【盤點 AI 醫療熱門事件 03】Midjourney 研發超聲 CT,AI 輔助診斷進醫保...

醫藥科學
1粉絲
3 次觀看·2026年10月22日
AI 生成·可能包含錯誤
視頻概述
AI 生成AI生圖巨頭Midjourney跨界醫療,研發無輻射、低成本的「超聲CT」成像技術,並計劃將其部署於水療中心以提高大眾健康篩查頻率。此外,谷歌與德國的醫療AI在臨床任務中表現超越醫生,而中國則傳出AI輔助診斷納入醫保的消息,顯示AI正全面滲透醫療診斷、監管與商業模式。
頭部AI公司要開5000家澡堂
這你敢信嗎?
就在上上週,
全球AI生圖一哥MidJourney官宣成立一個新部門
醫療事業部
致力於研發一種全新的醫學影像模式
超聲CT
如果能成的話
這將是繼1973年核磁共振MRI誕生後
時隔半個多世紀,
人類醫學影像領域
又一次顛覆性的新技術
而且,首家部署了超聲CT
溫池桑拿房的水療SPA中心
明年就會開業
連馬斯克都評價,酷了
那什麼是超聲CT?
爲什麼要放在水療中心?
和AI又有什麼關係?
大家好,
我是帶你瞭解醫藥行業的鹹魚寶
今天這期AI醫療熱門事件盤點,
就帶大家看看
第二季度有哪些好玩的新東西
首當其衝,
自然是今年最離奇的跨界
Mid Journey入局醫療健康
MidJourney成立於2021年
是一家位於美國加州的
小型獨立實驗室
專注於訓練AI擴散模型
2022年AI生圖爆發
Mid Journey憑藉着生成的圖片
更有藝術感
更會構圖
一致性更高的特性,火遍全球
就是這樣和醫療健康
八竿子打不着的情況下
MidJourney卻突然在6月17號宣佈
公司正在開發一種
顛覆性的全身成像技術
超聲計算機斷層掃描
也可以簡稱爲超聲CT
這項技術可以和傳統CT
MRI一樣實現
全身成像
但是無輻射
無磁場
成像品質比肩MRI的同時
價格卻只有其十分之一
體驗還非常好
做過核磁的小夥伴都知道
要獨自躺在狹窄通道里
10到30分鐘
還伴有巨大的聲響
老人小孩
以及有幽閉恐懼症的患者
會非常痛苦
但Midjourney的超聲CT宣稱
只需要像在澡堂泡澡一樣
入水出水
60秒就可以完成掃描
具體是怎樣做到的呢
被檢查者會先進入水池
站在一個平臺上
檢查開始後
平臺會像電梯一樣
以每秒5釐米的速度
緩緩下沉
把你放入水中
過程中你的身體會穿過一個
環形傳感陣列
它由50萬個沙子大小的微型方塊組成
每一個方塊都兼具揚聲器和麥克風的功能
每秒發射數百萬次超聲波
同時記錄回聲的波動
產生TB級的數據
隨後這些數據會被傳輸至巨型計算機集群
由數千臺計算機同時處理
將聲波信號轉化爲影像
原理很簡單
聲波在水和人體中傳播時
波形會發生變化
每當介質的密度或硬度改變
比如從水到皮膚
從肌肉到骨骼
波形就會隨之改變
通過分析所有聲波的波形變化
就能重建出精細的體內結構圖
也就是影像
其實這個原理和傳統CT很像
傳統CT利用的是X射線可以穿透人體的特性
但不同組織對X射線的吸收能力不同
骨骼吸收強
空氣吸收弱
只不過現在 Midgene 用超聲波
替代了X射線作爲信號源
那這麼簡單的原理
爲什麼一直沒有人做呢
歸根結底
這是一個數學問題
1917年奧地利數學家 Johann Radon
提出了一種積分幾何變換
核心思想是
將定義在二維或高維空間中的函數
沿着一系列直線進行積分
從而將原函數映射到一個新的參數空間
聽不懂沒關係
簡單來說就是
