医疗大模型系列之六：一张CT里的十四种危急重症——Aidoc的“雷达”造就影像AI的"基础模型时刻"
一个事实：2026年1月21日，美国食品药品监督管理局批准了一款名叫CARE的医疗AI产品——临床AI推理引擎。它是第一个由单一基础模型驱动、同时获批覆盖14个急症适应症的影像分诊方案：一张腹部CT扫进去，主动脉急症、腹腔游离气体……十四种可能致命的征象，一次看完。据开发方Aidoc披露的验证数据，其中11个新获批适应症的平均灵敏度为97%（最高98.5%），平均特异度为98%（最高99.7%）。
一个边界：Aidoc不是影像AI的鼻祖。这个行业的第一张FDA批文发在1998年，比Aidoc成立早了十八年。就连"AI分诊"这个品类，开创者也不是它——Aidoc自己2018年拿到的第一个FDA许可，监管档案里白纸黑字写着：以另一家公司的产品为对照器械获批。把"鼻祖"的帽子戴在Aidoc头上，既不准确，也没必要。
一个判断：Aidoc真正的历史位置，是"换道的人"。鼻祖们证明的是AI能进医院；Aidoc证明的是AI能在近两千家医院里天天转、年年转；而CARE证明的是，影像AI可以从"一个病种一个小模型"的时代，换道进入"一个基础模型看全部急症"的时代。这是这个系列定义的L2感知智能，第一次以基础模型的形态拿到监管的"身份证"。
2026年4月，Aidoc宣布完成1.5亿美元E轮融资，由高盛领投，累计融资超过5亿美元。CEO伊拉德·瓦拉赫（Elad Walach）放出一句狠话：到2030年，每一个复杂的诊断决策，都应该有AI支持。他还给出一个更具体的进度条：18个月内，把CARE扩展到全部CT和X光流程。
一个以色列情报部队出身的技术军官，一家成立十年的公司，凭什么敢说这话？
这是《医疗大模型》系列的第六篇。前五篇的主角，是通用模型巨头和文本场景的王者。这一篇，我们换一个战场：影像。这里没有聊天框，没有病历文书，只有一张接一张的CT、X光、核磁共振，和一群永远看不完片子的放射科医生。
给Aidoc找一个比喻，最后落在它创始人的老本行上：雷达。
瓦拉赫出自以色列国防军8200部队——一支传奇的信号情报与技术部队，干的活儿就是从海量信号里筛出致命威胁。雷达兵的宿命是：空情二十四小时不停，威胁藏在百分之九十九点九的正常回波里，漏掉一个，就是事故。
把这个场景换成放射科，几乎一个字都不用改。
第一章 起点：一个雷达兵看到的急诊科
先交代一下这个战场的供需格局。
据近年的行业估计，欧美国家影像检查的需求量以每年约3%到5%的速度增长，CT和核磁的增速更快；而放射科医生的培养速度远远跟不上。片子越拍越多，看片的人越来越少——这是全球放射科的长期底色。
更麻烦的是排序问题。一个急诊病人做完CT，片子会进入放射科的待读队列，按先来后到排队。问题是，队列里可能躺着几百张片子，而这张片子里如果藏着颅内出血，每多等一小时，结局都可能不同。
人解决不了这个问题。你不可能要求放射科医生在三分钟内判断"这几百张里哪张最急"。
2016年，瓦拉赫和两名战友在特拉维夫创立了Aidoc（总部后来迁往纽约）。他们给出的答案不是"用AI替代医生看片"，而是一个克制得多的方案：让AI在后台二十四小时不休息地盯着每一张刚拍完的图片，一旦发现疑似危急征象，就把这张片子插到队列最前面，同时向医生报警。
注意这个定位的精妙之处：AI不下诊断，只做分诊。它不说"这个病人是肺栓塞"，它只说"这张片子建议先看"。诊断权完整保留在医生手里——这既绕开了最艰难的监管和伦理雷区，也刚好卡在放射科最痛的那个点上。
用雷达的语言讲，Aidoc造的不是武器，是警戒哨。
这个领域后来被称为"计算机辅助分诊与通知"——AI负责筛选和报警，医生负责判断和处置。AIDOC的第一个产品盯的是颅内出血：急诊CT里最经典的时间敏感型重症。
2018年8月，Aidoc的颅内出血分诊产品拿到了FDA许可，灵敏度93.6%，特异度92.3%——解释一下这两个指标：灵敏度是"真有问题的人里抓出来多少"，特异度是"没问题的人里不误报多少"。对分诊哨兵来说，灵敏度是命，漏报就是事故；特异度是生活质量，误报太多，整个科室会被警报声淹没。
救命的AI，第一份工作不是下诊断，而是帮人排队。
第二章 坐标：鼻祖不是Aidoc，鼻祖们大多没活到今天
先回答一个问题：它在行业史里站哪一排？
因为"影像AI鼻祖"这顶帽子，历史上至少轮过五顶。
