AZmed拿下第六张FDA清证：AZchest新增四项胸片征象，Rayvolve累计八项影像AI发现
法国医学影像AI公司AZmed于2026年9月15日宣布获第六项FDA 510(k)清证，胸部AI工具AZchest新增气胸、胸腔积液、肺实变与心胸比增大的检出与定位能力。加上2025年3月清证的肺结节，单张胸片覆盖五项征象，Rayvolve套件在肌肉骨骼与胸部X光累计达到八项FDA清证发现。支持数据包括8453次单项评估的独立研究与1489次评估的多阅片研究。
同一张胸片八个征象：AZmed把影像AI的战争从单点打成了套件
方法学解构视角 × 科研一线研究者 ｜ 产业格局视角 × 支付方 ｜ 深度研报
8、5、4、8453、258373——法国医学影像AI公司AZmed在2026年9月15日宣布的消息，本质上是一串数字。 当天它拿到第六项FDA清证：胸部AI工具AZchest新增气胸、胸腔积液、肺实变与心胸比增大四项正位胸片征象的检出与定位能力；加上2025年3月已清证的肺结节，单张胸片可覆盖五项征象。至此Rayvolve AI套件在肌肉骨骼与胸部X光上累计达到八项FDA清证发现，成为美国市场覆盖最广的X光AI产品之一。
开场：最常见的检查，最不一致的读法
先把场景摆清楚。胸部X光是放射科最常见的检查，但它有一个反直觉的特点：会改变患者管理的征象，未必是最显眼的那一个。 气胸、少量胸腔积液、早期实变、心影比例的变化——这些都可能被主要诊断目标吸引走的注意力轻轻放过。更麻烦的是阅片者间一致性存在差异，尤其在胸科亚专业之外。非专科医生值夜班读片、急诊医生快速过图，正是误差最集中的地方。影像AI在这一场景里的任务因此不是发现罕见病灶，而是把读片的一致性做平。
第一个数字：8453次评估与0.94到0.98的AUC区间
这次清证的临床数据与验证工作，是与SimonMed Imaging合作完成的——后者是美国最大的门诊影像与健康技术提供商之一，自2023年起就是AZmed的战略X光AI伙伴。第一项研究是一次独立性能评估，规模为8453次单项评估：AZchest在四项征象上的AUC达到0.94至0.98，单图灵敏度在90.8%至97.0%之间，单图特异度在87.9%至92.1%之间。这里要强调的是“独立”二字：它衡量的是脱离临床医生之后模型自身的表现，也就是这张算法牌的上限。它证明了算法层面具备可靠检出能力，但独立性能好并不自动意味着能改变医生的行为——下一步才回答这个问题。
第二个数字：20名阅片者与最多31%的时间下降
第二项研究回答的正是带上医生之后会怎样。这是一次包含1489次单项病例评估的多阅片、多病例研究，共20名阅片者参与，其中10名是胸部放射科医生。流程是先在无AI辅助下阅片，经过一个月洗脱期，再在AZchest辅助下重新阅片。结果呈现出一个漂亮的组合：阅片者AUC从无辅助的0.88至0.89提升到辅助后的0.91至0.94，灵敏度与特异度同时改善；胸部放射科医生的阅片时间最多减少15.9%，其他专科阅片者最多减少31.0%。灵敏度与特异度同向提升而非互相交换，说明AI补上的是被漏掉的那部分，而不是多喊了几声狼来了。而两组阅片者在时间收益上的差距，恰好指向这套工具的真实受益人群——胸科之外那些读胸片的值班医生。
第三个数字：258373次检查的真实世界底座
第三层证据来自真实世界。今年，SimonMed主导了已发表的规模最大的X光影像AI研究，覆盖26个国家、100家医疗中心的258373次检查，成果发表于《Radiography》，资深作者为Sean Raj医生。这类研究的价值不在指标更高，而在回答“真实的门诊工作流里能否持续跑住”：那里的设备型号、投照条件、病种分布都不再受控，也没有研究护士帮忙挑片子。三份证据的层次分明：
| 证据层级 | 研究规模 | 核心数字 | 回答的问题 |
|---|---|---|---|
| 独立性能研究 | 8453次单项评估 | AUC 0.94至0.98；灵敏度90.8%至97.0%；特异度87.9%至92.1% | 模型自身能不能读准 |
| 多阅片多病例研究 | 1489次病例评估，20名阅片者 | AUC由0.88至0.89升至0.91至0.94；阅片时间最多降15.9%与31.0% | 医生带上AI后是否更好、更快 |
| 真实世界规模研究 | 26国100家中心，258373次检查 | 发表于《Radiography》，由SimonMed主导 | 在真实门诊环境中能否持续可靠 |
串起来看，这条链从算法能力走到人机协作，再走到规模化可靠性——近来影像AI的清证材料越来越多采用这种三层结构，因为它恰好对应监管方最关心的三件事。
战略读法：从一病一模到一张片子全覆盖
AZmed成立于2018年，产品目前被全球2500多家医疗机构使用。它的清证节奏值得琢磨：2024年拿到儿科骨折清证，2026年5月把AZtrauma扩展至关节积液与脱位，再到9月这次胸部四项。首席执行官Julien Vidal把逻辑说得很直白：放射科医生不该为同一张影像上的每一个征象换一个AI工具，AZmed正在构建覆盖整张X光的单一套件，且每一步都配有强临床证据。 这背后是采购方的现实账——对放射科而言，八个弹窗八个厂商的学习与集成成本远高于一个套件五个征象，工作流被反复打断才是最大的隐性开销。SimonMed首席医疗官兼首席创新官Sean Raj给出了对称的另一半：SimonMed的目标不只是部署AI，而是帮助建立AI在规模化改善患者照护时所需的临床证据。一家做广度，一家做验证，分工相当清楚。
冷静观察：清证数量不等于临床价值，套件化才是真门槛
最后泼一点冷水。第六张清证、八项发现，衡量的是覆盖度，而非临床价值本身。真正的门槛在于套件化之后，能否维持每一项的性能水位——在一个模型里塞进更多征象，往往意味着某一项的召回被稀释，而把每项拆开单独研究的成本也随之上升。AZmed这次把四项征象的性能区间、多阅片的提升幅度与真实世界规模一并公开，某种意义上是主动迎接这一审视。接下来值得跟踪的是，Rayvolve套件在更多医疗系统中的长期表现，以及它与既有儿科骨折、肌肉骨骼能力的实际协同效率。数字已经开始堆叠，现在轮到使用率与结局数据说话。
原文链接：AZmed 官网
千方医数集编辑部 出品
