颅脑CT智能体：医疗AI的"收费时刻"到了吗

「看一份颅脑CT片子需要多久？」

北京天坛医院医学影像科主任刘亚欧的日常里，这个问题的答案是15分钟——熟练医生从调阅影像到敲完报告的标准节奏。复杂病例20分钟打底，这是人脑处理颅腔内上百种可能病变的极限。

今年4月，一款名为「颅脑CT超级智能体（小君医生2.0）」的AI产品在同一科室上线测试。同样的工作，它用时不到1分钟。

94种颅脑相关疾病覆盖、87.8%主要诊断准确率、超90%病例经审核医生一字不改即可采用——这组数据让2026年4月28日的一脉阳光战略发布会有了实质性支撑。这款被定位为「全球首个全病种覆盖的检查项目级智能诊断助手」的产品，正在把医学影像AI从「单病种工具」推向「检查项目级智能基础设施」的新阶段。

但比技术参数更值得追问的是：当AI终于能独立完成一份收费级别的诊断报告，医疗AI的商业逻辑是否迎来了真正的拐点？

正方观点：这是医疗AI的范式革命，临床价值已经闭环

支持者的论据首先来自供需缺口的刚性。

中国影像科医生的年增速约4%，检查量增速却超过30%。基层更严峻——部分县医院影像科仅两三个人，二十四小时倒班，报告积压到第二天是常态。而颅脑CT恰恰是急诊最高频的检查之一：脑出血、脑梗、颅脑外伤，每多等一分钟，临床决策就滞后一分钟。

「颅脑CT超级智能体」的回应是直接替换工作流中最耗时的环节。刘亚欧的描述很具体：「打开PACS系统，点击影禾医脉的报告按键，一键自动生成结果，医生只需要审核、引用即可。」

这种人效比的跃升，被定义为医学影像AI的第三阶段。

第一阶段是单病种识别，一个模型找一个病；第二阶段是单部位多病种，如2024年波士顿创业公司a2z Radiology AI的腹盆部CT系统，单次扫描检出7种急症，2025年底获FDA批准；第三阶段则是以检查项目为单元，覆盖所有解剖结构、所有病种、完成完整交付——从「标个框」到「写篇报告」。

影禾医脉的路径提供了时间坐标：2025年10月联合华西医院发布胸部CT路径级辅助诊断工具AIR，覆盖肺、胸膜、纵隔等多器官全病灶检测；短短半年后，颅脑CT超级智能体实现从「检出」到「撰写完整报告」的功能跃迁。同一生产主体的快速迭代，被业内视为将行业拉入「医学影像通用AGI 3.0时代」的标志。

技术层面的支撑同样具体。影禾医脉的两块核心积木：自研「影禾觅芽®」医学影像基座大模型（L0级全模态基座，覆盖全身200余种常见病），以及全链路AI Agent矩阵（负责诊断逻辑的工作流编排）。基座提供认知能力，Agent矩阵负责拆解协同，两者咬合实现「一次输入、完整输出」。

更关键的是数据底盘。一脉阳光百余家影像中心千万体量的真实临床数据，通过「颅脑CT核心定义表」完成标准化标注后反哺模型训练——这不是实验室的干净样本，而是带噪声的真实世界数据。

临床落地的完成度是另一块压舱石。与a2z Radiology AI的腹盆部成绩相比，颅脑CT的客观难度更高：颅腔内脑实质、脑血管、脑室系统、颅骨结构交织，病变从毫米级动脉瘤到跨越半球的占位性病变，影像表现常互相模仿。能在这一部位实现「像医生一样全面评估」，且直接生成结构化报告，意味着技术可靠度已跨过医院采购的心理门槛。

首都医科大学附属北京安贞医院医学影像科主任徐磊的总结指向商业模式的质变：影像科医生借助AI，从报告书写者转变为AI创造者、训练者、复核者，「能够借助数字分身实现经验复制与24小时服务」。

当AI产出达到「审核即可引用」的质量，且能嵌入现有PACS工作流，「收费」便不再是概念验证，而是可执行的临床服务。

反方观点：技术跃迁不等于商业闭环，医疗AI的付费困境从未真正解决

质疑者的切入点是历史经验。

医疗AI行业「不差一组漂亮数字」。过去几年，拿三类证、开新品发布会的产品排着队来，但大多数普通人仍不清楚自己为什么需要关注这件事——这本身就是问题的表征。技术参数与临床采纳之间，隔着漫长的验证周期；临床采纳与可持续付费之间，又隔着医保、定价、利益分配的多重迷宫。

「87.8%主要诊断准确率」在学术语境中 impressive，但在急诊场景下意味着每10个病例就有1个需要人工深度介入。对于颅脑CT这类高 stakes 检查，临床容忍度可能更低。AI节省的时间，是否足以覆盖纠错成本？这个账，不同医院的算法不同。

