一名知情人士称，OpenEvidence 或愿意考虑出售公司，其中还包括算力资源的使用权。若反 AI 情绪持续升温并阻碍数据中心扩建，未来算力供应可能趋于紧张。目前尚无法核实是否已有潜在收购方表达并购兴趣，公司也可能选择继续保持独立。

OpenEvidence 总部位于迈阿密，过去一年融资总额超过 10 亿美元（约合 67.17 亿元人民币），投资者包括 Thrive Capital、DST、GV、凯鹏华盈与红杉资本。该公司将旗下 AI 搜索引擎称为“史上增长最快的医生应用”。

在 OpenEvidence 完成新一轮融资之际，OpenAI、Anthropic 等 AI 巨头正进一步拓展医疗业务，不仅向其他公司的产品提供底层模型，也越来越多地亲自开发医疗工具。对潜在收购方而言，OpenEvidence 可省去从零进入医疗市场的过程——它已积累医生用户、具备处理敏感医疗信息的经验，并在 AI 公司日益看重的庞大市场中取得立足点。

OpenEvidence 创立于 2022 年，产品已在医疗专业人士中广泛使用，美国超过三分之二的医生依靠其获取诊断与治疗建议。该公司与多家大型科技公司保持业务关系，英伟达也是投资者之一；本周它与 Anthropic 达成合作，此前还接入了谷歌与微软的 AI 工具。

阿里巴巴达摩院与浙江大学医学院附属第一医院等机构联合研发的通用医疗影像 AI 模型 DAMO RADAR，于 9 月 18 日登上国际顶级学术期刊《科学》（Science）。该模型面向腹部增强 CT 诊断，可一次性识别超过 146 种病症，诊断准确性首次达到影像科专家级水平，目前已正式开源。

从「一病一模」到通用模型

腹部增强 CT 是临床最复杂的影像之一，单张图像里包含肝脏、胰腺、肾脏、胃肠道等数十个器官，潜在异常和病变种类多达数百种。过去医疗影像 AI 大多采用「一病一模」的思路，一个模型只解决一种疾病，训练高度依赖医生人工勾画标注，成本高、覆盖窄，难以应对真实临床中复杂多变的场景。

DAMO RADAR 选择了一条不同的路线。研究团队采用视觉-语言学习方法（Vision-Language Learning），让模型同时学习医学影像和其对应的诊断报告文本。达摩院高级算法专家张建鹏表示，由于 CT 数据中的有效信号十分稀疏，常规的视觉-语言学习效果并不理想。为此，该项研究在国际上首次提出「器官级细粒度对齐」策略：先将三维 CT 拆解为解剖单元，在组织、器官层面让影像与报告文本精准对应，再通过自适应对比建模动态调整，无需额外人工标注即可完成可扩展、多用途、可解释的诊断。

关键指标全面对标专家

最终，DAMO RADAR 覆盖了包含恶性肿瘤在内的广泛腹部病症，研究团队重点评估了其中 146 种，涉及 18 个器官。据论文披露，团队搭建的 RAD-CT 数据集包含 42.49 万份 CT 检查，生成超过 1500 万组器官级图文配对样本。

在内部测试队列的 146 种影像发现任务中，模型 AUC 达到 0.913（AUC 是衡量区分患者与正常人能力的指标，数值越接近 1 越好）；在 8 个外部临床中心的测试中，AUC 介于 0.874 至 0.912 之间。在针对肝、胰腺、胃、结直肠的病理确认队列中，AUC 可达 0.891 至 0.984。即便面对训练时未包含的急腹症场景，模型仍保持 0.904 的高 AUC，展现出良好的泛化能力，成为首个达到专家水平的通用医学影像 AI 模型。

