看一份颅脑 CT 片子需要多久？

一位熟练的影像科医生，从调阅影像到敲完报告，大概是 15 分钟；复杂病例 20 分钟打底，这是神经影像科多年积累的工作节奏。这个时间看起来好像有点慢，但这已是人脑处理一个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 产品在首都医科大学附属北京天坛医院上线测试。它做的是同一件事，但给出报告结果的时间却不到 1 分钟——覆盖 94 种颅脑相关疾病，主要诊断准确率 87.8%，实测中超过 90% 的病例经审核医生一字不改就能用，颅脑 CT 超级智能体的实战数据让业界为之一振。

据介绍，颅脑 CT 超级智能体（小君医生 2.0）是天坛医院与一脉阳光孵化的人工智能企业影禾医脉联合打造的 AI 产品，它的问世，宣告着医学影像 AI 从“单病种工具”迈向“检查项目级智能基础设施”的范式革命已经开启。

2026 年 4 月 28 日，这款“颅脑 CT 超级智能体”被一脉阳光作为年度战略升级的核心产品正式推到台前，定位是“全球首个全病种覆盖的检查项目级智能诊断助手”，同时也被赋予了更广阔的含义与未来。

坦白说，医疗 AI 行业不差一组漂亮数字。过去几年，能拿三类证、能开新品发布会的产品排着队来。但医疗 AI 面临的一个本质问题是：

大多数普通人并不清楚自己为什么需要关注这件事。

答案藏在任何一个三甲医院影像科的日常里。中国影像科医生的年增速只有 4% 左右，检查量增速却超过 30%。基层的数字更难看，有县医院影像科就两三个人，二十四小时倒班，报告积压到第二天是常态。

而颅脑 CT 偏偏又是急诊最常开的检查之一，脑出血、脑梗、颅脑外伤，每多等一分钟，决策就滞后一分钟。在医疗资源越往下走越稀缺的现实中，能读懂颅脑 CT 的医生，和能做这项检查的设备，可能从来就没匹配上过。

所以当行业里说 AI 辅助诊断时，它对应的不是一个技术概念，而是一个极其具体的供需缺口。也正因如此，颅脑 CT 这个赛道，一直被视为医学影像 AI 最难、但也最值钱的高地之一。

从“标个框”到“写篇报告”

2024 年，一家叫 a2z Radiology AI 的波士顿创业公司从隐身模式浮出水面。创始人 Pranav Rajpurkar 是哈佛医学院副教授，专攻通用医学 AI。他们做的事听起来不复杂，一个模型同时分析腹盆部 CT 上的多种急症。

落地成果也很扎实，2025 年底 a2z-Unified-Triage 拿到 FDA 批准，成为美国市场上首个能在单次扫描中同时检出 7 种腹盆部急症的系统，小肠梗阻、急性胰腺炎、腹腔游离气体，都在一张清单上。

RSNA 2025 上发布的前瞻性研究进一步显示，AI 辅助下报告时间减少 17.8%，放射科医生心理负荷下降 22.4%。

这是腹盆部，CT 检查量最大、病例最杂的赛道之一，交出的成绩单。拿下这个品类，在医学影像 AI 圈已经足够拿得出手。

但颅脑 CT 是另一个难度级别。

腹部脏器虽然多，可在某种程度上遵循一套相对固定的排查逻辑：肝、胆、胰、脾、肾、肠道，逐个器官扫一遍，多数急症沿常见病理路径分布。

颅脑不是这样。

一个颅腔里挤着脑实质、脑血管、脑室系统、颅骨结构，病变可以从毫米级的动脉瘤到跨越半球的占位性病变，从几分钟内致命的脑出血到潜伏数年的退行性改变，而且它们在影像上常常互相模仿，丘脑区的梗死和低级别胶质瘤，在 CT 平扫上可能只有灰度上几个点的差别。

“颅脑 CT 超级智能体”就是在头颅这个最难的部位，实现了“像医生一样全面评估”的目标，并且不止于标出问题，而是直接生成完整报告。

按照北京天坛医院医学影像科主任刘亚欧的说法，“颅脑 CT 超级智能体”迈过了一个困扰行业最大的门槛是，它从图像识别升级为图像理解，一次输入影像，直接输出完整的结构化诊断报告。

