行业观察

Aidoc 联合 12 家美国大型医疗系统成立诊断 AI 联盟,推动真实世界治理标准

发布于 2026-08-12
阅读 18
#诊断AI#医疗系统#AI治理#临床决策支持#医学影像
Aidoc 联合 12 家美国大型医疗系统成立诊断 AI 联盟,推动真实世界治理标准

Aidoc 宣布与 12 家美国医疗系统成立 Diagnostic AI Consortium,成员包括 Advocate Health、Cedars-Sinai、Houston Methodist、Mount Sinai、Northwell、Northwestern Medicine、Sutter Health、University Hospitals 等。联盟目标是在真实临床环境中共同设计 AI 诊断工作流,衡量其对安全、质量和诊断速度的影响,并形成可复制的实施与治理实践。Aidoc 将提供 CARE 临床 AI 基础模型和 aiOS 企业级 AI 操作系统作为技术底座。该事件值得关注,是因为诊断 AI 正从单点算法采购转向跨机构验证、漂移监测、偏差治理和规模化部署,头部医院的共同参与有助于建立行业标准。

Aidoc 联合 12 家美国大型医疗系统成立诊断 AI 联盟,推动共享治理标准

临床 AI 公司 Aidoc 宣布成立新的 Diagnostic AI Consortium,并吸引了美国多家大型医院和医疗系统参与。该联盟的目标,是围绕诊断 AI 在真实临床环境中的评估、治理和规模化部署,建立一套共享标准。

哪些机构加入了联盟

根据报道,这一联盟的 12 家成员机构包括:

  • Advocate Health
  • Cedars-Sinai Health System
  • Hartford HealthCare
  • Houston Methodist
  • Mercy
  • Mount Sinai Health System
  • Northwell Health
  • Northwestern Medicine
  • Sutter Health
  • University of Florida Health
  • University Hospitals of Cleveland
  • WellSpan Health

Aidoc 首席执行官 Elad Walach 表示,这个联盟的目标之一,是围绕“诊断 AI 应如何被评估和治理”建立共享标准,尤其关注如何安全扩展使用范围,以及如何缩短从扫描到诊断的时间。

联盟想解决什么问题

文章指出,诊断 AI 正在影像、病理、实验室数据和电子病历等多个维度展现出潜力,能够帮助临床医生更早发现疾病、识别更细微的临床信号。

但与此同时,行业也面临一系列基础性问题,包括诊断 AI 应如何嵌入工作流、如何验证临床效果、以及如何持续监控模型在不同患者群体、不同站点和不同设备上的漂移与偏差。

Diagnostic AI Consortium 的设立,就是为了把这些医疗系统的真实经验汇聚起来,共同梳理这些机会与挑战。

联盟成员将共同做什么

根据 Aidoc 的介绍,联盟成员将在几个方向上协作:

  • 设计 AI 赋能的诊断工作流,在真实临床场景中优先处理关键病例并更快交付关键结果
  • 衡量 AI 对安全、质量以及从扫描到诊断速度的影响
  • 形成可被其他医疗系统采用的共享实施与治理实践,无论其是否属于联盟成员

Aidoc 表示,相关工具将以临床决策支持为目的进行设计,并在真实临床实践中完成严格验证。同时,模型表现也会在不同患者群体、不同站点和不同扫描设备之间持续监测,以识别漂移和偏差。

Aidoc 提供什么技术底座

Aidoc 将为联盟提供技术基础设施,包括其 CARE 临床 AI 基础模型,以及 aiOS 企业级 AI 操作系统。

公司认为,医疗系统正在逐渐从零散、孤立的 AI 点状应用,走向企业级、体系化的诊断 AI 平台。联盟希望基于成员机构已有经验,在此基础上进一步推进整个行业的共享认知和实践方法。

行业意义与时间表

Walach 表示,过去很长一段时间,行业习惯把“速度”和“安全”视为 AI 中相互对立的两端,一边是科技行业“快速行动”的逻辑,另一边是医疗行业“首先不伤害”的原则。

他认为,Diagnostic AI Consortium 的核心信念是,这件事可以用正确的方式来做,而且要以“迭代地、共同地”来推进。12 家头部医疗系统围绕诊断 AI 的评估和治理采用共享标准,正是行业真正获得规模化使用资格的前提。

文章提到,联盟预计将在 2027 年分享首批成果。

University Hospitals 放射创新副主席 Leonardo Kayat Bittencourt 也表示,放射学中的下一代 AI 若想真正释放潜力,必须依赖跨机构和跨行业的共同责任与共享经验。没有任何单一中心,无论规模多大、声誉多强,都无法覆盖构建和安全部署通用化模型所需的全部影像、疾病和临床情境多样性。

返回医药AI前沿资讯