如果我們可以從足夠多的角度
獲得一個物體的投影數據
那就可以計算出其真實結構
而X射線因爲也是直線穿過人體
所以我們可以把它視作一束光
1963年南非物理學家 Alan Cormack
根據Radon變換
提出了利用X射線衰減係數
進行人體重建
並解決了如何從投影數據
計算出人體斷層圖像的數學問題
隨後英國工程師
Godfrey Hounsfield
將這一理論應用於工程實踐
他讓X線球管與探測器
圍繞人體360度旋轉
不斷髮射窄束的X射線
採集人體在某一橫截面上
數百個不同角度下
X線的衰減數據
或者說投影數據
再利用計算機計算
反推出內部密度情況
從而重建人體影像
完成了從理論到實踐的最後一步
但超聲就不一樣了
進入人體後
超聲不止會被削弱
還會反射散射折射
甚至相位變化
這也就導致
計算機的計算數據量
會呈指數級上升
這時有小夥伴問了
B超不就用的這一原理嗎
有什麼難的
確實
我們平常去醫院做B超檢查
利用的就是探頭髮射超聲波
再接受所有返回的回波信號
根據回波的返回時間以及強度
由計算機轉化爲圖像像素的亮度
強回聲對應亮像素
弱回聲對應暗像素
無回聲對應黑色
這時醫生就能在顯示屏上
看見黑白的影像信息
但這只是一個探頭
而MidJourney要用的是50萬個
這個數據量非常恐怖
他們就是要用50萬個揚聲器
代替X線球管
圍繞人體發射超聲
然後回收超聲
再通過計算機重建圖像
可想而知
整個過程最大的難點
就在於計算機重建
想想看
每秒都是TB級的數據
這要算到什麼時候?
但是,哎
AI來了
Midjourney就是用自己最強
最擅長的圖像大模型
去將這些回聲數據分析
並轉化爲圖像
之前是文生圖
現在是聲生圖
我們看他們在官網放出的示例圖片
能非常直觀地看到
重建後的人體影像
AI還會將掃描出的體內組織
進行標註
所以話說回來
在X線CT出現的60多年後
纔出現超聲CT的根本原因
其實就是人類藉助AI
使計算能力終於達到了
可以處理更復雜
更龐大的超聲數據
那還有一個問題
為什麼 Midjourney
沒有把它部署在醫院
而是部署在水療中心呢?
主要有兩大原因
第一個就是聲學耦合
我們在做B超時
醫生會在探頭上
塗一層潤滑油一樣的耦合劑
目的就是排除
探頭和皮膚之間的空氣
否則超聲波就無法穿透進入人體
那把人放入水池中
本質上也是創造了一個
非常理想連續且穩定的
聲學耦合環境
第二大原因就是他們希望能維持用戶粘性
實現究極理想
Medjourney的目標是
6年內在全球部署5萬臺超聲CT
每個月進行10億次掃描
他們認爲只要每個人每月做一次超聲CT
那就能避免全球30%的死亡案例
減少50%的醫療支出
那怎樣才能讓大家每個月都願意去一次呢
把它部署在醫院顯然不可能
但是放在水療中心就不一樣了
所以2027年底在舊金山開業的
首家旗艦Midjourney水療館
會配備金光閃閃的熱水浴池
桑拿房冰浴池
以及10臺超聲CT
24小時開放
讓大家每個月做一次SPA
過程中順帶花一分鐘掃描下
這樣接受度就會高得多
那爲什麼超聲CT
可以避免30%的死亡案例呢
其實關鍵不在於這項技術本身
而是在於你每個月都積累了
海量的個人健康數據
如果條件允許
能夠每個月做一次全身CT
或者全身MRI
那也能達到類似的效果
只不過CT會有輻射
MRI成本更高
長期做根本不現實
一個月一次的全身掃描
這在疾病早篩領域是前所未有的
比如我們經常聽醫生說
定期複查,定期複查
爲什麼?
