刚刚被A股公司7.5亿元收购，这家公司要用AI改变传统超声检查

在上一轮AI热潮里，医疗曾是最被看好的赛道之一。

2018年，医疗影像AI融资达到顶峰，全年融资金额17.12亿元。

但很快，这个故事就冷了下来。谷歌解散Google Health，依图医疗卖身，就连行业里为数不多上市的鹰瞳科技，市值也长期停在10亿港元左右。

原因很简单，不赚钱。大多数AI产品停留在“辅助读片工具”，既没有进入诊疗核心，也没有收费能力。

但从去年开始，情况开始发生变化。

去年，国家卫健委等五部门联合发布《关于促进和规范“人工智能 + 医疗卫生” 应用发展的实施意见》，明确提出 “到2030 年基层诊疗智能辅助应用基本全覆盖”。

2026年4月，AI辅助诊断被正式纳入医保乙类目录，开始陆续在各地三甲医院落地。这意味着，AI辅助诊断第一次变成了“可以收费的医疗服务”。

与此同时，产业端也开始出现信号。企查查数据显示，2025年国内AI医疗企业注册2.48万家，同比增长22.38%，创下近十年注册量新高。

不久前，康众医疗（688607.SH）以7.5亿元估值收购脉得智能，而后者刚刚拿到甲状腺结节超声影像辅助诊断软件的第三类医疗器械注册证。目前，脉得智能产品已经覆盖一千多家医院，其中有近100家真正完成了设备采购。

更关键的变化在于商业模式。公司正从一次性设备销售，转向“按例付费”的医疗服务模式。

按乐观（用词保守一点）估算，假设一台设备日均服务100例，对应日收入约3000元，年化接近百万元。

今天，我们和脉得智能董事长陈咏虹聊了聊三个问题：受到上市公司青睐背后，公司核心价值是什么？纳入医保，对AI医疗意味着什么？以及，这一轮AI医疗为什么可能不一样。

/ 01 / 甲状腺超声AI准确率超过95%，高于传统穿刺

硅基君：脉得智能为什么选择甲状腺超声这个方向进行切入？

陈咏虹：我们一开始其实并没有直接选定甲状腺这个方向。2019年前，公司也尝试过CT、MRI等多个影像路径，但很快发现，这些赛道虽然技术成熟，但竞争已经非常拥挤，且产品同质化严重。

之所以决定切入“超声”，并优先选择“甲状腺”，主要有三个原因：

首先是市场规模。国内医学影像中，超声是最主要的检查入口，每年检查量超过20亿人次，远高于CT、MRI等放射影像（通常为数亿人次级别）。

在此基础上，甲状腺作为最常见的超声检查部位之一，其年检查量也处于数亿级规模。

同时，在过去二十年，甲状腺疾病的检出率持续上升。一项全国性的调查数据显示，我国18岁以上成年人的甲状腺疾病总体患病率高达50%。

这意味着，甲状腺疾病已经从“专科问题”变成“公共健康问题”。

其次，根据华西医院等一线专家的反馈，甲状腺检查在临床侧存在明显的痛点。

超声检查高度依赖医生经验，不同医生的操作手法、经验水平差异极大，直接影响结果，这导致同一个病人，在不同医院，甚至不同医生之间，结论可能不一致。

同时，全国超声医师缺口显著，即使算上技师，规培医师等“非正规军”，缺口仍近10万人。

最后，也是最重要的一点，超声检查的技术门槛更高。在CT和MRI辅助诊断里，AI更多是识别静态照片，而超声则需要处理一段连续的动态视频，每秒处理30帧以上的图像信息，对算法的实时性和稳定性要求更高。

三者叠加之下，最终让我们决定进入超声AI领域。

硅基君：目前甲状腺超声AI的真实效果如何？

陈咏虹：我们的超声AI临床测试结果显示结节良恶性判别准确度超过95%，已经远高于传统穿刺诊断90%的准确率。

硅基君：这么高的准确率是如何实现的？

陈咏虹：核心还是数据。在数据层面，我们的判断标准只有两个：规模和质量。

规模上，数据来自全国400多家医院，核心来源包括华西、复旦中山、郑大一附院、广东省头部医院等，覆盖不同区域和不同医疗水平，经过7年持续积累形成。

具体方式上，我们并不是简单做集中式数据汇聚，而是通过与医院签署合作协议，在各地进行本地化模型训练，再将不同医院、不同区域训练出的模型进行整合和迭代。

但更关键的是“数据质量”。

我们构建了一套完整的临床闭环数据。对于一个甲状腺结节，同一病例会同时包含：电子病历（临床描述）、检验指标（如甲功五项）、超声影像、穿刺结果和术后病理结果。

也就是说，这不是“只有图像”的数据，而是从检查到最终确诊的全流程数据链路。

硅基君：能否具体解释下这个数据的差别？

陈咏虹：这里最关键的是，训练模型所用的“标准答案”是什么。

在医学上，有一个概念是“金标准”。简单理解，就是医学上最终、最确定的判断依据。在甲状腺这个场景里，这个标准不是医生经验，也不是影像判断，而是术后组织病理结果——也就是把病灶真正切下来，在显微镜下确认它到底是良性还是恶性。