第一顶，1998年。这一年6月，R2科技公司的ImageChecker M1000拿到FDA的上市前批准，成为第一个商用计算机辅助检测系统（CAD，Computer-Aided Detection，让计算机在片子上帮医生圈出可疑区域）。它看的是乳腺钼靶片，定位是"第二双眼睛"：医生先自己看一遍，机器再提示哪里可能漏了。
CAD曾经无限风光。2002年美国医保为它设立报销代码后，渗透率一路飙升，到2012年，83%的乳腺筛查机构都在用CAD。
然后剧情反转。后续多项大规模研究发现，CAD并没有真正改变医生的诊断决策——它假警报太多，平均每张图像留下约0.5个假标记，医生看多了就开始无视它。到深度学习兴起的年代，很多放射科医生亲手把CAD的插头拔了。
第二顶，2017年1月。Arterys拿到FDA对深度学习影像产品的第一个许可，做的是心脏核磁的自动测量。深度学习时代的门票，是它先拿到的。
第三顶，2018年2月。Viz.ai的大血管闭塞（LVO，Large Vessel Occlusion，脑部大血管被血栓堵住，是卒中里最凶险的一种）检测产品通过FDA的De Novo路径获批——这是"AI分诊"这个品类的出生证。De Novo是FDA给"全新品类、没有先例可援引"的产品开辟的审评通道，走这条路，等于由监管者亲口承认：这东西以前不存在。
第四顶，2018年4月。IDx-DR获批，成为第一个不需要医生参与、能自主给出诊断结论的AI——它看的是眼底照片，筛糖尿病视网膜病变。"自主诊断"这四个字，至今仍是AI医疗最难拿的牌照。
第五顶，才轮到Aidoc，2018年8月。而且它的第一个颅内出血产品走的是510(k)路径——FDA最常规的审评通道，核心逻辑是"证明我的产品和已获批的对照产品实质等同"。Aidoc援引的对照产品，正是Viz.ai。
监管档案是不会客气的：这个品类，Viz.ai是开创者，Aidoc是更快的跟随者。
把这段历史摆出来，不是为了拆Aidoc的台，而是为了把"鼻祖"这个词的重量说清楚。影像AI三十年，每一代"第一"都真实存在过，但第一代鼻祖CAD死于假警报，第二代开拓者有的被收购、有的换赛道。这个行业从来不奖励"最先出发的人"，只奖励"活到最后、铺得最广的人"。
影像AI的鼻祖，最后是被放射科医生亲手拔掉电源的——这是这个行业给所有后来者的第一条家训。
第三章 生长：从一张批文到近两千家医院
搞清楚坐标，再看Aidoc怎么长大。
2018年拿到第一张FDA许可后，Aidoc进入密集获批期：2019年拿下肺栓塞、脊柱骨折，年底拿下大血管闭塞；2020年拿下腹腔游离气体，同年10月拿下偶发性肺栓塞的分诊许可——这是行业里第一个针对"偶发发现"的AI分诊产品。
"偶发发现"值得单独解释两句。偶发性肺栓塞，指的是病人因为别的原因做胸部CT，片子里偶然发现肺动脉有栓塞——病人和医生原本都不是冲着它来的。这类发现最容易被漏掉，因为放射科医生读片时注意力在"主诉"上。一个二十四小时不疲劳、没有主诉偏见的哨兵，在这里的价值反而最大。
随后几年，Aidoc做了一件比拿批文更重要的事：把一个个独立算法，收拢成一个叫aiOS的平台。医院不用再为每个病种单独采购、单独部署、单独对接信息系统，装一个平台，算法像应用一样往里加。这个思路后来被称为"AI操作系统"。
到2025年底，FDA的人工智能医疗器械名单上累计已有约1450项授权，其中放射科独占76%——影像是整个医疗AI绝对的主战场。而Aidoc一家握着31项授权，排在它前面的只有GE医疗、西门子医疗、飞利浦、佳能、联影——全是卖CT和核磁的设备巨头。在独立AI创业公司里，Aidoc的批文数量是第一梯队。
批文之外是落地。据公司披露，Aidoc的系统目前覆盖近2000家医院，每年分析超过6000万患者的影像病例——折算下来，相当于每天约16万次分析。2025年7月，美国第三大非营利医疗系统Advocate Health（旗下69家医院）与Aidoc签下企业级协议，把平台铺到22个院区，内部模型测算每年将有6.3万名患者因此获得更快的优先处置。
然后是2026年4月，高盛领投的1.5亿美元E轮。一级市场给出的定价逻辑很清楚：批文、医院网络、平台粘性，Aidoc三样都攒齐了。
但请注意一个事实：Aidoc拿过三十一张FDA批文，它的护城河却不在批文里——而在近两千家医院的影像工作流里。软件装进去容易，拔出来难。
第四章 换道：CARE，把一排雷达换成一台相控阵
前面三章，讲的是Aidoc怎么成为旗手。这一章，讲它为什么有资格当"换道的人"。
