Frost & Sullivan releases the '2026 AGI Era Global Digital Medical Imaging Industry Development White Paper' (including the full text access method)

医学影像正由单一检查工具升级为全流程诊疗基础能力：

医学影像通过X射线、电磁场、超声波和放射性核素等方式，对人体结构、功能及病变特征进行可视化呈现。X射线、计算机断层扫描（CT）、磁共振成像（MRI）、超声、数字减影血管造影（DSA）及核医学影像等技术，已经广泛应用于疾病筛查、临床诊断、治疗规划、疗效评估和随访管理。随着设备性能、医疗信息化和人工智能技术持续升级，医学影像的产业价值正在从“完成一次检查”扩展至“支撑一条完整诊疗路径”。

未来医学影像生态将进一步形成“场景+数据+AI+平台”的综合能力体系：真实影像服务场景为AI提供临床入口，高质量影像与报告数据构成模型训练和验证基础，AI提升开单、扫描、诊断和临床应用等关键能力，平台则负责连接数据、模型、医生和医疗机构，使不同主体能够在统一工作流中协同。

多方参与、双向反馈，共同构成数智医学影像生态：

数智医学影像生态并非由单一医院或单一技术企业构成，而是由医学影像检查需求人群、医院及第三方影像中心等服务提供方、医学影像设备供应商、AI医学影像解决方案提供商以及医疗信息化基础设施提供商共同参与。设备提供商支撑影像采集，服务提供方承接检查与诊断，信息化企业保障数据存储、传输和互联互通，AI企业围绕检前管理、检中协同和检后赋能提供智能能力，患者与医生的真实使用反馈则进一步推动产品优化。

医疗AI进入AGI探索阶段，竞争核心由算法准确率转向场景嵌入与持续进化：

医疗AI的发展经历了统计学习、深度学习和大语言模型等阶段。早期系统依赖人工规则和特征工程，深度学习推动图像识别、病灶检测和疾病分类进入临床辅助应用，大语言模型则显著提升医学知识检索、病历总结和文本生成效率。进入AGI探索阶段后，AI开始具备更强的复杂推理、多模态感知、任务规划和反馈修正能力，其价值不再局限于回答问题，而是有机会进入真实诊疗流程。

AI Agent是这一阶段的重要应用形态。模型更像提供理解、推理和生成能力的“智能大脑”，Agent则围绕具体目标进行任务拆解、工具调用、流程执行与反馈优化。在医学影像场景中，Agent可进一步连接影像调取、病灶分析、报告生成、质量控制、医生审核和模型迭代，使AI由外部辅助工具转化为工作流中的智能协作者。

医学影像AI应按照“场景—角色—任务”定义，而非只按病种或算法分类：

医学影像AI可划分为四类核心应用场景：面向临床医生的辅助开单AI，面向技师的辅助扫描与图像质控AI，面向影像医生的辅助诊断与报告生成AI，以及面向临床医生的辅助诊疗与决策支持AI。该分类直接对应真实服务流程，更有利于评价AI对检查合理性、图像质量、阅片效率、报告规范性和临床决策价值的实际贡献。

医学影像服务质量由开单、图像采集、诊断分析和临床应用等多个环节共同决定。通过AI对各流程节点进行赋能，可进一步提升检查决策精准性、图像采集规范性、影像诊断效率以及临床应用价值，实现医学影像能力从单环节优化向全链路协同提升。以四项核心能力均达到90%为基准，AI赋能后各环节能力提升至约99%，整体影像能力由约66%提升至约97%，提升31个百分点。这31个百分点，意味着漏诊更少、误诊更少、患者体验更好、医疗资源利用更高效——这就是全链路AI赋能的核心价值。

来源：沙利文分析

行业演进：从AI 1.0碎片化工具，到AI 3.0生态赋能平台：

AI医学影像1.0阶段主要面向单器官、单病种或单任务进行模型开发，能够在肺结节、骨折、出血等明确场景中提供辅助，但产品之间相互割裂，难以覆盖完整阅片流程。2.0阶段开始以检查项目和业务路径为单元，将检测、分割、定量分析和报告生成等任务整合为场景级产品，更贴近医生实际工作。3.0阶段则以医学影像基座模型、AI-DIY工具链和集成平台为核心，推动AI能力批量生产、持续迭代和生态共建。