“这个模型在我们科室已经正式投入使用，打开 PACS 系统，点击影禾医脉的报告按键，就可以一键自动生成结果，医生只需要审核、引用即可。”

在刘亚欧看来，这种模式极大缩短了放射科医生的工作流程，人效比得到非常之大的提升。

而在医疗 AI 行业中，“颅脑 CT 超级智能体”的诞生意味着这个行业已经发展到第三阶段了。

第一阶段是单病种识别，一个模型找一个病，数据驱动；第二阶段是单部位多病种，一个模型覆盖一个部位的多种病变；现在的第三阶段，是以所有检查项目为单元来覆盖的所有解剖结构做所有病种做完整交付，模型驱动而非数据驱动。

前文提及的 a2z Radiology AI 可视为第二阶段的东西，去年 10 月同样由一脉阳光孵化的影禾医脉联合四川大学华西医院发布的胸部 CT 路径级辅助诊断 AI 工具（AIR），也是如此。

AIR 可以实现一次 CT 平扫，同步完成对肺、胸膜、纵隔等多个器官的全病灶检测与诊断，覆盖该部位所有常见病种。

AIR 的发布业内曾被业内盛赞为，医学影像 AI 从过去的“小模型单病种检测”（1.0 时代）迈入了“基座大模型驱动的多器官全病种协同诊断”2.0 时代。

颅脑 CT 超级智能体不仅在病灶检出数量上实现了大幅跨越——覆盖 94 种颅脑相关疾病——更完成了从“检出”到“撰写完整报告”的功能跃迁。通过胸部 CT AIR 的产出到颅脑 CT 超级智能体的产出，短短半年时间，影禾医脉作为同一个生产主体快速产出多个 AI 结晶，直接一马当先的把整个行业拉到了医学影像通用 AGI 3.0 时代。

技术也跃迁

但要内在逻辑，“颅脑 CT 超级智能体”与此前同类型医疗 AI 技术或产品最大的不同在于，它更加重视医生和医院在产品中的含金量。

发布会上，首都医科大学附属北京安贞医院医学影像科主任徐磊有一个形象的说法，借助 AI 的帮助，影像科医生从报告书写者到 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。

事实上，小君医生的 1.0 版本是天坛医院与北京理工大学合作的，当时实现了文本到文本的技术突破。小君医生 2.0 版本（颅脑 CT 超级智能体）与影禾医脉合作后，天坛医院的资源实际上没有太大变化，但有关医疗 AI 大模型上影禾医脉就有发言权了。

去年 9 月北京服贸会上，影禾医脉、国家人工智能应用中试基地和北京天坛医院联合发布了一份颅脑医学影像 AI 系统性研发成果，颅脑 CT 核心定义表与颅脑 L1 基座模型。

这个系统性研发成果与 L1 基座模型是颅脑 CT 超级智能体公开可查的来时路，前者解决了“数据怎么标”，后者解决了“模型怎么建”。

作为孵化主体，一脉阳光用百余家影像中心千万体量的数据支撑了技术底层模型的泛化功能。这些数据不是实验室里精挑细选的干净样本，而是来自真实临床环境，通过统一的核心定义表完成标准化标注后，反哺模型训练。

技术层面，影禾医脉祭出了两块核心积木。

第一块是自研的“影禾觅芽®"医学影像基座大模型，一个能处理 CT、MR、X 线等多模态数据、覆盖全身 200 余种常见病的 L0 级全模态基座，通过基座预训练 + 下游微调的模式，AI 新产品开发周期可缩短 70% 以上。

第二块是全链路 AI Agent 矩阵，负责把诊断逻辑拆成多个智能体协同工作。基座提供认知能力，Agent 矩阵负责工作流编排，两块积木咬合在一起，才撑起了一次输入、完整输出的能力。

有了上述技术和数据支撑，颅脑 CT 超级智能体才能做到领先，且重点是已在天坛医院放射科完成临床落地。

听起来像营销话术，但把 a2z 的腹盆部成绩和颅脑 CT 的客观难度摆在一起看，临床落地的分量就出来了。

在腹盆部，a2z 已证明一个模型同时检出 7 种急症可以拿到 FDA 批文、跑出可量化的临床效率提升。a2z 目前的产品形态更接近 AI 辅助报告草拟（AI-assisted report drafting），即 AI 输出结构化草稿，医生审核签发。