工作流整合的 friction 被乐观叙事低估。刘亚欧描述的「一键生成」建立在PACS系统改造、数据接口打通、医生操作习惯重塑的基础上。天坛医院作为研发参与方，有动力也有资源完成这套基础设施升级；但全国数千家二级以上医院、数万家基层医疗机构的IT成熟度参差不齐，复制成本几何？

更深层的问题是价值归属。徐磊所说的「数字分身实现经验复制」，本质上是在追问：当AI学习了资深医生的诊断逻辑，产出的报告价值归谁？医院购买的是软件授权、按次服务费，还是医生经验的「租让」？这些问题的法律框架至今模糊。

影禾医脉的技术架构——基座大模型+Agent矩阵——也带来新的成本结构。L0级全模态基座的训练与维护需要持续投入，而医疗场景的长尾需求（罕见病、复杂变异）意味着模型迭代不会停止。这与传统医疗软件「一次性开发、多年维护」的商业模式截然不同，更接近云计算的持续运营逻辑。医院是否准备好为「AI服务」而非「AI产品」付费？

国际参照同样复杂。a2z Radiology AI的腹盆部系统获FDA批准，但美国市场的商业路径（按扫描量付费、纳入DRG打包定价）能否在中国复制？中国医疗AI的付费历史上，软件进院难、定价低、回款周期长是常态，「收费智能体」的概念再好，也需要逐个攻破这些老问题。

还有一条暗线：当AI能生成完整报告，医生的角色被重新定义，这种重新定义是否被医生群体接受？「从书写者到审核者」的转变，在效率叙事中是升级，在职业认同叙事中可能是降级。医疗AI的采纳从来不只是技术问题，更是组织变革问题。

我的判断：这是医疗AI从「工具」到「基础设施」的关键一跃，但商业化的胜负手在院外

颅脑CT超级智能体的真正意义，不在于它比其他产品快多少分钟，而在于它重新定义了「完成度」的标准。

此前的医疗AI产品，无论单病种还是单部位多病种，本质上是「辅助工具」——医生仍是决策主体，AI提供参考信息。而「检查项目级智能体」的目标是直接交付可审核、可引用、可收费的诊断报告，这相当于把AI从「副驾驶」挪到「驾驶位」，医生转为「安全员」。这种角色关系的翻转，是范式革命的核心。

但范式革命不等于商业成功。医疗AI的历史上，技术领先而商业折戟的案例比比皆是。颅脑CT超级智能体的差异化优势，在于它选择了一个「难而正确」的切入口：颅脑CT的临床价值极高（急诊刚需）、技术难度极大（行业共识）、供需缺口极深（基层尤甚）。这三个「极」构成了付费意愿的护城河。

一脉阳光的布局值得细究。作为影像服务运营商，其百余家影像中心既是数据源头，也是潜在应用场景。这种「数据-模型-场景」的闭环，比纯技术公司的线性推广更具网络效应。当AI智能体在一脉阳光自有网络中跑通付费模式，再向外部医院输出时，已有可验证的ROI案例。

然而，真正的胜负手可能在院外。中国医疗体系的结构性矛盾——优质影像诊断资源集中于头部医院，而检查需求大量沉淀在基层——意味着「AI替代医生」的叙事在顶级医院敏感，在基层医院却是刚需。颅脑CT超级智能体若能以「远程诊断服务」而非「软件销售」的模式进入基层，按诊断量分成，或许能绕过传统医疗软件的商业陷阱。

另一个变量是医保。诊断服务的AI化定价，目前尚无全国统一标准。但DRG/DIP支付改革的推进，正在倒逼医院关注诊断效率和成本。AI生成的结构化报告，若能在质控、编码、临床路径管理上创造可量化的价值，医保谈判的筹码便会增加。

技术层面，「影禾觅芽®」基座大模型的L0级定位（全身200余种常见病）暗示了更大的野心。颅脑CT是验证场景，若能在这一最难部位证明可靠性，向其他部位、其他模态（MR、X线）的迁移将加速。这种「单点突破-快速复制」的策略，符合医疗AI规模化的内在逻辑。

但风险同样真实。基座大模型的「黑箱」特性与医疗可解释性要求的张力，Agent矩阵在多科室协同中的边界模糊，罕见病覆盖不足导致的 liability——这些都是从「演示」走向「规模」必须回答的问题。

回到开头的问题：颅脑CT智能体的「收费时刻」到了吗？

我的看法是，它到了「可以收费」的技术节点，但尚未到达「愿意付费」的商业均衡。天坛医院的临床落地是0到1，一脉阳光的网络复制是1到10，而真正的10到100，取决于能否在基层市场找到可持续的付费模型，以及在医保谈判中确立AI诊断服务的价值坐标。

这不是悲观。医疗AI的每一次范式跃迁，都伴随着类似的质疑与验证。颅脑CT超级智能体的价值，在于它把「验证」的门槛抬到了「完整报告」的高度——这比「辅助诊断」难得多，也比「辅助诊断」值钱得多。剩下的，是商业化的耐心与制度创新的空间。