来源：沙利文分析

医学影像基座模型成为通用智能的重要底座：

传统模型采用“单一数据集—单一模型—单一任务”的开发范式，每增加一个病种或任务，往往需要重新收集、标注、训练和验证数据，研发周期长且拓展成本高。医学影像基座模型则基于大规模、多模态影像图像、诊断报告、结构化标签和临床语义进行预训练，形成对解剖结构、病灶特征和报告语言的通用理解，可通过小样本微调、任务适配或工具调用快速拓展至检测、分割、分类和报告生成等下游任务。

基座模型的核心门槛不仅在算法，还在于企业能否形成“真实场景—高质量数据—标准治理—模型训练—临床反馈”的闭环。医生在阅片、修改报告和质控复核中的反馈，可进一步转化为结构化训练信号，使模型在真实应用中持续进化。

河图计划：以数据标准和专业标注夯实AI研发基础:

影禾医脉是一脉阳光旗下专注医学影像人工智能技术研发与应用的平台，依托一脉阳光长期积累的医学影像服务场景、数据资源和专业能力，进一步开展医学影像数据治理、模型训练及AI应用开发，推动医学影像服务体系向数智化方向升级。基于此，河图计划由影禾医脉联合一脉阳光及合作医疗机构共同推进。河图计划是医学影像领域面向AI 3.0时代的系统性数据标准建设与数据标注计划，也是当前行业内较具代表性的医学影像AI基础设施建设案例。与传统单点数据标注项目不同，河图计划并非仅围绕某一病种或某一模型展开，而是从行业底层标准出发，系统规划医学影像AI所需的标准语义、数据集和模型能力。其核心目标在于实施“三大基建”：通过标准基建定义百万级医学影像标准化语义，通过数据基建打造百万级精标注数据集，并通过模型基建构建全模态基础模型能力。

AI医学影像3.0时代的研发路径：不存在“万能AI”，检查项目成为核心研发单元：

医学影像涉及CT、MRI、X射线、超声和核医学等多种模态，不同检查项目在扫描方式、解剖结构、疾病谱和临床目的方面存在明显差异。一次完整检查通常还包含异常识别、病灶定位、定量分析、鉴别诊断和报告生成等多项任务。因此，医学影像AI的发展并不是依靠一个模型解决全部问题，而是围绕不同检查项目和临床场景，持续构建大量专业化AI能力。

在AI医学影像1.0阶段，产品主要针对单一器官、单一病种或单一任务，能够完成局部病灶识别，但应用场景相对碎片化。2.0阶段开始以完整检查项目和业务路径为单位，将病灶检测、分割、定量分析及报告生成等能力进行组合。进入3.0阶段后，基座模型、研发工具链和AI Agent进一步降低专业AI产品的研发门槛，使行业有望由少量单点产品开发，走向大量检查项目级AI能力的持续生产。

生态共建成为必然路径，医生由AI使用者转变为AI创造者：

医学影像覆盖的检查项目和临床需求数量庞大，单一技术企业难以独立理解并满足全部细分场景。未来的研发模式将更多由医生、医疗机构和AI平台共同参与：医生提出临床问题、定义任务和判断标准，医疗机构提供真实应用场景和数据反馈，AI平台则提供基座模型、数据治理、标注、训练、验证及部署工具。

在这一模式下，AI Agent需要明确具体的服务对象和责任主体。最了解检查项目、诊断流程和临床需求的医生，适合成为专业AI能力的主要定义者和持续优化者。AI-DIY并非要求医生掌握复杂编程技术，而是通过科研和模型研发平台，将医生在日常工作中形成的诊断经验、判断逻辑及操作流程转化为结构化数据和可训练任务，使医生可以参与数据整理、智能标注、模型训练和效果验证。

