效率革命背后：医学影像从诊疗记录到数据资产的蜕变

2026年08月03日

关键字：东软飞标

完成一例腹部CT影像标注，张医生过去需要约120个小时。他必须在数百张连续影像上，一笔一笔勾画边界，一层一层识别肌肉组织。如今，使用东软飞标医学影像标注平台，同样的工作缩短至4小时，效率提升30倍。

这组数字背后，改变的不只是速度，而是把医学影像转化为AI能力的路径真正打通了。

大型医院积累的影像数据规模庞大，但不能直接用于训练模型。器官、病灶和组织边界，必须由专业医生逐层识别、标记和校正，才能成为机器能理解的高质量数据。医学影像AI落地最昂贵的环节，不是算法，是专业医生的时间。

张医生是某三甲医院放射科副主任医师，牵头一项腹部肌肉影像课题。他需要在数百张CT影像上完成像素级精细分割，让系统"认识"各种人体组织。哪些纳入、哪些排除、边界画在哪，必须依靠医学判断；但判断之外，还有大量重复操作：放大、勾勒、修改，再进下一层。白天的门诊、阅片、会诊已经排满，标注只能推到晚上和周末，一例数据往往断断续续近两个月。无论是治疗还是科研，这个效率很难产生实际价值。

东软飞标改变了起点。过去，医生面对空白影像，从第一层、第一条边界开始描画；现在，平台快速生成初始分割结果，医生聚焦关键区域、修正偏差、完成确认。从逐帧勾画变成对AI结果的专业校准。120小时压缩至4小时，两个工作日内完成交付。医生掌握最终判断，AI接过重复、耗时、适合机器完成的工作。释放出来的专业时间，可以重新用于科研设计、医学判断和临床决策。

更重要的是，当标注效率大幅提升，更多沉睡在医院里的影像才有机会转化为数据资产。临床影像经标注成为训练数据，数据训练出AI模型，模型进入科研和临床应用，应用中的新数据又推动模型优化——一条从影像到AI模型、再到临床应用的数据价值链，由此真正运转起来。

当医生不再从第一张影像开始描边，医学AI才有可能跨过最昂贵的数据门槛，从单点实验走向规模化应用。

AI做基础分割，医生做专业判断

很多医学AI项目迟迟无法进入真实场景，不是模型不够先进，而是缺少规模化、高质量、标准一致的数据。影像已经积累，却无法被有效复用——标注，正是把原始影像转化为可用数据的关键一环。

东软飞标首先改变的是医生与工具的分工。

平台提供200余种预标注算法，覆盖头颈、胸部、腹腔、骨骼、血管等常见解剖结构和病灶。医生选择算法，系统先生成初始轮廓——准确的区域直接使用，偏差部分再调整。

没有成熟算法的特殊组织和病灶？平台内置医学影像分割大模型"冰裂"，点选、框选即可完成复杂边界分割。大批量影像调用自动标注统一处理；需要连续观察的三维结构，二维断层与三维重建实时联动——二维改一个边界，三维同步更新，一目了然。

Web云原生架构，支持多种标注方式，兼容PCCT、CT、MRI、钼靶等多种影像，多人多中心协同作业。AI承担重复的基础工作，医生负责医学判断和质量控制——各自做最擅长的事。

不写代码，医生也能训练自己的模型

不同医院设备型号、扫描参数、患者群体不同，同一个疾病，不同课题关注的标注标准也可能完全不同。过去，为新课题训练专属模型需要算法工程师写代码、调参数，一个简单需求可能反复沟通很久。

东软飞标把零代码可视化建模引入标注流程。医生标注少量样本后，即可在平台上训练适用于特定课题的专属分割模型。训练完成的模型用于批量预标注，医生继续修正，新数据再进入下一轮训练——"标注—训练—预标注—校准"，形成持续迭代的循环。

每一项课题不只是完成了一次标注任务，而是在持续积累一套属于科室和课题团队的数据能力与模型能力。

多中心协作，从“传文件”到“在线协同”