人机对比：辅助而非替代

论文显示，DAMO RADAR 与 26 名来自多家医院的放射科医生进行了同场对比，其平均准确率超过了其中 23 名医生。更重要的是，AI 并非要替代医生看片，而是作为辅助工具：在 AI 提示下，放射科医生识别疾病的敏感性（即防漏诊能力）提高了 10%，阅片用时减少了 30% 以上，并使低年资医生达到了高年资医生的诊断水平。浙大一院放射科主任肖文波评价称，DAMO RADAR「首次实现了腹部多器官、多病种的高准确检出，能像导航一样为医生提供诊断支持」。

达摩院长期投入医疗 AI，三年内已在《自然·医学》等顶刊发表多篇论文。此次 DAMO RADAR 的开源地址为 github.com/alibaba-damo-academy/damo-radar，相关论文 DOI 为 10.1126/science.aec6129。研究团队表示，该范式不仅可用于腹部 CT 的多病种识别，还有望拓展到其他类型的医疗影像，推动通用人工智能在医疗领域的实际应用。

医疗行业正以高于整体经济约 2.2 倍的速度采用人工智能，试点阶段已经结束，规模化落地正在发生。但一份行业分析指出，多数机构只是把智能工具”叠”在既有流程之上，而既有流程本身建立在”由人审阅、由人分派、由人审批”的旧假设之上——这个假设在新技术的包装下原封未动。该分析据此给出一个尖锐判断：把人工智能装进坏掉的流程，得到的只是”更快的坏流程”，而不是”正确的流程”。

真正的障碍是治理，不是技术

分析认为，技术从来不是瓶颈，真正的阻力来自组织治理。大型医疗集团并非铁板一块，而是由多个业务单元拼成，各自握有独立的利润表、供应商关系与权责边界。当流程的所有权被切分到四方，端到端的重构几乎不可能推进，人工智能项目因此长期停留在试点，即便其价值早已被验证，也没有人拥有”推倒重来”的授权。结果就是：智能工具被螺栓般焊在旧结构上，底层架构纹丝不动，问题持续累积。

一个常被引用的量化背景是：美国医院 2025 年的利润率中位数约为 1.1%，而麦肯锡预计今后五年利润压力最高可达 13%。面对这种结构性缺口，许多机构的应对方式与过去二十年如出一辙——而分析者本人的从业经历恰恰贯穿了这些阶段：上世纪九十年代的管理式医疗试图压低成本，二十一世纪初把工作离岸外包以赚取人力差价，2010 年代又靠共享服务中心合并职能、挤出冗余。他直言，每一个杠杆都只是把成本搬到了别处，而非真正削减。

复杂度税

分析进一步指出，真正的成本驱动项是内部架构：彼此分割的业务单元运行着平行流程，背负着冗余的系统，还与同一批供应商分别议价。这种复杂度像一笔”复杂度税”，从不在预算表里单独出现，却始终体现在利润、延误与那些”始终没能做出的决策”之中。一位曾负责某大型健康险企业共享服务的从业者提到，其管辖范围横跨健康险、药房与药品福利管理三大板块、约 3.4 万人，组织复杂度本身就是与外部市场同等重要的成本驱动；而当一桩 600 亿美元的并购在隔夜把规模翻倍，暴露出的正是复杂度本身。

该分析抛出一个关键问题：如果今天从零开始、且人工智能自始可用，人们还会不会建成现在这套模样？对几乎所有既有的医疗工作流诚实地回答，结论都令人不安。

对中国的参照

中国内地的医疗信息化同样长期受困于”系统林立、数据不通”的遗留架构：电子病历、医院信息系统、医保结算系统往往分头建设，标准不一、接口不通。人工智能落地时，常见做法也是”叠加”而非”重构”——把模型挂接在原有流程之外，而非重塑流程本身。近年来国家推动检查检验结果互认、建设统一的医保信息平台、推广电子健康卡，本质上正是从治理层面破解这一困局：先把数据通起来、把权责理清楚，再谈智能化的纵深应用。换言之，医疗人工智能要真正释放价值，前提可能不是更聪明的模型，而是对旧系统的勇气与权限。

