深夜的急诊室像一座微缩的战场。角落的AI影像系统扫过每一张CT，像侦察兵从监控画面里圈出敌人的暗堡；手术室里，导航屏幕上的机械臂轨迹不断校准，那是突击手的瞄准镜；病房走廊的监护屏上心率曲线忽然变红，哨兵发出了警报；调度中心的大屏上床位余量每几分钟刷新一次，队长的作战棋盘在自动运转；护士站里，语音转写助手把医生的口述变成工整的病历，医务兵在安静地整理装备。这支由AI组成的“医疗特遣队”共有五类队员——诊断、治疗、监测、管理、辅助。它们各司其职又互相配合。本文还会带你看清这支队伍靠什么“粮草”运转（商业模式），以及必须遵守哪些“军规”才能上场（监管合规）。

岗位关联

看懂医疗AI产品五大分类及其商业与监管底座，就等于拿到一张医疗AI行业的地图与队形图——无论做产品、做算法，还是与合作医院沟通，你都能快速定位自己的位置。

目录
  1. 可视化演示
  2. 诊断类产品：侦察兵的眼睛
  3. 治疗类产品：突击手的利刃
  4. 监测类产品：哨兵的雷达
  5. 管理类产品：队长的棋盘
  6. 辅助类产品：医务兵的手
  7. 商业模式：粮草与军饷
  8. 监管合规：军规与执照
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示医疗AI产品五大分类（诊断/治疗/监测/管理/辅助）的特征对比、监管审批路径与风险等级矩阵，直观理解医疗AI产品化与合规框架。

本节配有交互动效（进入视口后自动加载，约 3KB）。

医疗AI产品五大分类 诊断类：医学影像AI、病理AI、辅助诊断系统，占比最高约45% 治疗类：手术机器人、放疗计划、药物推荐，风险等级最高 categories = {diagnosis, treatment, monitoring, management, assistance}

诊断类产品：侦察兵的眼睛

医疗特遣队里，最先摸进战场的永远是侦察兵。他带着夜视镜和无人机，把敌人的暗堡、雷区、火力点一一标在地图上，整个指挥部的决策都从他的情报开始。医疗AI里对应这个位置的，就是诊断类产品——它们不负责“动手”，而是负责“看清”：在影像、病理、基因数据里，把藏着病灶的可疑目标圈出来，交给人类指挥官定夺。

诊断类产品的四条战线，分别对应侦察兵的几种装备。影像识别贴着CT、X光、MRI逐层扫描，像反复回放监控录像找异常；病理分析把活检切片数字化后端详细胞形态，相当于辨认混在人群里的乔装敌人；基因筛查在几十万个位点中比对与疾病相关的变异，就像用指纹库锁定嫌疑人；早期筛查则在人毫无症状时，用体检数据做风险分层，提前示警“前方可能有埋伏”。

判断侦察兵是否合格，关键看他能不能把真敌人全找出来。诊断AI用的两个核心指标是灵敏度（Se）和特异度（Sp）。灵敏度回答：100个真病人里，系统能揪出几个？特异度回答：100个健康人里，又有几个被无辜圈进来？

战场上，侦察兵的任务不是亲自动手炸掉暗堡，而是把“没有遗漏可疑目标”这个情报网织严。诊断AI也一样——它把可疑的结节、异常的细胞、危险的风险分层摆在医生面前，让医生做最终判断。作为医疗AI小队的第一双眼睛，它最重要的品质不是自信，而是细心。

Se=TPTP+FN\displaystyle Se = \frac{TP}{TP + FN}
灵敏度就是“真病人中没被漏掉的比例”。在癌症筛查里，宁可让一些健康人做复查，也不能放过一个早期病灶。
  1. 真阳性 TP确实患病且被AI正确判为阳性的人数，相当于侦察兵准确标记出的暗堡。
    TPTP
  2. 假阴性 FN确实患病却被AI漏掉的人数，是侦察兵在眼皮底下放走的暗堡。
    FNFN
  3. 分子 TP公式中位于分数线上方，代表真正被抓出来的病人数量。
    TPTP
  4. 分母 TP+FN所有真正的病人总数，无论抓没抓到都要算进去。
    TP+FNTP + FN
  5. 整体比值 Se分子除以分母，得到抓到的病人占全部病人的比例，越高越不容易漏诊。
    TPTP+FN\displaystyle \frac{TP}{TP + FN}

治疗类产品：突击手的利刃

拿到侦察兵的情报，突击手就要开火了。他的任务是精确打击目标，同时尽可能不伤及周边的平民屋舍。医疗AI里的突击手，是治疗类产品——它们直接参与治疗动作：切哪里、照哪里、用多大剂量、术后怎么练，都是它们发挥的主场。