颅脑 CT 超级智能体则已经在天坛医院实现了 90% 以上病例无需修改的一键成文，并成功推动了商业化落地。

更重要的是，一脉阳光和影禾医脉的本地迭代理念，也就是让 AI 在医院本地基于医生本院使用、诊疗习惯持续进化，越用越适配。于是就形成了一个闭环优化逻辑：从医生操作→数据记忆→训练样本，实现全流程数据价值转化。

上海交通大学教授顾运将其称之为：工作即训练，使用即进化，让临床工作流成为模型进化的动力。

商业化才是照妖镜

如果给医疗 AI 行业找一面照妖镜，那就是“收不收钱”。

过去五六年，国内有超过 200 款 AI 医疗器械拿到 NMPA 三类证，光是 2025 年一年就新增了 41 款。

但拿证不等于赚钱。大量产品进了医院之后的命运是：装上了，偶尔用一下，收不到一分钱。医院预算本来就紧，AI 软件又不在医保目录里，买单意愿天然打折扣。行业一度陷入一个怪圈，产品越来越多，收入却不见涨。

所以颅脑 CT 超级智能体商业化真正意义上能率先落地这个事实，值得单独拿出来说。

为什么能收钱？核心逻辑不复杂。它解决的不是优化体验，而是产能提升。

一个颅脑 CT 报告从 15 分钟变成 1 分钟，对三甲医院是效率提升，对基层是产能补充。当价值可以量化，买单的账就能算过来。这和过去那些“挺好用但收不到钱”的 AI 产品形成了明显分野。

当然，说商业化不代表从此一马平川。医疗行业天然保守，医生对新工具的信任需要时间积累，一个绕不开的问题永远悬在头顶：AI 出的报告万一有误，谁担责？

这不是算法能回答的问题，比任何技术指标都更难搞定。医疗 AI 的商业化，本质上是信任的商业化，钱只是最终的一种结算形式。

从这个角度看，“首个收费智能体”的真正含义其实是，有人愿意为这份信任掏钱了。虽然掏多少钱的规模还暂未公布，但门已经被推开一条缝。

而把一个能收费产品和一个能持续收费的产品区分开的，是这件事它能不能自我进化。

很多医疗 AI 产品落地后会遭遇同一个尴尬，用着用着就不够好了。

疾病在变、数据在涨，但模型是死的。想更新一次，得重新标注、重新训练、重新部署，周期几个月起步。医院花了一笔钱，一年后发现版本还是老样子，第二年自然就不续了。

一脉阳光和影禾医脉给出的解决方案是一套三层架构：数据治理层、模型迭代层、科研孵化层。名字听起来有点绕，拆开看其实逻辑清楚。

最底层是数据治理层。

一脉阳光在全国的影像中心网络，积累了近 30

00 万例、7PB 的医学影像数据。

一脉阳光的办法是牵头制定数据治理的标准化规范，并且通过影禾医脉制定的颅脑、胸腹、关节等十余个部位的《核心定义子表》，相当于给数据标注立了一把统一的“尺子”。数据进来先过一遍治理，再往上走。

中间层是模型迭代层。

基座模型影禾觅芽®不是一个单任务模型，而是一个能处理 CT、MR、X 线等多模态数据的 L0 级基座。通过基座预训练 + 下游微调的模式，新产品开发周期可以缩短 70% 以上。而且这个模型有个实用特性，小样本训练下精度也能提升 10%-20%，意味着某个病种的标注数据不多时也能快速适配。

最上层是科研孵化层。

这是“让最懂医学的人训练最懂医学的 AI"这句口号真正落地的地方。

天坛医院这样的顶级机构提供的是临床知识体系和真实反馈。医生不是标注数据的工具人，而是 AI 研发的主导者。这是在把顶级医疗机构顶级专家的认知资产，转化为 AI 进化的迭代燃料。

三层架构合起来的运转逻辑是，临床一线的真实数据进入治理层，经过标准化处理后实现通用模型升级，再由顶级医生团队主导科研孵化。

整个过程不是产品上市就结束了，而是产品上市工作才刚开了个头。一脉阳光甚至把旗下部分影像中心设为模型调整和智能体的验证测试基地，影像医生在真实诊断场景中使用产品，发现缺陷，反馈给影禾医脉的技术团队做针对性优化。