因爲判斷一個疾病,
很多時候
不只是看某一個時間點的結果,
而是要看它有沒有變化,
變化有多快,
變化方向是什麼
而當下,即便我們每年體檢一次,
檢測精度和時間密度也遠遠不夠
如果未來醫生能夠連續調取
你過去每個月的全身影像,
那他就能清晰地看到
你的身體在時間軸上
是如何動態變化的,
這對疾病早篩的意義非常巨大
其次,
這項技術對於基礎醫學研究
也是顛覆性的
過去我們研究人體,
很多時候只能依賴
某個時間點的檢查結果,
或者疾病已經發展到
一定階段後的數據
但如果未來能長期連續
低成本地獲得人體全身影像,
研究人員就更有機會
清楚地看到
不同器官在年齡
生活方式
藥物
疾病
治療干預下
是如何變化的,
疾病又是如何
一步步影響人體的
所以,如果這項技術
真的能夠實現,
那諾獎估計都是
按年度打包領取了
當然,
前提是 Midgenie
真的能做到
他們所說的那樣,
接近 MRI 的精度,
足夠便宜,
足夠快速,
而且幾乎沒有副作用
還有一點值得注意的是
即便拓展到
醫療影像
這樣一個全新的業務
Midjourney依然決定
不引入外部投資方
而是繼續採用
他們所謂的社區支持型研究實驗室
這和他們當初做AI生圖時
用的同一套商業模式
什麼意思呢
絕大多數AI公司是先拿資本的錢
燒算力招團隊做產品
然後再去尋找用戶尋找商業模式
但Midjourney反過來
它是先把一個早期產品放入到社區裏
吸引並聚集一群願意付費
願意參與願意反饋的用戶
再用這群用戶提供的收入需求
審美和想象力去支持團隊
繼續做更大膽
更符合真實需求的產品
這也是爲什麼Midjourney最早
不是通過一個傳統的獨立網站起家
而是在Discord上爆火
Midjourney當初正是利用了
Discord這種社區屬性
用戶不用下載複雜軟件
只需要在Discord裏輸入提示詞
就能讓Midjourney Bot生成圖片
其他人也能看到作品
學習提示詞
交流技巧
提出建議
開發人員則基於社區中用戶的反饋
不斷優化產品
而用戶也感受到自己其實在參與產品的研發
進一步加大粘性
也能幫助社區不斷擴大影響力
所以在超聲CT落地過程中
Midjourney也會定期發佈進展
全新的掃描影像
以及水療館的設計概念
從而收集用戶的問題和反饋
幫助他們打磨產品
不知道大家對於他們的超聲CT
以及商業模式怎麼看
評論區討論一下
接着來看第二個熱點
歷史性一刻
6月17號Nature同期發表兩篇論文
谷歌Amy與德國Mira
均在特定臨牀任務上超越人類醫生
AI比醫生會答題
其實不少研究都證實了
大家估計見怪不怪
但這次不一樣
這次比的是臨牀處理能力
能不能連續管理一個病人
能不能查病史
開檢查
制定治療方案
甚至在電子病歷系統裏執行醫療操作
比如谷歌的Amy
它是 Google Research 和 Google
DeepMind
推出的對話式醫療AI系統
它的核心設計
其實就是在Gemini模型基礎上
建立了兩個agent
一個是 dialogue agent
負責和病人進行同步文字對話
收集信息
另一個是management reasoning
agent
負責更慢更深的臨牀推理
檢索指南
整合病情變化
形成檢查治療處方和隨訪計劃
這個設計其實就是在模擬
人類醫生臨牀工作中的兩層能力
一層是及時溝通
一層是診療方案制定
論文研究中
把 Amy 和 21 名基層醫生
全科醫生進行對比
設置了 100 個多次就診病例場景
結果顯示
Amy 在專科醫生能力上
不劣於人類醫生
並且在治療建議
檢查建議和精確性
以及臨牀指南的一致性和依據表達方面表現更好
那德國的 Mira 和 Amy 有什麼不同呢?