随着AI在真实场景中持续使用，医生的阅片结果、报告修改和诊断反馈还能够进一步转化为模型优化依据，推动专业经验由个人能力沉淀为可复制、可迭代的数字化能力，实现“工作即训练、使用即进化”。

来源：沙利文分析

AI集成平台推动分散能力进入临床工作流:

随着医学影像AI产品数量增加，单点部署和独立调用模式容易造成系统割裂、操作复杂和维护成本上升。AI医学影像3.0时代需要通过统一集成平台，将自研和第三方AI能力接入影像信息系统，并根据检查项目、影像模态和临床需求自动匹配相应工具。

AI集成平台一端连接医生、医疗机构和AI研发成果，另一端连接影像浏览、报告编辑、质量控制和远程协同等实际工作流程。医生无需在多个系统之间反复切换，即可在原有阅片和报告环境中使用AI能力。通过统一管理、按需调用和持续更新，平台能够提高AI产品的临床可及性，并为项目建设、平台运营、检查服务、数据服务及AI能力输出等商业模式提供基础。

来源：沙利文分析

数据驱动持续迭代，形成数智影像能力闭环：

医学影像AI不是一次训练、一次交付的静态产品，而是需要依托真实医疗场景持续迭代。医学影像服务中的不同数据，分别沉淀了不同专业角色的能力：开单数据反映临床医生对检查项目的选择逻辑，影像图像数据体现设备成像和技师操作能力，诊断报告数据承载影像医生的判断经验，图像后处理和临床应用数据则反映影像结果在治疗决策、疗效评估和患者管理中的实际价值。

通过对上述数据进行标准化治理，并将临床使用中的反馈持续回流至模型研发环节，可以形成“临床应用—数据产生—模型优化—能力升级—再次应用”的闭环。AI由此不再只是外部辅助工具，而是逐步融入医学影像服务体系，推动开单、扫描、诊断和临床应用等全流程能力共同提升。

来源：沙利文分析

AI医学影像4.0时代展望：迈向全场景、全模态、全病种和全流程:

在3.0时代检查项目级AI能力不断丰富的基础上，AI医学影像将进一步向4.0时代演进。其核心并非简单增加模型数量，而是实现不同AI能力之间的协同，使AI能够覆盖智能开单、影像采集、图像质控、辅助诊断、报告生成、治疗决策支持、疗效评估和随访管理等完整流程。

未来的医学影像AI有望具备全场景覆盖、全模态融合、全病种理解和全流程嵌入等特征。但这一目标仍需要高质量数据资产、统一标准、医学影像基座模型、成熟的AI Agent工作流，以及更加清晰的监管与支付体系共同支撑。随着临床价值和经济学价值不断得到验证，医学影像AI将逐步从辅助医生完成局部任务，走向支撑影像诊疗全流程数智化。

颅脑医学影像：时效性与多病种诊断需求推动AI向全流程智能升级:

颅脑医学影像广泛应用于脑卒中、颅内出血、颅脑外伤、脑血管病、颅内肿瘤及术后复查等场景。其中，CT具有检查速度快、临床可及性高等特点，是急诊和卒中诊疗中的重要检查方式；MRI则在脑组织、神经系统及颅内肿瘤的精细化评估中具有突出价值。

传统颅脑影像诊断通常需要医生在较短时间内完成多层图像观察，同时识别脑出血、脑梗死、占位性病变、脑水肿和骨折等多类异常。部分病变征象较为细微，不同疾病之间还可能存在影像表现重叠，对医生的专业经验和综合判断能力提出较高要求。在急诊和基层医疗场景中，影像医生资源不足、报告时效要求高等问题进一步增加了诊断压力。

目前，颅脑AI医学影像产品已覆盖脑出血、脑梗死、动脉瘤、颅内肿瘤等多个疾病方向，可辅助完成病灶识别、定位、分割、定量分析和风险提示。但多数传统产品仍聚焦单一病种或单一任务，医生需要分别调用多个工具，并自行整合影像发现和诊断结论，尚未完全覆盖一次颅脑检查的完整阅片和报告流程。