传统多中心协作停留在文件传输阶段：影像靠硬盘传递，各家分别标注，牵头单位集中汇总。问题在汇总时暴露——不同软件、不同格式、不同理解。大量工作已完成，却因标准不一致无法直接使用。

东软飞标支持多中心在线协作：统一标注规则，在线领取、标注、提交审核、专家验收，全流程闭环。多家医院围绕同一套标准，协同生产可追溯、可复用的高质量数据集。

数据留在医院，能力进入流程

平台支持院内私有化部署，原始影像保存在医院自有数据中心，医生通过浏览器使用全部功能。影像脱敏、分级权限、通信加密、安全审计——什么人能看什么数据、用于什么任务，都可管理和追踪。

工具能力在线化，数据留在院内。在权属清晰、安全可控的前提下，让数据被有效加工和使用。

东软飞标产品，在全球坐标中的位置

东软飞标的特点不在单一功能，而在于一套面向医院真实环境的完整能力组合：从CT、MRI到光子计数CT、病理、视频的全模态影像覆盖；从分割大模型、数百种预标注算法到零代码训练；从二维三维一体化标注到多中心协同；从院内私有化部署到手术规划、放疗、教学的临床应用延展。

它入选了国家数据局数据标注优秀案例集，排名第一。公开案例特别提到，平台形成了从数据标注、算法训练到临床场景应用的闭环，并通过Web协同模式支持大规模团队共同开展医学影像数据生产。

这不只是产品功能的进步，而是一种数据生产和使用方式的创新。

数据要素价值化，究竟发生在哪里

“数据要素价值化”经常被理解为一个宏观概念。但在医院里，它并不抽象。

原始影像经过专业标注，器官、组织和病灶获得明确的医学语义，非结构化图像转化为可以被计算的结构化数据。不同医生、不同科室和不同医院按照统一标准开展标注，分散的数据逐步变成可汇总、可比较、可复用的高质量数据集。经过治理的数据用于训练人工智能模型，模型产生新的标注结果，医生继续修正，新的数据又进入训练流程，形成数据与模型共同迭代的闭环。最终，同一份影像数据可以进入手术规划、放疗、医学教学和医患沟通等更多场景。

一条清晰的价值链由此形成：原始影像—专业标注—标准治理—模型训练—临床应用—持续迭代。

只有走完这条链路，存储在医院系统中的医学影像，才真正从数据资源转化为能够持续服务科研和临床的数据资产。

一次标注，多场景复用

在术前规划中，医生可以将CT、磁共振等多模态影像进行融合与三维重建，直观观察病灶与血管、神经的空间关系，为手术入路设计和风险评估提供参考。

在放疗场景中，医生可以勾画肿瘤靶区和危及器官，与物理师、影像科医生共同评估治疗方案。多学科团队可以在同一平台查看影像和标注结果，减少数据反复传输带来的信息割裂。

在医患沟通中，医生可以借助影像标记和三维展示，向患者说明病灶的位置、大小、形态及其与周围组织的关系。抽象的医学术语转化为直观图像，有助于患者理解病情和治疗方案。

在医学教学中，医院和医学院校可以建立标准化的影像教学资源库。教师在真实病例中标注解剖结构、病灶和典型影像特征，学生通过识别与标注练习提升专业能力。

数据只使用一次，价值是有限的。经过标准化治理的数据进入更多业务场景，价值才会持续放大。

30倍提速，是结果也是起点

从120小时缩短至4小时，是一个清晰的结果。但比效率更值得关注的，是提速之后发生的事。

当医生可以训练自己的模型，当不同医院能按统一标准协同生产数据，当同一份数据能进入科研、手术、放疗和教学多个场景——医学影像不再只是诊疗记录，它开始成为医院能持续积累、持续复用的一种能力。

目前，东软飞标已在多家头部三甲医院落地，应用于标注、手术规划、放疗和教学等场景。人工智能在医疗行业是否真正落地，最终不看展示了多少模型，而看它是否进入了医生的工作流程，是否解决了长期存在的真实问题。