两秒读出风险，准确率最高九成

这项成果于欧洲心脏病学会（European Society of Cardiology）年会上公布，会议在慕尼黑举行，是全球规模最大的心脏领域学术会议。研究团队介绍，该工具基于数百万份心电图训练而成，能够提取心电波形中肉眼与常规算法都难以察觉的细微模式。

在一项覆盖美国约 6.7 万名患者的验证中，该工具对心衰的识别率最高达到 81%，对心脏瓣膜病的识别率最高达到 90%。全球每年约进行 10 亿次心电图检查，如果能在现有检查流程中“顺手”完成一轮高风险筛查，影响面将相当可观。

不替代超声，而是抢出时间

研究者的目标并非用人工智能取代超声心动图，而是把它变成一道高效的分诊关卡。工具本身不能作为确诊依据，但能对“极有可能存在异常”的人给出强烈提示，使其被优先安排超声复查，而不必在常规排队名单上苦等数月。

英国心脏基金会临床总监、顾问心脏病专家 Sonya Babu-Narayan 表示，心电图检查快到“眨眼之间”就能出结果令人振奋；这类技术虽不能发现每一位患者，却能帮助最需要的人尽早进入后续诊断通道，而心脏问题越早干预，生存与生活质量获益越大。

帝国理工学院心脏病学教授 Fu Siong Ng 指出，患者经医生转诊后，往往要等上数月才能做上心脏超声。该工具的价值，正在于把心衰与瓣膜病风险最高的人群提前筛选出来，让他们更快、更紧迫地进入检查序列。

从“超人”到手持设备

领导帝国理工学院该项分析工作的英国心脏基金会临床研究员 Ahmed El-Medany 将这套系统称为“超人级人工智能”。他提到，下一步的挑战是设计面向医护人员的手持式人工智能心电图仪，把能力从医院设备延伸到现场。

同一会议上，东京大学与东京科学大学的研究者还展示了另一项成果：通过对五秒面部视频进行人工智能分析，可快速识别未确诊的高血压与 2 型糖尿病——全球有数以百万计的人并不知道自己患有这些慢病。

距离临床落地仍有距离

需要说明的是，这套心电图人工智能工具目前尚未获得临床使用批准。研究者仍需在更多元的人群与医疗体系中完成验证。但从验证结果看，基于心电图的人工智能分析有望成为心内科的常规分诊步骤：早期识别心衰与瓣膜病，意味着更早开始治疗，从而减少住院与死亡。

心电图里藏着肉眼看不到的信息

心电图通过记录心脏电活动来辅助诊断，是全球最常用的检查之一，每年约进行10亿次。传统解读主要识别心肌梗死与异常心律，却无法诊断心脏病本身——确诊往往需要超声心动图，而患者常常要排队等待数月。

这款AI模型基于超过1000万份心电图训练，能够从常规心电图中提取人眼难以察觉的信息。在美国约6.7万名患者的前瞻性测试中，它正确识别出了多达81%的心力衰竭患者，以及多达90%的心脏瓣膜病患者。

不是替代医生，而是快速分流

研究团队明确强调，该工具尚不能独立给出确诊结论，而是提供”高风险”的强信号：一旦判定某人很可能患有心衰或瓣膜病，便可被快速转介做超声心动图，而不必在常规等待名单上耗费数月。帝国理工学院心脏病学教授吴傅尚（Fu Siong Ng）指出，患者被医生转介后往往要等上数月才能做心脏超声，这项技术有望让最危险的患者优先接受扫描。

该分析由英国心脏基金会（BHF）临床研究员Ahmed El-Medany领衔，吴傅尚担任高级研究员。下一步方向包括为临床医生开发手持式的AI心电图读取设备。

有望进入英国公立医疗体系

英格兰国民医疗服务体系（NHS）计划在伦敦与布里斯托的数家医院招募约590名患者开展试用，研究团队预计两年内可推广至全国。英国约有100万人已被确诊心衰，另有约40万人在不知情中患病；心脏瓣膜病患者约150万。借助AI从每一次心电图”机会性”地筛查未怀疑的病例，有望让更多人在病情恶化前获得干预。