我们做的，是用超声影像去对齐这个结果。

行业里常见的做法，其实是以“医生判断”为标准。比如用高年资专家的结论作为标签，让模型去学习专家的经验。这种方式本质上是“模仿医生”，能提高效率，但上限仍然受限于医生本身。

这并不属于严格意义上的“金标准”。因为医生的判断，本身也可能有偏差。这也是我们和大多数AI医疗在技术上的最大不同。

可以把它理解为，大多数AI是在“向医生学习”，而我们是在“直接对答案”。这里的“答案”，就是术后组织病理，这是全球公认的临床金标准。

这也意味着更高的要求。如果模型预测结果和病理不一致，我们就认为模型是失败的；只有能够稳定对齐病理结果，才算真正成立。

硅基君：其他AI医疗公司复制这种路径的难度在哪？

陈咏虹：这种路径的难点在于：甲状腺结节人群中，最终接受手术获得组织病理的患者只占少数，不到二十分之一。

必须有足够多“影像 + 最终病理结果”，对应的数据样本，才能训练出有效模型。这也是为什么我们能够拿到国家层面“高质量超声数据集先行先试项目”的原因。

/ 02 / 超声AI价值不是替代人，而是改变诊疗路径

硅基君：按95%准确率来算，基本已经超过绝大部分医生的水平，那是不是意味着AI可以替代掉超声检测的医生了？

陈咏虹：我觉得超声AI的核心价值不是替代人，而是诊疗路径的改变。

如果把甲状腺诊断放到更长的时间轴里看，其实已经经历过一轮重要的技术迭代。

在二十多年前，甲状腺筛查主要依赖超声。一旦发现疑似肿瘤，往往直接进入手术阶段。当时“谈癌色变”，导致大量不必要的手术发生。

后来，细针穿刺（FNA）成为关键分水岭。通过穿刺取细胞进行病理分析，医生可以在手术前判断良恶性，这显著减少了过度手术，是一次典型的医疗进步。

但二十年之后，这一方法也逐渐暴露出问题。

首先是穿刺带有一定随机性，大约有30%的穿刺结果是“不确定”，既不能确认良性，也不能确认恶性，很多问题无法通过穿刺解答，继续陷入是否手术的纠结与迷茫。

其次是行为层面的“过度穿刺”。在风险规避机制下，医生往往倾向于提高敏感性——“宁可多做，不可漏诊”。临床上，但凡结节有点可疑，就可能进入穿刺流程。

结果是，从“减少手术的工具”，穿刺本身逐渐演变为一个新的负担。

在历史数据回溯中，有医院发现，过去进行的穿刺中，大约有50%–85%并非必要。面对如此大量的过度穿刺，如何降低其占比，成为目前临床关切的热点需求。

在这个背景下，AI的价值开始显现。

理论上，只要AI诊断的准确率足够高，就可以“部分替代穿刺”环节。比如，如果AI判断为低风险，就可以减少不必要的穿刺。如果判断为高风险，可以更早进入手术路径。

硅基君：为什么我们会选择“多模型协同”体系，而不是训练一个大而全的超声诊断模型？

陈咏虹：医学问题本身并不是一个单一判断。

以甲状腺为例，一个结节的判断，至少要回答一系列问题——是否存在结节、单发还是多发、是否恶性、具体病理类型（如乳头状癌、髓样癌、滤泡状等），以及功能状态（如甲亢、甲减等）。

同时，还涉及一整套结构性指标，比如分级（TI-RADS）、血流情况、纵横比、大小、位置，以及与周边组织（如被膜、喉返神经）的关系。

从本质上说，AI辅助诊断更像是一个“多任务决策系统”，而不是一个单一判断。在这种情况下，很难用一个模型解决所有问题，而是需要多个子模型分别处理不同任务，再统一输出结果。

硅基君：如果模型泛化性足够强，未来会不会被通用模型取代？

陈咏虹：通用大模型很难在医疗场景中直接落地。主要有两个原因：

一方面，超声属于典型的灰阶图像，信息表达弱、噪声高，对模型的感知能力要求极高；另一方面，医疗决策本身高度结构化，依赖明确的指标体系和临床路径，而不是单纯的语义理解。