翻译成一句大白话，这不是一个买完就定型的软件，而是一个能在使用中持续成长的数字医生。你今天用的版本和半年后的版本，能力是不一样的。

对医院来说，这意味着花出去的钱不是沉没成本，而是一笔能增值的资产。这才是自我迭代这件事真正厉害的地方，它把 AI 产品的商业寿命，从一次性买卖拉长到了终身服务。

回过头去看，这套架构和一脉阳光此前的战略定位也对应得上。

2024 年的年报中一脉阳光提出了“场景 + 数据 + AI 场景”的说法，当时听着像顶层设计。现在颅脑 CT 超级智能体已经跑通了一条完整的路径：影像中心网络产生的海量数据，基座模型提供技术底座，顶级医院注入临床智慧，最终在颅脑这个最复杂的部位之一，产出了一个能收费、能迭代、能复用的产品。

尾声

把时间拉回到 2025 年 9 月，服贸会人工智能 + 医疗健康研讨会现场。

那场发布在声量上不算起眼，台上展示的是两样听起来有点枯燥的东西：颅脑 CT 核心定义表和颅脑 L1 基座模型。

前者统一了颅脑影像的标注规范和结构化报告标准，解决了不同医院、不同设备、不同时期数据各说各话的问题；后者在影禾医脉自研的影禾觅芽 L0 全模态基座上迭代而来，专门针对颅脑做了优化。

这两样听起来略微枯燥的东西，回答了一个很少有人公开讨论的问题：顶级医院的数据和知识，到底怎么变成 AI 能消化得了的“养料”？

简单来说，核心定义表立下的是标准，L1 模型搭起的是骨架。七个月后，这套标准和骨架在天坛医院的真实场景里，长成了颅脑 CT 超级智能体。

至此，中国医学影像 AI 迈过了一道分水岭。

过去 AI 做的事很单纯，把可疑的地方圈出来，剩下交给医生。这一步很难，但它依然是感知辅助的事。现在这个产品从帮你看到走到了替你想好怎么写，一步跨进了认知生成的领地。

这不是精度往上跳了几个点，是能力维度变了。

这正是一脉阳光和影禾医脉所定义的，以检查项目为单元，批量研发 AI 工具，全模态、全检查、全流程、全自动，真正嵌入医技护工作流，用模型驱动完整交付的医疗 AI 3.0 时代。AGI 在医学影像领域的务实形态，不是一个科幻片里的全能医生，而是一个在完整检查项目上具备了接近人类医生综合诊断能力的智能体，“颅脑 CT 超级智能体”是第一个把这个定义变成现实的产品。

更深一层看，它的意义不只是一款产品厉害，而是它背后那套范式被整条跑通了。

过去的医疗 AI 研发范式是项目制，一个医院、一个课题、一个病种、一套数据、一个模型。每次换场景都得重来，研发周期长、复制成本高、商业转化难。

而现在这套新范式是基座模型 + 专家共建 + 数据闭环的智能体工厂：影像中心网络提供真实场景的数据，顶级医院把临床认知注入模型，基座驱动产品持续迭代。

这套东西以前更多出现在技术白皮书里，现在被一条产品线从头到尾拉通。

这是中国 AI 医疗发展范式的一次切换，从项目驱动的手工作坊切到基座驱动的智能体工厂，从论文和 Demo 切到收费单和临床流程。

范式切换如果只停留在理论里，那只是愿景；一旦出现在医院的账单上，它就变成了产业事实。

这个行业从来不缺故事。缺的是能出现在收费单上的产品，能持续进化的模型，能放心把初报告交给 AI 的医生，一脉阳光，影禾医脉和天坛医院这次凑齐了。

颅脑这块石头踩稳了，它踩出来的不是一条小路，而是一个时代的入口。

特别声明：本文为合作媒体授权 DoNews 专栏转载，文章版权归原作者及原出处所有。文章系作者个人观点，不代表 DoNews 专栏的立场，转载请联系原作者及原出处获取授权。(有任何疑问都请联系idonews@donews.com)