開始執行，河北也較早落地。由于醫保屬于地方統籌，不同地區推進節奏會有差異，但大的方向已經明確。

這意味著，脈得智能的產品不再只是一個醫院“可買可不買”的輔助工具，而是一種名正言順收取費用的醫療器械+服務。

更重要的是，它的收費邏輯與人工檢查基本一致：價格一樣，報銷比例也一樣。對患者來說，不會因為使用AI而額外承擔明顯成本；對醫院來說，則多了一個可合規收費、可提升效率的診療工具。

硅基君：其實醫療影像AI在2018年是一級市場最熱門的賽道之一，為什么上一輪AI醫療沒有公司跑出來？

陳詠虹：上一波AI醫療沒有跑出大公司，更多還是技術、支付和資本節奏都沒有準備好。

第一，技術還不成熟。

2015年前后，很多AI醫療產品更多是基于文獻、公開數據或有限樣本訓練出來的，缺乏真實世界、高質量、可追溯的臨床數據。很多產品做的是肺結節、眼底篩查等相似方向，技術路徑高度同質化，往往只是“拿一個模型調一調”，很難真正形成臨床級診斷能力。

尤其在醫療場景里，如果沒有金標準數據，沒有完整臨床驗證，產品就很難經受真實診療流程的考驗。

第二，沒有商業閉環。當時醫院沒有明確的收費項目，也沒有醫保支付通道。AI即便提高了醫生效率，醫院也無法向患者收費，更難向企業持續付費。

所以大多數公司只能低價賣軟件、賣系統，甚至一次買斷、終身服務。表面上進了很多醫院，實際收入有限，回款周期還很長。

第三，資本節奏太快。

上一波AI醫療很大程度上被融資驅動。公司為了講故事、做覆蓋、搶新聞，不斷融資、鋪醫院、做Demo，但產品和商業模式都沒有真正成熟。

等到資本退潮，行業迅速進入低價競爭、裁員和倒閉周期。

所以，上一波沒跑出來，不是因為AI輔助診斷沒有價值，而是當時缺少三個前提：真實可用的技術、可持續收費的商業模式，以及能夠長期迭代的產品能力。

硅基君：與上次AI醫療熱潮相比，這一波有什么不同？

陳詠虹：這一波變化在于，AI醫療第一次具備了從技術到支付的完整閉環。

首先是數據基礎變了。過去很多AI依賴公開數據和文獻數據，但現在行業開始真正重視高質量臨床數據，尤其是能夠和金標準結果對齊的數據。對脈得智能來說，核心價值不只是有算法，而是擁有大規模、高質量、可追溯的數據體系。

其次是技術能力變了。大模型、多模態模型、國產算力和數據工廠的發展，讓AI醫療不再只是單點識別工具，而有機會變成覆蓋“數據理解、圖像識別、診斷推理、報告生成”的完整系統。

第三，也是最關鍵的，是支付體系變了。

現在AI輔助診斷開始進入醫保收費體系。產品只要具備明確的輔助診斷屬性，并且進入對應收費項目，就可以從“醫院買軟件”轉向“按醫療服務收費”。

這意味著AI醫療不再只是成本項，而可以成為醫院的收入項。

在這個意義上，醫療可能是AI最先形成商業閉環的行業之一。它有明確需求，有強監管，有臨床路徑，有準入審批，有醫保支付，也有可驗證的結果標準。

從產品到審批，從臨床驗證到醫保收費，再到醫院回款，這條鏈路雖然很長，但一旦打通，反而會形成更高壁壘。