因此，目前行业内很难出现几乎可以直接使用的通用模型，核心能力仍然依赖垂直自研。

硅基君：目前，医生使用超声AI系统的动力是什么？

陈咏虹：从医院内部来看，这个产品之所以能够推进，一个重要原因是它没有明显损害原有科室利益，反而重新协调了超声科、临床科室、医院和患者之间的关系。

首先，超声科并不排斥。

现实情况是，几乎所有医院的超声科都缺人。检查需求越来越多，但医生供给不足。因此，只要收费合规、质量可控，超声科反而希望部分检查可以由相关科室或经过培训的人员协助完成。

其次，甲状腺外科、内分泌科等临床科室也欢迎。

过去，甲状腺结节患者需要定期随访，但流程非常麻烦：患者先挂门诊，再预约超声，做完检查后可能医生已经下班，只能下次再来。一次复诊，可能需要一两周。

如果AI设备放在甲状腺外科，患者可以在科室内完成检查、判断和复诊，整个流程十分钟内完成。

这直接提高了患者复诊意愿。比如部分医院引入后，复诊量提升了约34%。对医院来说，患者量增长本身就是重要经营指标；对医生来说，也更容易管理慢病和随访人群。

硅基君：当AI进入诊断决策环节，那出了问题权责如何划分？

陈咏虹：至于AI进入诊断环节后的责任划分，本质上仍然沿用现有医疗流程。超声报告本来就不是最终治疗决策。无论是人工超声还是AI辅助诊断，结果都只是给临床医生提供参考。

最终是否手术、是否穿刺、是否随访，仍然由临床医生决定。换句话说，AI并不是越过医生直接替患者做决策，而是提高前端诊断信息的质量。

也就是说，即使用了AI技术，责任边界也相对清晰。AI负责提供更准确、更标准化的辅助诊断结果，临床医生负责结合患者情况，做最终医疗决策。

硅基君：从实际体验看，患者对AI辅助诊断的接受度如何？

陈咏虹：患者是否信任AI，也曾经是一个问题，但现在阻力已经明显降低。

一方面，产品已经拿到三类证，并进入医保收费体系；另一方面，公司过去围绕医生教育、患者教育和学术推广，已经举办了大量会议。

对患者来说，价值也很直接。它不仅减少了反复跑医院的麻烦，也把早筛能力进一步前移。

传统医生肉眼识别，往往对较小病灶存在限制，而AI获批能力可以识别到5毫米级别的结节。这意味着，一些高风险信号可以被更早发现。

甲状腺癌的风险，并不简单取决于大小。小结节也可能具备侵袭性。因此，早发现、早判断、早干预，才是这个产品真正的临床意义。

总体来说，患者接受度不再是早期最大的障碍。真正决定是否使用的，更多还是医生是否愿意接受、推荐，科室是否纳入流程。

硅基君：咱们超声AI进入医院的节奏是怎样的？

陈咏虹：脉得智能进入医院后的扩张，取决于设备部署数量和医院流程改造。

它不是一个纯软件，而是一套超声机器人系统。一台设备无论放在门诊、病房、体检中心还是超声科，每天的服务能力都有上限。即使全天不停运转，一台设备每天大约也只能服务100来人。

所以，它在一家医院的渗透不是“一年内全部替代”，而是从一台设备开始，先验证临床价值和使用频次，再逐步扩展到更多门诊和科室。

这也解释了为什么不同医院部署节奏会不一样。比如大型医院可能先装两台，也可能根据科室需求扩展到十几台。核心取决于医院的采购预算、使用意愿和收费通道是否打通。

硅基君：目前医院的实际落地情况？

陈咏虹：截至目前，脉得智能产品已覆盖一千多家医院，真正完成设备采购的不到100家；而新的按例付费模式，由于收费通道今年4月左右才开始陆续打通，目前跑通的医院有十几家，但浙江、上海、江苏、四川、广东等地区已经陆续进入招标阶段。

