全球首个超过400万张超声影像训练的大模型在香港发布，它正试图解决中国15万超声医生缺口和长达一年的检查等待问题。“如果不是紧急病症，检查分流要等很久，甚至几个月。而普通检查，等一年以上也是有的。”香港中文大学医学院心胸外科主任黄鸿亮教授对香港医疗系统中的检查等待时间深感无奈。这种无奈正在迎来技术解决方案。
2025年9月17日，中国科学院香港创新研究院人工智能与机器人创新中心（CAIR）在香港发布了名为“聆音”的EchoCare超声大模型。这是全球已知首个训练规模超过400万张超声影像的数据集，涵盖了52个全身器官，构建了国内首个覆盖多中心、多地区、多人种的大规模超声数据集。
来源：Aiyxl/Jimeng AI
在中国，每年超声检查量达到20亿次，在常规医疗检查中位列第一。但这个庞大数字背后是严重的供需失衡。国内超声医生缺口至少达到15万。培养一名合格超声医生需要3到5年，某些专业领域甚至需要5到8年。
香港的医疗系统同样面临挑战。黄鸿亮教授指出，香港公立医院的常规检查预约周期常常超过12个月。非紧急病症的检查可能需要等待数月，普通检查甚至可能等待一年以上。这种供需失衡严重制约了医疗效率。
“聆音”EchoCare超声大模型引入了“结构化对比自监督学习框架”。这种方法基于医学先验的层次化树形标签，实现多标签语义关系结构化学习与隐式编码。与传统方法不同，EchoCare不需要大量数据标注即可实现特征学习与下游任务的解耦。孟高峰研究员解释说：“以前的模型训练是监督学习，需要人为标注‘标准答案’。而在自监督学习下，不需要再靠人力标注。”这种方式类似于将一幅画的一部分遮住，根据周围推理出被遮住的部分。用数据本身的关系构造学习任务，再用任务驱动模型学习。该模型还具备连续学习能力，能够根据新的应用场景不断迭代和优化，确保模型始终处于最佳状态。
在山东大学齐鲁医院妇产科的1556例卵巢肿瘤超声病例测试中，EchoCare模型分类灵敏度达到85.6%，特异度88.7%，肿瘤良恶性分类灵敏度相对现有最佳方法提升8%。在中南大学湘雅医院的1000余例甲状腺超声检查案例验证中，该模型同样显示出显著优于现有最先进技术的性能。香港中文大学医学院黄鸿亮教授团队提供了约600个病例的数据进行训练。结果显示，平均误差是1毫米左右，某些定位精度甚至达到零点几毫米。
EchoCare大模型在超声图像分割、分类、检测、回归、增强等七大医学任务及十餘项下游应用中，均取得当前最优性能表现，模型相对当前最先进方法性能平均提高3%-5%。在现场演示环节，研究人员导入两段超声扫查视频，模型迅速捕捉并解析出视频中的关键医学信息，成功识别出异常病例，并自动生成了相应的超声报告供医生参考。黄鸿亮教授展望了该大模型与机器人技术结合后在临床中的潜在应用价值。特别是在急诊室场景中，该模型可以快速鉴别心痛、胸痛病人的病症，区分心肌梗塞、肺动脉血栓还是主动脉破裂。
尽管EchoCare表现出色，但医疗AI的普及仍面临诸多挑战。COMPASS-AI全球调研发现，尽管81.1%受访医疗从业者认可AI潜力，但培训缺失（27.1%）和临床验证不足（17.5%）成为主要障碍。这项涉及1154名医疗从业者的调查显示，培训资源不足成为最大痛点（48.1%认为缺乏培训），44.7%强调标准化认证缺失。技术黑箱问题也降低信任度（33.7%担忧算法不可解释性），而高达80.4% 的从业者表示需要验证每个AI结果。地域与专科差异也很明显。澳大利亚从业者对AI减少操作差异的认同度达100%，显著高于其他地区。重症医学科医师对AI工具的信心（71.3%）明显高于急诊科（49.6%）。
从实验室到实际应用，一项医疗AI成果需要经过回溯性研究、前瞻性研究、医疗证取证等几个阶段。目前，EchoCare已完成临床上的第一阶段，即回溯性研究。前瞻性研究将需要更长时间，可能需要两到三年。研究人员将在病例上部署大模型，并与心脏科医生的诊疗数据进行对比，通过临床研究进一步证明数据的准确度。CAIR主任刘宏斌研究员表示，除了已经合作的医院，他们还在与国内不少其他医院推动合作，例如中山大学第一附属医院、四川大学华西医院等。未来，团队计划将模型适配到临床实际场景中。与头部超声影像企业合作、把模型加载到设备上，也会是技术转化的重要路径之一。
随着EchoCare大模型的发展，超声检查变得更为精准高效。黄鸿亮教授期待这项技术能尽快应用于急诊室。他认为，“每年因为心痛、胸痛到急诊室的病人很多，试验过程中，大模型会对主动脉不同位置进行标注，如果尺寸出现异常会提出警示，给出高危标签，这将是急诊室预防漏诊的一个关键。”EchoCare超声大模型的出现，不仅是一次技术突破，更是对医疗资源分配不均问题的有力回应。