突击手的军火库有四件套。手术导航像高倍瞄准镜，机械臂根据术中影像实时校正路径，下刀误差以毫米计；放疗计划像炮兵弹道计算，算出一条条射线束的走位，让肿瘤吃满剂量、正常组织少挨炸；个性化用药根据患者的基因与血药浓度预测最佳药量，如同给不同体型的士兵配不同装药的弹药；康复训练AI则在战后指导伤员做动作，帮肌肉和神经找回记忆。

放疗计划的本质，是一个优化问题：医生给出肿瘤的“处方剂量”后，AI要把体内每个小方块（体素）的实际剂量，尽量贴住这个目标值。贴得越紧，战斗越精准。

突击手的口碑不在喊得响，而在准头。一次漂亮的放疗计划，就像一发打准了的制导炮弹：该吃的剂量一丝不差，不该碰的组织秋毫无犯。治疗AI的“利刃”，正是这种把误差压到毫米和戈瑞级别的能力。

min⁡∑i∈V(Di−Dprescribed)2\displaystyle \min \sum_{i \in V} \left(D_i - D_{\text{prescribed}}\right)^2
让每个体素的“实际剂量”与“处方剂量”的差距平方和尽可能小——偏差越小，火力越集中。
  1. 体素集合 V把人体切成很多小立方体，每个都有编号，相当于把作战区域画成网格。
    i∈Vi \in V
  2. 处方剂量医生给肿瘤规定的放疗剂量目标值。
    DprescribedD_{\text{prescribed}}
  3. 实际剂量当前放疗计划下某个体素真正吃到的剂量。
    DiD_i
  4. 偏差平方实际值与处方值的差取平方——无论是“没吃够”还是“吃过头”都算偏差。
    (Di−Dprescribed)2\left(D_i - D_{\text{prescribed}}\right)^2
  5. 求极值对所有体素求和并求最小值，得到最精准的照射方案。
    min⁡∑i∈V\displaystyle \min \sum_{i \in V}

监测类产品：哨兵的雷达

战斗打响后，队长会安排哨兵守在营地。哨兵不冲锋、不包扎，只干一件事：盯着雷达屏，发现异常立刻吹哨。医疗AI的哨兵，就是监测类产品——它们的工作发生在“打完仗之后”甚至“还没打仗时”，用持续盯梢捕捉病情变化的蛛丝马迹。

监测产品也有四条战线。生命体征监测通过可穿戴设备记录心电、血氧、血压，像哨兵手里的测距仪；慢病随访把几个月甚至几年的健康数据串成趋势线，看“山”是不是在慢慢变高；术后风险预警综合体温、心率、引流液等信息，在并发症爆发的几小时前先听见雷声；远程居家看护让患者出院后仍有一双眼睛在看护，异常时把警报传回医院。

这些产品共同的核心算法，是“变化率告警”。绝对读数高不代表危险，真正危险的是“短时间内变化太快”。就像雷达光点忽然跳格，比一直静止的红点更值得警惕。

哨兵的价值从来不是“多勇敢”，而是“不眨眼”。监测AI把护士从几十个屏幕前解放出来，让每一次生命体征的突变都有人盯着。它用一条条变化曲线，守住了患者病情恶化的第一道防线。

Δxt=xt−xt−τ,若 ∣Δxt∣>θ 则告警\displaystyle \Delta x_t = x_t - x_{t-\tau},\quad \text{若 } \left|\Delta x_t\right| > \theta \text{ 则告警}
先用“此刻值 − 历史值”算出变化幅度，超过阈值才触发告警，从而过滤掉正常的小波动。
  1. 当前读数此刻监护仪上的实时值，比如心率、血氧或血压。
    xtx_t
  2. 历史基线τ 分钟前那次读数，用于对比“跟刚才比差了多少”。
    xt−τx_{t-\tau}
  3. 变化量两者相减，反映短时间内的波动幅度。
    Δxt=xt−xt−τ\Delta x_t = x_t - x_{t-\tau}
  4. 阈值判断取绝对值并与阈值比较，小波动不会误报，真突变才报警。
    ∣Δxt∣>θ\left|\Delta x_t\right| > \theta
  5. 触发告警一旦越线，系统通知护士站，值守人员立即干预。
    告警\text{告警}

管理类产品：队长的棋盘

队长不上前线，但所有人的行动都要从他那张作战棋盘出发：谁去支援、谁休整、药品够不够、车往哪开。医疗AI的队长，是管理类产品——它们不面对单个患者，而是面对医院的全局：床位、库存、费用、随访名单，哪一样都在它们的调度范围内。