/ 03 / 医保，打通了AI医疗商业化的最后一公里

硅基君：公司的商业模式是怎么样的？

陈咏虹：过去我们走的是传统的一次性设备销售。

早期产品还没有拿到三类证时，也有医院采购过设备。例如，协和等医院曾在较早阶段购买过相关系统，当时主要是作为临床辅助提醒工具使用。

但拿到证、进入收费体系之后，我们更倾向于“按例付费”。原因很简单，如果产品能持续产生收费，一次性卖硬件反而不划算。按例付费可以把产品变成一门长尾生意。

在这种模式下，医院不需要承担太高前期投入，也不必一次性购买完整系统。患者每做一次检查，医院产生一次收费，脉得智能再按约定金额获得服务收入。

在具体落地中，硬件和软件也可以拆开来卖。有些医院要求设备资产归医院所有，那么医院可以单独采购硬件部分；而AI软件和服务部分，则按每例使用付费。

最终，脉得智能卖的不是单纯硬件，而是“硬件入口 + AI诊断服务”的组合。

硅基君：按例付费的具体价格呢？

陈咏虹：甲状腺超声检查在不同地区收费不同，浙江大约70元，北京可到120元。以浙江部分中标案例看，医院每做一例，脉得智能可获得约34元服务费。

如果一台设备每天服务100例，单日服务收入约3000多元，年化收入可接近百万元。这相比一次性卖设备，更具持续性和想象空间。

硅基君：今年AI辅助诊断进入医保，这意味着什么？

陈咏虹：进入医保后，最大的意义在于打通了AI诊疗的付费路径。

过去，即便产品拿到三类证，医院也面临一个现实问题：能不能收费、按什么项目收费、医保是否认可。没有收费编码，产品即便临床认可，也很难形成稳定商业闭环。

现在这个问题已经出现变化。甲状腺超声人工智能辅助诊断已经被纳入医保收费体系，项目名称为“甲状腺超声人工智能辅助诊断拓展项”。国家层面认可之后，各地医保局正在或者已经根据本地执行节奏陆续落地。

比如，上海已经正常开始收费，北京从6月22日开始执行，河北也较早落地。由于医保属于地方统筹，不同地区推进节奏会有差异，但大的方向已经明确。

这意味着，脉得智能的产品不再只是一个医院“可买可不买”的辅助工具，而是一种名正言顺收取费用的医疗器械+服务。

更重要的是，它的收费逻辑与人工检查基本一致：价格一样，报销比例也一样。对患者来说，不会因为使用AI而额外承担明显成本；对医院来说，则多了一个可合规收费、可提升效率的诊疗工具。

硅基君：其实医疗影像AI在2018年是一级市场最热门的赛道之一，为什么上一轮AI医疗没有公司跑出来？

陈咏虹：上一波AI医疗没有跑出大公司，更多还是技术、支付和资本节奏都没有准备好。

第一，技术还不成熟。

2015年前后，很多AI医疗产品更多是基于文献、公开数据或有限样本训练出来的，缺乏真实世界、高质量、可追溯的临床数据。很多产品做的是肺结节、眼底筛查等相似方向，技术路径高度同质化，往往只是“拿一个模型调一调”，很难真正形成临床级诊断能力。

尤其在医疗场景里，如果没有金标准数据，没有完整临床验证，产品就很难经受真实诊疗流程的考验。

第二，没有商业闭环。当时医院没有明确的收费项目，也没有医保支付通道。AI即便提高了医生效率，医院也无法向患者收费，更难向企业持续付费。

所以大多数公司只能低价卖软件、卖系统，甚至一次买断、终身服务。表面上进了很多医院，实际收入有限，回款周期还很长。

第三，资本节奏太快。

上一波AI医疗很大程度上被融资驱动。公司为了讲故事、做覆盖、抢新闻，不断融资、铺医院、做Demo，但产品和商业模式都没有真正成熟。

等到资本退潮，行业迅速进入低价竞争、裁员和倒闭周期。

所以，上一波没跑出来，不是因为AI辅助诊断没有价值，而是当时缺少三个前提：真实可用的技术、可持续收费的商业模式，以及能够长期迭代的产品能力。

硅基君：与上次AI医疗热潮相比，这一波有什么不同？

陈咏虹：这一波变化在于，AI医疗第一次具备了从技术到支付的完整闭环。

首先是数据基础变了。过去很多AI依赖公开数据和文献数据，但现在行业开始真正重视高质量临床数据，尤其是能够和金标准结果对齐的数据。对脉得智能来说，核心价值不只是有算法，而是拥有大规模、高质量、可追溯的数据体系。

其次是技术能力变了。大模型、多模态模型、国产算力和数据工厂的发展，让AI医疗不再只是单点识别工具，而有机会变成覆盖“数据理解、图像识别、诊断推理、报告生成”的完整系统。

第三，也是最关键的，是支付体系变了。

现在AI辅助诊断开始进入医保收费体系。产品只要具备明确的辅助诊断属性，并且进入对应收费项目，就可以从“医院买软件”转向“按医疗服务收费”。

这意味着AI医疗不再只是成本项，而可以成为医院的收入项。

在这个意义上，医疗可能是AI最先形成商业闭环的行业之一。它有明确需求，有强监管，有临床路径，有准入审批，有医保支付，也有可验证的结果标准。

从产品到审批，从临床验证到医保收费，再到医院回款，这条链路虽然很长，但一旦打通，反而会形成更高壁垒。