这项技术的价值在于，它做的不是”更快完成医生也能做的事”，而是”完成医生看心电图时做不到的事”——从海量常规检查中提前标记风险，让早诊早治真正落地。

从”要不要上”到”上了却没变”

文章作者观察到，两年前医生最常问的是”该不该用 AI”，如今这个问题几乎消失了。取而代之的现象是：一位医生在两位患者之间查一下 AI、读完答案、关掉标签页、继续看病——工具被”采用”了，诊疗本身却没有改变。

飞利浦（Philips）《Future Health Index 2026》印度报告（于当月发布）用数据勾勒了这层落差：71% 的印度医疗从业者表示 AI 提升了自己接诊更多患者的能力，高于全球 50% 的水平；在感受到提升的人群中，中位数达到每周多接诊 10 名患者。与此同时，78% 的印度医疗从业者曾纠正过 AI 生成的错误信息，86% 认为每一条 AI 输出都需要人工复核；58% 的临床医生报告每年节省至少 132 小时，其中约四分之三把这部分时间用于更充分的医患沟通。另有 45% 表示所在机构的 AI 培训有限或不成体系。

三个条件区分”采用”与”整合”

文章提出，区分”采用”与”整合”的有三个条件，且都与模型本身无关。其一是临床适配：在外部诊疗模式下训练出的系统即使准确，也可能因为药品目录、疾病谱、语言与本地不符而难以落地——对印度门诊而言，结核、登革热、抗生素耐药是日常，而非边缘案例。其二是可验证性：输出须能对照临床来源、且来源可见，信任来自系统架构而非宣传话术。其三是可转化的时间：节省的时间要真正流入诊疗，最明显的标志是医生不再”感觉到”技术在场。

整合是结构性功课

结论很清楚：采用是个体的举动，整合是结构性的改变——系统嵌进工作流、持有诊室里患者的上下文、改变做事的方式，而不是在原有流程上多加一步。尽管报告以印度为样本，”采用容易、整合困难”的落差在各国医疗体系中具有共性。整合阶段能走多快，最终由一个又一个门诊科室决定。

从”治病”转向”防病”

这份名为《技术大趋势 2030》的报告，评估了 AI、能源、健康与生物科技、空间技术、机器人五大领域在未来五到十年重塑人类生活的潜力。参与编写的专家小组把”健康技术”排在了影响人类的首位。

报告反复强调的一个核心转变，是从”反应式治疗”走向”主动式防护”——也就是在疾病造成实质伤害之前就识别并化解，而不是等症状出现后再去处理。IEEE 未来方向委员会产业顾问委员会主席、IEEE Fellow Dejan Milojicic 把这称为由技术驱动的深层转向。

六大方向，三项最被看好

报告在健康领域列出了六个具体的技术方向：个性化医疗、基因工程与基因治疗、可及的早期疾病诊断与生物标志物、分子疗法、蛋白质合成，以及”理解生命”（构建生物过程的底层数字模型）。

其中，个性化医疗、基因工程与基因治疗、可及的早期疾病诊断与生物标志物，在影响力、成功率、技术成熟度和采用速度四项指标上评级最高，被视为最值得期待的突破口。

这些方向并非纸上谈兵。报告提到，2025 年 AI 系统已经帮助科学家识别出此前被忽视的阿尔茨海默病诊断及其潜在病因，证明了临床 AI 在诊断环节的真实价值。

未来五年能看到什么

按照 IEEE 的展望，接下来五到十年，健康技术的进步有望带来一系列具体变化：减少可预防的慢性病、实现更个性化的临床结果、改善食品安全、提升高营养食物的可及性。

随着全球人口持续老化，”实体 AI”技术——比如虚拟护理和智能监测——将被认为对支撑一个不断扩张的经济体至关重要。与此同时，食物系统也正被重新想象为”核心医疗基础设施”：借助 AI 增强工具（例如智能追溯），实现个性化营养，并规模化地遏制慢性病。

