a2z Radiology AI再获FDA批准：腹盆CT分诊新增10项危急发现，17项覆盖把急诊阅片优先级交给AI排序
a2z Radiology AI于2026年9月21日宣布，其腹部盆腔CT分诊软件a2z-Abdo-Triage获FDA批准新增10项危急发现的自动识别，产品组合覆盖的急性发现总数达到17项。该软件可在有或无静脉对比剂的腹盆CT中自动标记疑似阳性病例，辅助影像团队排序工作列表，此前已获FDA突破性器械认定。公司由哈佛医学院生物医学信息学副教授Pranav Rajpurkar等联合创立。
从7项到17项：一家哈佛背景的影像AI公司把急诊CT分诊做成一张越来越长的清单
数据视角 × 数据资产持有者 ｜ 深度视角 × 临床研究者 ｜ 产品发布
一张腹盆CT背后，急诊医生最怕漏掉的十种情况
急诊科的腹盆CT，是全身影像检查中信息密度最高的一种。同一张片子里，可能藏着一颗堵住输尿管的结石，也可能藏着一处正在缓慢渗血的脏器裂伤；可能是阑尾炎，也可能什么急症都不是。对急诊团队而言，难点不在于看不懂，而在于量大——等待队列越排越长，每一例检查都需要尽快判断谁先谁后。
真正让人担心的，是那些不典型却致命的情况：腹膜后血肿未必有明显外伤史，创伤性脏器损伤在症状表述模糊的患者身上容易被低估，复杂性游离积液则游离在“可以观察”与“需要立刻处置”之间。漏掉任何一项，代价都以时间计。尤其在夜间与节假日，当班阅片人手有限，积压的检查在工作列表里越堆越多，时间敏感的患者等不起。
这正是分诊类AI试图切入的位置：不替医生下诊断，而是先把“这张片子里可能有急症”的信号，尽可能早地推到阅片工作列表的前端。
清单扩容：从7项到17项，这次新增的都是什么
2026年9月21日，a2z Radiology AI宣布，其a2z-Abdo-Triage软件获FDA批准，新增10项危急发现的自动识别能力。
从清单上看，新增的10项发现可以粗略归为三类：泌尿系梗阻——梗阻性输尿管结石、输尿管积水；出血与积液——腹膜后血肿、大量腹水、腹腔积血/复杂性游离积液；炎症与创伤——急性阑尾炎、腹盆腔脓肿、脾脏创伤、肝脏创伤、肾脏创伤。值得注意的是，这批新增发现中既有结石、阑尾炎这类高频急症，也有腹膜后血肿、脏器创伤这类一旦出现就必须争分夺秒的情况——在分诊逻辑里，高频与高危同样值得被提前标记。
与此前已获批的急性胆囊炎、急性胰腺炎等7项发现合并后，该产品组合目前共覆盖17项腹盆腔CT危急发现。软件可在有或无静脉对比剂的腹部盆腔CT中，自动识别并标记疑似阳性病例，辅助影像团队对检查进行优先级排序。适用范围为22岁及以上成人，该产品此前已获FDA突破性器械认定。
平台路线：为什么不做单病种工具
影像AI行业过去多年的主流打法，是围绕单一疾病做窄用途工具：一个模型对应一类病灶，走一条独立的验证路径。这种方式边界清晰，在专科或筛查场景里也更容易讲清价值，但在真实急诊里会遇到一个结构性问题——急诊的病例从来不分病种到达，阅片医生的工作列表也不会按模型来组织。一个腹痛患者的可能性是发散的，窄工具覆盖不了这种发散；堆叠多个窄工具，又意味着流程与采购成本的层层叠加。
a2z的选择是反方向的。公司不做针对单一疾病的窄用途工具，而是构建覆盖更广的平台，让同一系统在急诊高流量场景下，同时标记多种需要优先关注的异常。公司联合创始人兼CEO Samir Rajpurkar表示，照护团队需要的是与其接诊病例范围相匹配的支持，这次批准扩展了CT上能够标记的临床重要发现范围。
这条路线与公司的出身一致。a2z由哈佛医学院生物医学信息学副教授Pranav Rajpurkar等人联合创立，公司名字本身就近乎一份愿景声明：从A到Z覆盖医学影像判读。从7项到17项，是这条路线的一次阶段性兑现，也代表着影像AI从单点工具向平台化、广覆盖演进的方向。
分诊而非诊断：AI在急诊阅片里的真实位置
需要反复强调的是，a2z-Abdo-Triage的临床定位是分诊，而不是诊断。
它的工作方式，是在急诊等待队列长、阅片压力大的环境中，快速识别疑似急危征象、优化工作列表优先级，从而缩短急危患者的处置时间。系统始终与医生的标准判读并行，最终诊断仍由医生完成。换句话说，AI改变的是“先看哪张片子”的顺序，而不是“这张片子是什么病”的结论。
这一定位既是产品策略，也是责任边界的自我划定。分诊工具要证明的是排序价值——疑似阳性病例是否被更早看到，而非替代医生作出定性判断。在影像科与急诊科的协作中，工作列表的顺序往往就是资源分配的顺序：谁先被看到，谁就更早进入处置流程。对医院来说，这种定位降低了采纳门槛；对AI公司来说，这意味着产品价值最终要用流程指标来兑现。
冷静观察：广覆盖之后，还要证明什么
从7项到17项，清单变长本身并不等于临床价值同步变大。广覆盖路线接下来至少要回答三个问题。
其一，性能是否会被摊薄。同一系统同时承担17项发现的标记任务，每一项的敏感度与特异度能否在真实急诊人群中各自站稳，需要分项的、可核查的数据支撑，而不是一个笼统的组合指标。清单上每一项发现的发生率、影像表现与误判代价都不相同，组合批准之后，分项表现仍有待在真实使用中逐一验证。
其二，警报负荷的边界在哪里。标记的发现越多，被推到队列前端的“疑似阳性”也就越多。如果假阳性控制不当，分诊工具可能制造新的工作列表拥堵，反而稀释优先级排序的意义。覆盖广度与警报精度之间的平衡，是平台化产品绕不开的考题。
其三，终点指标如何证明。分诊AI的终极论据不是“标出了多少”，而是急危患者的处置时间是否真的缩短；更上游的问题是，分诊顺序的改变能否最终传导到患者结局的改善。这类真实世界证据的积累速度，将决定“从A到Z”的愿景能以怎样的节奏继续兑现。
急诊CT分诊的清单还在变长，这无疑是影像AI值得关注的演进方向。但清单越长，验证的责任越重——这大概是所有平台型产品共同的功课。
原文链接：解螺旋
千方医数集编辑部 出品