《白皮书》以影禾医脉颅脑CT超级智能体“小君医生2.0”为案例，展示颅脑AI由单点病灶检测向检查项目级智能体演进的路径。该产品以颅脑CT平扫为核心场景，基于视觉语言模型，将影像识别、异常判断、疾病分析和报告生成连接起来。根据白皮书案例披露，其可覆盖94种颅脑疾病，并在一分钟以内生成报告初稿，医生通过“一键导入—AI自动生成—审核修改”的流程完成报告签发。该模式有望帮助低年资医生获得标准化参考，使高年资医生将更多精力投入复杂病例，并支持科室开展报告质控、教学和数据沉淀。

胸部医学影像：应用场景广泛，AI由单病种产品走向多异常联合分析

胸部是医学影像检查量较大、AI产品应用相对成熟的领域之一。胸部X射线和CT可用于肺结节、肺癌、肺炎、肺结核、肺栓塞、胸膜疾病、纵隔病变及胸壁骨骼损伤等疾病的筛查和诊断，覆盖肺部、气道、纵隔、胸膜、胸壁骨骼和胸部大血管等多类结构。

胸部影像的诊断难点在于疾病类型多、图像信息量大，且一次检查中可能同时出现肺结节、肺部炎症、胸腔积液、肺气肿和肋骨骨折等多种异常。医生不仅需要发现病灶，还需要判断病灶的位置、数量、大小、密度和变化趋势，并将多个影像发现整合为完整报告。在检查量较大的医疗机构中，重复性阅片和报告书写也会增加医生工作负担。

目前，胸部AI已广泛应用于肺结节检测、肺炎和肺结核筛查、肺栓塞识别、肋骨骨折检测、病灶定量分析、风险提示和随访管理等环节。部分产品已经取得医疗器械注册证，体现出胸部AI较高的产品化成熟度。但不同疾病产品之间仍相对独立，单一工具通常只能解决完整胸部检查中的部分问题，难以替代医生对全部解剖结构和多种异常的系统性观察。

《白皮书》介绍影禾医脉的胸部CT平扫辅助诊断AIR产品，以“路径级辅助诊断”为核心，将胸部CT图像解析、解剖结构分割、病变检测和结构化报告生成连接为连续流程。该产品可对肺区、纵隔和胸膜等关键结构进行分割，覆盖肺结节、肺部肿瘤及肋骨骨折等19类以上常见病变，并通过图文联动的结构化报告呈现分析结果。医生审核和修改报告后，相关反馈还可进一步沉淀为科研和模型迭代数据，推动胸部AI由单病种检测工具向完整检查项目智能体升级。

膝关节医学影像：复杂解剖与多序列分析为AI提供新的应用空间

膝关节是人体重要的负重和运动关节，涉及骨骼、关节软骨、半月板、交叉韧带、侧副韧带、滑膜和周围软组织等多类结构。医学影像广泛应用于膝骨关节炎、半月板损伤、韧带损伤、骨折、骨挫伤、滑膜炎和关节积液等疾病的诊断、治疗规划和随访评估。其中，MRI能够呈现软骨、半月板、韧带及骨髓等组织，是膝关节疾病精细化评估的重要影像方式。

传统膝关节MRI阅片需要医生综合观察多个序列，并逐层判断不同解剖结构。半月板撕裂、韧带损伤、软骨退变、骨髓水肿和滑膜炎等病变可能同时存在，部分早期或轻微异常不易识别；在长期随访中，医生还需要比较软骨厚度、病灶范围和积液程度等变化，人工测量和前后对比的工作量较大。

当前膝关节AI主要应用于解剖结构分割、半月板及韧带损伤识别、骨关节炎评估、软骨定量分析、滑膜炎和关节积液检测等方向。与肺结节和脑血管疾病等产品化程度较高的领域相比，膝关节AI整体仍处于由科研验证向临床应用过渡的阶段。未来，随着多序列信息融合、多结构联合分析和真实世界验证不断推进，膝关节AI有望进一步支持损伤分级、治疗方案制定、术后评估和长期随访管理。

