从存影像到管流程：医技科室数智化的现实路径

提要：影像激增与系统割裂长期制约医技科室效率。随着"人工智能+医疗卫生"政策落地，PACS正从影像存储工具转向贯穿检查全流程的数智化底座。这条转型路径走到了哪一步，还卡在哪里？

CT、MR、DR等设备每天都在产生海量影像数据，报告书写占用了医生大量时间；危急值上报依赖人工追踪，质控记录散落在不同介质之中；放射、超声、心电、内镜、病理五个科室各自建有独立的信息系统，数据难以互通。这些并不是某一家医院的个例，而是医技检查科室长期面对的共性难题。

2025年10月，国家卫生健康委等五部门印发《关于促进和规范"人工智能+医疗卫生"应用发展的实施意见》，提出到2030年推动实现二级以上医院普遍开展医学影像智能辅助诊断，并鼓励医学影像智能辅助诊断由单病种向单个器官多病种延伸。政策方向已经明确，但落到院内，考验的是两件事：系统之间能否真正打通，AI能否嵌入医生的日常工作流。

一、从"单科室系统"到"全院一张网"

回顾国内医院的信息化历程，PACS的第一阶段解决的是"存得住、调得出"——把科室的影像从胶片搬进服务器；第二阶段走向全院级，让临床科室也能调阅影像。而眼下正在发生的第三阶段，是把PACS从"影像管理工具"升级为医技业务的数智化底座。

从行业实践看，这一阶段的典型做法是：遵循DICOM3.0等标准协议，将放射、超声、内镜、心电、病理五个医技科室纳入统一系统框架，并与HIS、PEIS、全民健康信息平台等院内及区域系统对接，形成统一的医学影像数据中心。在此基础上，预约、签到、候诊、检查、报告、随访六个业务环节被整体纳入数字化管理。

流程整体上线之后，变化最直接体现在放射科：医生开具检查申请单后，系统自动获取HIS申请信息完成预约登记，通过分时段预约与叫号大屏引导患者有序就诊；检查完成后影像自动上传归档，医生在工作站完成报告书写与审核。数据在系统内部流转，人工传递环节被压缩，科室之间的协作也因此有了共同的数据基础。对于此前各科室"各自建系统、各自存数据"的医院而言，这张"全院一张网"带来的收益，往往先于任何AI能力显现。

二、质控：从事后抽查到全程留痕

影像与报告质量是医技科室的生命线，但在传统模式下，质控多依赖阶段性抽查，难以覆盖全部环节，检查前的"集中补材料"并不少见。

数智化系统的思路是把质控嵌入流程本身。目前较成熟的做法包括：覆盖诊断质控、影像质控、报告质控三个维度，支持集中质控与分散质控两种模式按科室情况切换，质控计划、标准与反馈全程线上留痕。

危急值管理是其中最受关注的一环。理想的链路是：系统智能识别危急值后自动推送至临床医生，处置记录全程可追溯；同时全业务流程的操作日志完整记录，修改痕迹有迹可循。对科室管理者而言，质控由"迎检任务"变成日常诊疗行为的自然沉淀，精细化管理才有了可回溯的数据支撑。不过也应看到，留痕只是手段，质控标准如何与科室实际病种结构匹配、质控数据如何反哺报告质量改进，仍需科室投入管理精力，而非系统能自动解决的问题。

三、AI辅助诊断：从"叠加"到"嵌入"

政策文件对医学影像AI的期待，是"从单病种向单个器官多病种发展"。这与行业近年来的走向一致：AI与PACS的关系，正从"外挂式调用"转向"流程内嵌"。

从公开报道的落地应用与行业交流看，较为成熟的场景集中在几个方向：肺结节筛查可在数秒内定位微小结节并给出大小、位置、密度等关键指标，支持与历史影像对比，服务于早期肺癌筛查；头颈血管、冠脉重建等复杂场景的三维重建可在数秒内完成，自动标注血管名称，辅助判断斑块性质与血管狭窄程度；胸部CT平扫的肋骨骨折识别，则能提示不全骨折等容易被忽略的隐匿性损伤。冠脉钙化积分测算、淋巴结检测、胰腺癌检测等能力也在逐步进入日常读片流程。

在技术路线上，行业普遍采取"两条腿走路"：一方面对接主流AI厂商的成熟算法，快速集成、按需选用；另一方面则研发面向医学影像的专科大模型，沉淀图像识别、语义解析、智能测量、三维建模等底层能力。前者保落地速度，后者保能力自主，两者互为补充。

报告书写环节的智能化则更贴近医生的日常体感：模板智能推荐、报告自动纠错、危急值自动识别等工具嵌入书写流程后，AI完成初步分析，医生在关键节点复核确认即可输出报告，手动录入与反复核对的时间被明显压缩。这也提示了AI在临床中更现实的定位——不是替代医生作出判断，而是把医生的时间还给真正需要判断的地方。

四、数据中台：让科室运营可被度量

管理决策依赖数据，而医技科室的数据往往分散在不同系统之中。数智化建设的下一步，是把这些数据集成治理并面向不同角色可视化。

从各地实践看，常见形态包括：科室管理端汇总预约量、检查量、报告量、危急值数量、设备利用率等核心运营指标并实时更新；检查数据则多以数据大屏呈现，检查人次、阳性率、报告及时率、设备负载等指标一屏统览。指标可视化之后，科室管理者可以基于实际运行情况调整排班与资源配置，而不是仅凭经验判断。

另一个容易被低估的方向是病例的知识化管理。典型病例库建设、病例讨论学习、病例随访追踪等功能，支持科室把日常诊疗中积累的经验沉淀为可复用的知识资产，服务于教学、科研与年轻医生培养。对教学医院而言，这部分价值可能不亚于效率提升。

五、待解之题：数智化不是"上一套系统"

当"人工智能+"遇见PACS，改变的不只是阅片速度，还有医技科室的协作方式、质控方式和管理方式。AI不再是叠加在PACS之上的独立模块，而是嵌入预约、检查、报告、质控、管理的每一个环节。

但行业也要正视几道现实的坎。其一，数据质量：AI辅助诊断的实际价值，取决于影像数据的质量与标注的规范程度，历史数据"能用多少"因院而异。其二，算法适配：通用模型与本院病种结构、设备机型的匹配程度，决定了落地效果是"可用"还是"好用"。其三，责任界定：AI提示的定位是辅助信息，最终诊断责任仍在医生，报告流程中的复核节点如何设计，需要科室与厂商共同明确。其四，投入产出：系统建设只是开始，持续的运营、培训与流程再造才是长期成本。

从信息化走向数智化，真正难的往往不是部署一套系统，而是让数据持续产生、持续流动，并最终被管理和临床真正用起来。政策的目标已经划定了2030年这个时间点，留给医院和行业的，是把路径上的每一道坎逐一迈过去。