北大三院联合联影智能发布全球首个MR脊柱一扫多查智能体：日均300例场景下，把一次检查变成多病种结构化报告

一次脊柱MR读出多种疾病：北医三院与联影智能把多病种智能体落地到4个院区

事实报道 × 医院临床视角 ｜ 产品发布

2026年9月19日，中国科学报报道，北京大学第三医院放射科与联影智能联合研发的多病种MR脊柱一扫多查智能体正式发布。这是目前公开信息中全球首个覆盖多病种的MR脊柱一扫多查智能体，通过大模型能力，让一次脊柱磁共振检查输出多种疾病的结构化报告分析。该产品已落地北医三院本部及4个直属分院区。北医三院脊柱MR检查量居全院MR检查第一位，日均检查量接近300例。

一、产品卡片：一扫多查到底多查了什么

把一款产品讲清楚，最直接的方式是拆开它的输入与输出。

输入端是一份常规的脊柱MR检查。输出端不再是过去那种单项提示，而是多种疾病的结构化报告分析。这里的词眼是结构化：AI给出的不是一段笼统的描述文字，而是按字段组织、可以直接进入报告流程的信息。

脊柱MR检查的读片对象并不单一。椎体、椎间盘、韧带、脊髓、神经根，逐层逐节看过去；椎间盘突出、椎管狭窄、椎体改变，逐个征象甄别。一名成熟的放射科医生之所以能在这套流程里保持效率，靠的是年复一年积累的征象模式识别能力。而这款产品的设计目标，正是把这种模式识别过程部分结构化。

从产品定位看，多病种是这款产品区别于既往工具的关键限定词。脊柱一次检查涉及的征象本就分布在不同解剖结构上，单个模型覆盖不过来，多个单任务模型叠加又会把医生的注意力切得更碎。把多病种收进同一次输出，产品形态才与临床实际面对的检查结构对齐。

值得一并记录的是研发方的组合方式。一端是北医三院放射科，提供真实的检查量与临床使用习惯；另一端是联影智能，提供大模型工程能力。这类院企联合研发的产品，其能力边界往往由临床侧的真实需求划定，而不是由技术侧的能力清单倒推。

二、场景拆解：日均300例的放射科为什么需要这类工具

北医三院脊柱MR检查量居全院MR检查第一位，日均检查量接近300例。这个数字放到具体工作流里，才会有真实的重量。

一份脊柱MR报告，从阅片初稿到完成审核，平均需要五到十分钟。按日均300例计算，仅报告书写与审核这一环，就要消耗放射科大量的人力时间。而且这五到十分钟并非可压缩的弹性时间，它对应的是逐层逐节观察的硬性工作量。

这个时间结构决定了工具的作用点。如果AI能把初稿阶段的部分观察结果预先整理出来，医生的工作就从从零开始书写变成在既有信息上核对与修改。省下的不是判断时间，而是信息收集与文字组织的时间。

袁慧书是北京大学第三医院放射科主任医师。她描述的临床现实是，医生需要在有限时间内完成高强度的结构性观察，任何环节的重复劳动都会被检查量放大。这正是AI能产生实际价值的地方：把可结构化的观察环节前置，让医生把精力留给需要判断力的部分。

三、能力变化：从单任务AI到多病种结构化报告

产品理念里有一句话值得细读：结合临床医生实际使用习惯，对信息呈现、交互方式持续优化，让AI信息看得全、看得准、用得顺。

这句话暗含了对上一代医疗AI的修正。袁慧书指出的行业症结相当具体：传统AI往往只解决单个任务或数个任务，像盯着一类病灶的专科观察员。一类病灶一个模型，检查里出现的其他问题还得医生自己找。信息呈现与交互方式之所以需要持续优化，是因为医疗AI的价值不仅取决于模型准不准，还取决于医生愿不愿意用。

从单任务提示到多病种结构化报告，能力形态发生了变化。脊柱退行性病变的征象高度重复，这类场景恰好是结构化大模型的优势区——同样的征象模式在不同患者身上反复出现，模型有足够多的规律可学。多病种覆盖意味着一次检查的信息被更完整地提取，而不是被单一目标的模型切走一角。

这里的能力变化还有一层：输出是否定稿由医生决定，但信息的组织方式已经被AI改变了。医生拿到的不再是一片待填补的空白，而是一份带有分工痕迹的初稿。这种改变对使用者提出了新要求——核对能力反而更重要了，因为错误的预填信息比空白更需要被识别出来。

四、落地路径：本部加4个分院区的铺开方式说明了什么

该产品已全面落地北医三院本部及4个直属分院区。

这个铺开方式值得注意。医疗AI产品从单点试用走向多院区部署，跨过的不只是技术门槛。多院区意味着不同的设备状态、不同的检查流程、不同的医生使用习惯，产品必须在这些差异里保持一致的可用性。研发方选择在体系内先铺开，说明产品已经越过了只有在原研科室才跑得通的阶段。

另一个被忽略的细节是，多院区铺开本身就是一次大规模的临床验证。本部与分院区共享同一套产品，但各自面对的检查结构、病例分布与人员构成并不相同。产品能否在这些差异中都站住，比在单一科室里的高分更有说服力。真实的临床反馈也会更快回流到迭代中，这与产品理念里对信息呈现和交互方式持续优化的表述是同一条逻辑。

五、冷静观察：脱离PACS与幻觉问题是行业通病，智能体不是终点

袁慧书提到的两个行业通病，比产品发布本身更值得记录。

第一是系统脱离。多数AI工具独立于PACS阅片系统之外，医生需要跨软件复制结果、手动整理文字，频繁切换系统反而增加负担。一个工具如果让医生的操作步骤变多，即便它的输出更准，也很难被真正接纳。

第二是幻觉。部分AI输出逻辑与临床诊断思维脱节，容易出现不符合影像事实的幻觉结果，导致医生不信任。影像AI的幻觉后果尤其严重，因为报告直接进入诊疗链条，一条凭空生成的征象可能影响后续判断。

这两点说明，多病种智能体是行业向前走的一步，但不是终点。产品在能力上完成了从单任务到多病种的跨越，也通过多院区落地证明了工程上的可复制性。但袁慧书提出的系统脱离与幻觉问题，并没有随产品发布自动消失，它们仍是所有影像AI共同面对的门槛。

工具的价值最终由临床是否真正用起来决定，而这取决于它能否嵌入既有工作流，以及它的输出是否经得起医生的核对。

原文链接：中国科学报

---

千方医数集编辑部 出品