其他专科影像场景：乳腺与心血管成为AI产品化应用的重要方向:

除颅脑、胸部和膝关节外，AI医学影像还在乳腺、心血管等专科场景中加速应用。乳腺影像主要用于乳腺癌筛查、病灶检出、钙化识别、乳腺致密度评估和良恶性辅助判断。目前，中国已有乳腺X射线图像辅助检测产品获批上市，但现有产品仍主要集中在单一模态和单点任务，多模态联合判断、筛查风险分层、结构化报告和随访管理仍具有进一步拓展空间；心血管影像AI则主要应用于冠状动脉狭窄分析、斑块识别、冠脉钙化积分、心功能评估和血流功能学分析等环节。在冠脉CT血管造影场景中，AI可辅助降低图像噪声、改善图像质量，自动识别冠状动脉结构和斑块，并完成血管狭窄程度及钙化情况的定量分析，从而减少医生重复性测量工作，为冠心病风险评估和临床决策提供支持。

总体来看，不同专科的AI医学影像产品虽然处于不同发展阶段，但演进方向具有一致性：由单一病灶检出向多疾病联合判断延伸，由单一影像模态向多模态数据融合拓展，由独立算法工具向影像分析、报告生成、质量控制和随访管理相结合的完整工作流升级。

随着医学影像数据持续积累、AI能力加速融入临床流程，以及区域影像平台和信息化基础设施不断完善，数智医学影像的发展正在由单点技术应用迈向生态化建设。未来的医学影像生态不再由医院、设备、AI和信息系统分别独立运行，而是围绕真实临床需求，将影像采集、数据流转、智能分析、诊断服务、患者管理和持续反馈连接起来，形成多方协同、持续迭代的智能网络。

数智影像生态中的参与主体正在重新定义自身角色：

医学影像服务提供方是数智影像生态的核心应用场景。医院、医学影像中心和体检中心正由单一的检查与诊断节点，逐步升级为连接患者需求、影像数据、专业医生和AI能力的服务枢纽。通过影像数据互通、远程诊断、报告互认、转诊衔接和持续随访，不同机构之间能够形成更紧密的协作关系，推动医学影像服务由单机构交付向区域协同和全周期管理延伸。

医学影像设备供应商也正由硬件提供商向“智能设备+AI方案”的生态赋能者转变。未来，影像设备不仅需要提供高质量图像，还需要具备AI算法接入、图像质控、数据接口、远程运维和持续升级等能力。设备、软件、算力与临床场景的融合，将推动影像设备由单纯的图像采集工具升级为数智诊疗体系的重要入口。

AI医学影像解决方案提供商则由单点辅助诊断工具的开发者，逐步转向数智影像底层能力的构建者。AI能力将进一步覆盖检前的检查推荐，检中的扫描优化与图像质控，以及检后的病灶识别、定量分析、报告生成和随访管理。随着AI由单病种算法向检查项目级和路径级智能体演进，解决方案提供商将进一步连接设备、数据、医生、医疗机构和临床工作流。

医疗信息化基建提供商也将由服务单家医院，逐步转向支撑医联体、医共体和跨机构协同。除PACS、RIS、HIS和影像云等基础系统外，信息化平台还需要支持数据标准化、AI模型调用、诊断结果回传、质量监管和信息安全，为“基层检查、上级诊断、结果共享”的区域影像模式提供底层支撑。

在这一生态中，有影像检查需求的人群不再只是被动的服务接受者。依托影像云、个人健康档案和数据授权机制，患者可以更便捷地保存、调阅和共享既往影像资料，并在转诊、复查和异地就医过程中实现连续使用。AI还可辅助解释影像报告、比较不同时间点的检查结果，并提供复查和随访提示，推动医学影像由单次诊断工具向长期健康管理延伸。