不是没有拦路虎

报告也点明了几处关键障碍：用于公共卫生预防的数据，其隐私与安全如何保障；以及既有的行业文化惯性。Milojicic 强调，如果没有可信、隐私和安全标准来指导这些技术的构建与部署，”这一切都无法运转”。

对所有关注医疗的人来说，这份报告的信号足够直白：AI 进入医疗，最大的故事不再是”机器替医生看病”，而是把整个体系从被动应对，提前到主动守护。谁能先把信任、隐私与安全的标准立住，谁才真正握住了这波变革的钥匙。

来源：Fox Business（独家披露 IEEE《技术大趋势 2030》报告，2026 年 7 月 29 日）

从萨里试点到全国推广

这一项目属于英国政府 2000 万英镑国家投资的一部分，目前已在英格兰半数 NHS 信托机构中部署。萨里皇家 NHS 基金会信托的 AI 与数字化经理迈克·琼斯（Mike Jones）表示，AI 正在填补传统诊断流程中的”空白”：”一名人类医生不可能每天看完 800 张 X 光片，并判断哪一张最危急。AI 可以承担这部分工作，这是人类无法替代的。”

该技术目前已在萨里地区用于加速癌症诊断。它不仅是辅助工具，更是被设计成优先排序和临床决策支持的双重角色。

两大核心功能：排序与决策支持

琼斯介绍，这套 AI 方案有两个核心功能。其一是优先排序：过去 X 光片按时间顺序出报告，如今 AI 会预先读取影像，把最可能异常的病例移到队列最前面。其二是决策支持：AI 读取影像后会高亮显示可疑发现，为医院工作人员提供参考。

“患者能得到两全其美的结果——既有 AI 的初读，又保留人类医生的最终判断权。”琼斯在接受 BBC Radio Surrey 采访时说，”如果医生不同意 AI 的判断，他们可以完全自主地覆盖 AI 报告，或者把两者结合，写出最符合实际情况的报告。”

数据与速度：平均诊断时间减半

肺癌是英国最大的癌症杀手。英国政府表示，每年 NHS 要进行超过 700 万次胸部 X 光检查，这是诊断肺癌最重要的工具之一。早期数据显示，借助该技术，放射科医生分析 X 光片的平均时间从过去复杂病例的 8 天缩短到 4 天。

这意味着更多患者有望在 GP 转诊后的 62 天内开始治疗，符合英国国家癌症计划的等待时间标准。

官方立场：AI 是补充，不是取代

英国负责数字化和现代化政府事务的部长伊恩·默里（Ian Murray）强调，AI 不是取代临床医生，而是补充人类判断。”我们刚刚看到一个例子：有人因中风被诊断，AI 把诊断时间从 60 分钟缩短到 3 分钟。这 57 分钟的差距对患者生存、康复和治疗路径都至关重要。”他说。

卫生与社会保健部政务次官普里特·考尔·吉尔（Preet Kaur Gill）则表示，采纳这项技术是关键：”我们必须确保 NHS 信托机构能够支持员工采用这些即将到来的技术，这才是真正具有变革性的地方。”

前景与挑战

琼斯的判断很直接：”会有更多肺癌患者存活下来，因为我们能更早发现癌症。” 但这项技术的推广也面临实际挑战：不同医院的数据治理能力、医生的培训、以及如何在临床流程中安全地嵌入 AI 决策，都是全国铺开前需要解决的问题。

如果 2029 年的目标如期实现，这将是英国医疗系统最大规模的 AI 影像辅助诊断部署之一，也为其他国家和地区的类似项目提供了参考样本。