簡單來說
Amy 更像豆包這樣的聊天機器人
但 Mira 則是嵌入在醫院電子病歷系統裏的龍蝦
它能獲取患者病史
開實驗室檢查
影像檢查
微生物檢查
解釋檢查結果
生成鑑別診斷
並制定治療計劃
從結果上看
Mira 的平均診斷準確率達到 87.8%
高於資深醫生組的 78.1%
治療層面
它在 8 類疾病中的正確操作比例爲 53.5%
資深醫生組爲 38.3%
在指南一致性方面
Mira 相比資深醫生組平均高出 35%
當然這不代表 AI 已經可以取代醫生
因爲當下醫療AI最大的侷限性
就是在於如何正確獲取信息
真實場景裏
病人可能表達混亂
信息遺漏
家屬代述
方言溝通
情緒緊張
人類醫生還可以憑藉經驗
語氣
臉色
甚至感覺去獲取關鍵信息
AI顯然不具備這樣的能力
但如果這個問題被攻破
那AI將統治醫療界
這也是爲什麼馬斯克說
如今學醫毫無意義
三年內AI將會全面超越醫生
對於這個觀點
不知道大家怎麼看
可以評論區討論一下
最後抓緊時間來看第三個熱點
AI輔助醫療進醫保
三月底有消息稱
4月1號起
AI輔助診斷服務將被納入
國家醫保乙類目錄
全國837家三甲醫院同步實施
如果是真的
那就意味着中國將成爲
全球首個將AI診斷大規模
納入國家醫保體系的國家
但是這隻能說是傳聞
因爲雖然有幾家主流媒體報道
但閒魚寶並沒有找到政策出處
報道中稱
首批納入醫保支付的AI項目有12個
比如肺結節CT輔助篩查
心電圖分析
病理切片分析等等
但問題是
去年11月的時候
醫保局明確指出
醫院不宜就AI輔助技術額外收取費用
意思就是
醫保局不管你醫院是用人工審片子
還是AI審片子
做一次CT是多少錢就應該是多少錢
不能因爲中間使用了AI
就再額外加一筆費用
所以AI公司的錢
只能從放射科醫師手中摳出來
這也是爲啥黃仁勳認爲
第一個被AI消除的職業
會是放射科醫生了
雖然很殘酷
但這個邏輯是對的
因爲患者和醫保局購買的是服務結果
就像我們用電
不會因爲你是火電就多付一塊錢
風電就少付一塊錢
至於清潔環保
那是你生產端的事兒
回到AI進醫保這件事兒
爲啥這麼重要呢
因爲它解決了AI應用的最關鍵問題
誰來付費
相信大家前段時間也都刷到了
豆包收費結果數據慘淡的新聞了
AI醫療也不廉
雖然這個賽道一直很熱
但除了投資人
沒人願意真正爲它買單
可是一旦進入醫保
性質就變了
意味着AI醫療
它不再只是一個技術概念
而是真正具有商業模式
可以產業化的成熟商品了
當然不管這個傳聞是真是假
已知的是
全球醫療健康監管
都在密集嘗試AI相關政策和試點
比如4月2號
國家藥監局NMPA發佈了
關於人工智能加藥品監管的實施意見
提出建設審評審批大模型
智能覈查智慧監管
風險預警等方向
4月28號
美國藥監局FDA正式推出
Real-Time
Clinical Trial試點計劃
首批阿斯利康和安進的
兩項腫瘤學臨牀試驗
將向FDA實時上報療效與安全性信號
FDA將利用AI連續的監測試驗進展
目的就是爭取將傳統的123期臨牀試驗
轉變爲一個持續的試驗週期
從而大大縮短試驗時間
6月9號
英國藥監局MHRA宣佈啓動AI監管沙盒
探索AI在預測藥物安全性
減少動物試驗提升研發成功率方面的可行性
說到這兒,不得不提一嘴
去年底我在AI醫療盤點的第一期就說
這個賽道已經開始爆發
還被不少小夥伴嘲諷了
今年你再看
全球科技大廠哪一個不在佈局健康賽道?
抖音都在做AI製藥
更關鍵的是
相對保守謹慎的監管
都已經紛紛跟上了
這是因爲醫療健康是一個
高成本低效率強重複性的賽道
每一點都完美契合了AI的優勢能力
加上它的剛需屬性
使得它成爲目前AI變現價值最高
確定性最強的賽道之一
所以接下來,除了國家醫療體系研究
醫藥產業洞察的內容
我會加大AI醫療相關內容的更新頻率
感興趣的小夥伴記得關注一下
我是帶你瞭解醫藥行業的鹹魚寶
我們下期再見
拜拜