与此同时，互联网+AI医疗平台将成为连接线上需求与线下影像服务的新型生态角色。平台可通过AI问诊、风险评估和智能推荐识别潜在检查需求，并根据患者位置、检查项目和医疗机构能力完成服务匹配。检查完成后，影像数据和报告可进一步衔接专科咨询、复查提醒和健康管理，形成“线上识别需求—智能匹配资源—线下完成检查—线上持续管理”的服务闭环。

产品、体系与服务能力共同构成国际化探索基础:

中国数智医学影像生态已在产品商业化、标准化体系建设和专业影像服务等方面积累了一定基础。产品层面，AI医学影像已覆盖X射线、CT、MRI和超声等多种模态，并逐步嵌入阅片、报告、审核和质控等真实临床工作流程。行业对产品价值的评价，也正在由单纯关注算法准确率，转向关注临床有效性、工作流适配能力、跨机构泛化能力和卫生经济学价值。真实世界应用效果将成为产品实现规模化推广和进入海外市场的重要基础。

体系建设层面，中国医疗体系覆盖人口规模大、医疗层级多、区域差异显著，为数智影像模式提供了复杂而丰富的验证场景。围绕标准化采集、数据治理、区域影像中心、远程诊断、AI赋能、质量控制和结果互认，中国已逐步形成较为系统的区域影像建设路径。相关经验的国际价值并不仅体现在输出单一技术产品，更在于输出数据标准、平台模式、质控规则和区域协同方法。

服务能力层面，影像云、远程阅片平台、AI辅助诊断和安全传输技术，使影像医生的亚专科经验、远程会诊能力、报告审核能力和质量控制体系能够突破地域限制。未来，中国积累的影像服务能力可进一步转化为远程阅片、复杂病例复核、夜间急诊支持、专业培训和区域质控等标准化服务模块，为医疗资源相对不足的海外市场提供能力补充。

国际化路径将由产品出海逐步迈向生态协同出海:

数智医学影像生态的国际化通常遵循由浅入深的三阶段路径。第一阶段是产品出海，以经过临床验证的AI医学影像软件、工作站或检查项目级产品为切入点，通过海外注册、渠道合作和医院试点进入当地市场。第二阶段是数据与标准出海。在产品落地的基础上，进一步输出数据治理框架、结构化标注体系、核心定义标准和质量控制方法，支持AI模型针对当地疾病谱、设备环境和临床流程进行本地化适配。第三阶段是生态出海，即将平台、AI和医学影像服务进行一体化输出，并联合当地医院、影像中心、设备提供商和互联网医疗平台，构建远程诊断、持续运营、质量管理和人员培训相结合的长期协同机制。随着输出内容由单一产品向标准和生态延伸，其落地难度将逐步提高，但所形成的长期服务价值和产业协同空间也将进一步扩大。

随着医学影像AI由单点算法向临床工作流和生态化应用演进，全球主要产业参与者正在探索不同的协同路径。医学影像服务网络能够提供真实临床场景、持续数据来源和规模化应用入口，AI企业则提供算法产品、模型研发和平台集成能力。二者深度结合，正在推动AI从外部辅助工具逐步转变为影像服务体系的内生能力。

一脉阳光与影禾医脉：构建“场景—数据—标准—模型—产品—反馈”闭环

一脉阳光与影禾医脉形成了“医学影像服务网络+医学影像AI平台”的协同模式。一脉阳光依托覆盖多区域的医学影像中心网络，为AI研发提供真实临床场景、持续积累的影像数据和专业医学服务基础；影禾医脉则围绕数据标准治理、医学影像基座模型、检查项目级AI智能体和临床应用平台，推动数据资源向智能能力转化。

与传统单病种、单任务算法不同，影禾医脉更加注重以完整检查项目为研发和应用单元，将影像识别、异常判断、结构化报告、质量控制和医生反馈连接起来。通过河图计划、MIIA医学影像智能体体系、AIR产品体系及MIIA-AI集成平台，医学影像数据和医生经验能够在真实应用中持续沉淀，并反馈至模型训练和产品优化环节，形成“临床应用—数据沉淀—标准治理—模型训练—产品落地—医生反馈”的持续迭代闭环。