先看单病种时代的算术题。
假设你有十四台各自独立的雷达，每台特异度都是99%——这已经是优等生水平。每张正常片子进来，每台雷达有1%的概率误报。十四台各报各的，一张完全正常的片子至少触发一次假警报的概率是多少？
这个可以算：1减去0.99的14次方，约等于13%。也就是说，每七八个完全正常的病人，就会有一人背上至少一次假警报。每台雷达都堪称优秀，整个阵列却吵得没法用。（这是理想化推算，实际情形还取决于各模型间的相关性，但方向不会变：单病种模型堆得越多，虚警只会叠加。）
这就是影像AI的"雷达阵困境"：能力在增长，噪音增长得更快。
CARE的解法是换架构。不再为每个病种训练一个小模型，而是训练一个基础模型——先在海量影像上学到"人体影像的通用语言"，再在一个模型内部同时判断十四种急症。相控阵雷达不换天线、不转方向，一次电子扫描覆盖全空域；CARE不堆模型、不叠警报，一次计算看完所有危急征象。
2026年1月21日，FDA批准了CARE驱动的分诊方案：11个新适应症加上3个既有适应症，合并进同一个工作流。准确的说法是——这是第一个由单一基础模型驱动、同时获批两位数急症适应症的AI分诊方案。它不是"第一个获批的基础模型AI"，此前已有不少基于大模型的医疗产品获批；它的"第一"，是架构换代意义上的第一：监管者第一次为"一个模型管一堆急症"这件事背书。
据Aidoc披露，CARE方案的假警报率比单病种方案低了约一个数量级。雷达兵都懂这个数字的分量：虚警率降一个量级，整个防空系统的可信度是另一个物种。
这里必须插一句边界。Aidoc公布的97%灵敏度、98%特异度，来自其向FDA提交的验证研究，是测试集上的表现。从测试集到真实世界，中间隔着一级台阶；从"更快发现"到"患者结局真的改善"，中间还隔着一级台阶。这两级台阶，整个行业都还在爬。
一个模型同时看十四种病，虚警反而更少了——这是2026年影像AI最重要的一条反常识新闻。
第五章 阴影：雷达也会吵到没人听
这个系列有个规矩：不写没有阴影的企业史。Aidoc和影像AI的阴影，至少有三层。
第一层，CAD的幽灵还在房间里。
1998年的鼻祖死于什么？死于假警报太多、死于医生不信它、死于"渗透率83%但改变不了结局"。今天分诊AI的技术底子比CAD好了两代，但那道算术题没变：警报的价值，等于它改变临床决策的概率，乘以医生还愿意听它的程度。CARE把虚警率压低一个数量级，正是在直接回答这道算术题——这是它最值得被认真对待的地方，也是它必须被持续检验的地方。
第二层，获批不等于被证明有效。
FDA的AI器械名单看着壮观，但要看清结构：约96%的器械走510(k)路径获批，核心是"和对照产品实质等同"，不要求证明改善患者结局。一项2025年发表的系统性研究盘点了FDA授权的放射AI器械，做过前瞻性测试的只有约5%。换言之，这个行业绝大多数产品——包括Aidoc的许多早期适应症——证明的是"算法在测试数据上够准"，而不是"用了它的病人活得更好"。这不是Aidoc一家的问题，是全行业的证据地基问题。
第三层，获批多不等于用得多。
放射科占了FDA全部AI器械的76%，但"获批"和"每天常规使用"之间，隔着医院采购、系统集成、医生习惯和医保支付四座大山。Aidoc的近两千家医院已经是行业里最广的部署，但放在全美数千家医院、全球数十万医疗机构的盘子里，影像AI的渗透率仍是早期。与此同时，赛道在变挤：开创者Viz.ai至今与它正面缠斗，GE、西门子、联影这些设备巨头则在自家机器里预装AI——当雷达变成CT机的出厂标配，独立雷达公司的位置在哪里，是Aidoc必须回答的战略题。
对Aidoc来说，最危险的时刻不是拿不到批文，而是批文多到让医生麻木。
第六章 未来：三个可观察的进度条
不写遥不可及的预言，只立三个可观察的进度条。
第一个，十八个月之约。瓦拉赫承诺把CARE扩展到全部CT和X光流程。到2027年年中，FDA名单上CARE名下的适应症数量，是最硬的兑现度指标。批得快，说明"基础模型+新增适应症"的审评飞轮真的转起来了——那将改写整个行业的获批经济学。
第二个，从"更快"到"更好"的证据。Aidoc已有研究显示其分诊能缩短危急病例的通知时间，下一步要看的是前瞻性的患者结局研究：死亡率、致残率、住院天数。哪一年出现大规模前瞻性结局证据，哪一年影像AI才真正从"效率工具"升格为"临床基础设施"。
第三个，钱从哪来。Viz.ai在2020年拿到过美国医保给AI软件的第一个新技术附加支付（NTAP，美国医保为创新医疗技术设立的额外报销通道）。分诊AI的商业模式最终要回答：是医院从预算里掏钱买"安心"，还是医保为"改善的结局"买单。报销路径每拓宽一寸，这个行业的天花板就抬高一尺。
结语：雷达永不替指挥官做决定
回到这个系列的坐标系。
六篇写下来，一条线索越来越清晰：L1认知智能在读文献和考卷，L3科学智能在折蛋白质和筛分子，L4执行智能还停在演示和试点——而L2感知智能，是四层里唯一一个完成了"规模化部署、监管身份证、架构换代"全套动作的一层。
为什么偏偏是影像？因为影像恰好站在"可计算"与"不可计算"的分界线上：片子里有没有出血，是可以用数据逼近的客观问题，适合交给机器；这个出血对这个病人意味着什么、要不要手术、怎么和家属谈，是价值与责任问题，必须留给人。
DeepMind铸剑，Anthropic铺水管，OpenAI开窄门医馆，Abridge造录音笔，Aidoc装的是相控阵雷达。五家公司，五种赌法，但在同一条底线上殊途同归：雷达扫描一切，雷达永远不替指挥官按下发射钮。
把可计算的留给AI，把判断、共情和担责留给医生——这个系列第一篇写下的话，在影像科的阅片灯下，再次成立。
下一篇，我们离开医院，钻进更深的地方：那些只盯一个病种的专科模型，正在把"笨功夫"做到极致。
系列导航：
医疗大模型系列之一：医疗AI的底层逻辑，模仿、探索与智能涌现
医疗大模型系列之二：当AlphaGo的"屠龙刀"，进入医学世界——从AlphaFold到AI协同医生，DeepMind如何构建医疗认知系统
医疗大模型系列之三：不做"AI医生"，先做"医疗水管"——Anthropic如何重塑医疗长文本AI的底座
医疗大模型系列之四：8亿人的健康入口，两起人命官司--OpenAI的规模红利与责任难题
医疗大模型系列之五：不造AI医生，只帮医生写病历——Abridge如何铺成美国医疗的AI基础设施
AI医疗 · 用最笨的方法做最扎实的内容本文不构成任何医疗建议。
信源说明
美国食品药品监督管理局（FDA）510(k)数据库：K252970（BriefCase-Triage: CARE Multi-triage CT Body）及Aidoc历年获批记录
FDA人工智能医疗器械清单（AI-Enabled Medical Device List），截至2025年底累计授权约1451项、放射科占76%
Aidoc官方公告：CARE获FDA批准（2026年1月21日）、高盛领投1.5亿美元E轮（2026年4月）、Advocate Health企业级合作（2025年7月）
Sivakumar R, et al. FDA Approval of Artificial Intelligence and Machine Learning Devices in Radiology: A Systematic Review, JAMA Network Open, 2025（放射AI器械获批结构、前瞻性测试占比约5%）
Abràmoff MD, et al. Pivotal trial of an autonomous AI-based diagnostic system, npj Digital Medicine, 2018（IDx-DR关键试验）
Systematic analysis of the test design and performance of AI/ML-based medical devices approved for triage/detection/diagnosis in the USA and Japan, 2022（Viz.ai/Aidoc/MaxQ等早期分诊产品获批时间与性能数据）
影像CAD兴衰史：R2 ImageChecker M1000获批与渗透率数据，见Imaging Informatics: 25 Years of Progress及相关乳腺影像CAD综述文献
Viz.ai公司资料及FDA De Novo记录（2018年2月首个AI分诊许可）、Digital Diagnostics公司资料（IDx-DR，2018年4月）
The Imaging Wire / AuntMinnie：FDA人工智能器械年度统计与厂商排名（2025年度数据）
BioWorld / PR Newswire：Aidoc偶发性肺栓塞分诊获批（2020年10月）