管理产品的四条战线对应队长的四件工具。医院资源调度算法统管床位和手术排期，像队长排值班表；供应链预测根据历史消耗预测耗材和药品用量，像后勤算好一个月的口粮；医保控费审查自动扫描诊疗记录，拦截过度检查和不合理处方，相当于军规检查员；患者随访管理把出院病人自动分组排期，按时推送复查提醒。

调度优化的核心指标之一，是资源利用率。一个病区到底满不满、还能不能收病人，用一个比值就能说清：

队长的高明之处，是让每张床位、每台手术、每盒耗材都刚好“够用但不浪费”。管理AI不产生新药、不治愈疾病，却能让一家医院的运转效率像棋盘上的棋子一样错落有致——这种看不见的调度，往往就是医疗系统最值钱的软实力。

U=λm×μ\displaystyle U = \frac{\lambda}{m \times \mu}
利用率 = 到达的病人数 ÷ 医院能服务的病人数。U 越接近 1，说明床位越紧张，需要队长提前调度。
  1. 到达率平均每小时（或每天）来住院的病人人数。
    λ\lambda
  2. 服务率一个床位在单位时间内平均能服务出院的人数。
    μ\mu
  3. 床位数该病区可用的病床数量。
    mm
  4. 服务能力m 个床位乘以每个床位的服务率，是医院能消化的总量。
    m×μm \times \mu
  5. 利用率到达率除以服务能力，接近 1 意味着满负荷甚至要排队。
    U=λm×μ\displaystyle U = \frac{\lambda}{m \times \mu}

辅助类产品：医务兵的手

如果说前面几类队员是冲在一线的主角，那医务兵就是让人安心的后台。他背着一个多功能背包：能写医嘱、能翻手册、能代发通知。医疗AI的辅助类产品就是这支队伍里的医务兵——它们不负责决策，而是负责把医生从重复劳动里解放出来。

辅助产品的四个口袋都很实用。语音录入把医生的口述实时转成文字，病历不再靠手敲；智能导诊在患者描述症状后给出分科建议，像医务兵先帮伤员分类送往不同科室；知识库问答让医生快速检索最新指南和药物相互作用，像随身携带的医学百科；文书生成自动整理出院小结、转诊单和报告摘要，把一小时案头工作压成几分钟。

分诊是辅助AI里最考验判断力的任务。患者说“我头晕心慌”，到底是挂神经科还是心内科？这时AI用贝叶斯公式把“症状”和“科室”联系起来：先看历史数据里每个科室有多少人出现这种症状，再算出患者最可能属于哪个科。

医务兵不会成为全场焦点，但没有他，医生得自己打字、自己翻书、自己整理文书。辅助AI的意义，就是把这些“杂活”全包了，让医生把时间留给病人。它可能是五类产品中技术栈最“软”的，却是临床日常中最“刚需”的。

P(Ck∣S)=P(S∣Ck) P(Ck)∑jP(S∣Cj) P(Cj)\displaystyle P(C_k \mid S) = \frac{P(S \mid C_k)\,P(C_k)}{\sum_{j} P(S \mid C_j)\,P(C_j)}
后验概率 = 科室对该症状的“过敏程度” × 科室先验人数，除以所有科室的总分——得分最高的科室就是分诊建议。
  1. 症状特征患者描述的主要症状，如“胸痛、心悸”。
    SS
  2. 候选科室呼吸科、心内科、神经科等。
    CkC_k
  3. 先验概率历史上各科室的就诊比例，代表“平时哪个科人多”。
    P(Ck)P(C_k)
  4. 似然概率某科室的患者中出现该症状的比例，衡量症状与科室的关联强度。
    P(S∣Ck)P(S \mid C_k)
  5. 归一化分母把医院所有科室的得分加起来，使总概率为 1。
    ∑jP(S∣Cj)P(Cj)\sum_{j} P(S \mid C_j) P(C_j)
  6. 后验概率综合先验和似然后，患者属于该科室的概率，取其最大值作为分诊结论。
    P(Ck∣S)P(C_k \mid S)

商业模式：粮草与军饷

再强的特遣队也要吃饭。侦察兵要买无人机、突击手要换弹药、哨兵要维护雷达——这笔钱从哪来，就是商业模式要回答的问题。医疗AI公司不能只谈理想，必须说清“粮草从哪条路运进来”。

医疗AI的主流做法有四条。软件订阅（SaaS）像包月薪饷，医院每年付一笔服务费，系统持续更新迭代；按调用计费像按件计酬，每分析一例影像、每生成一份报告收一次费，用得越多付得越多；器械绑定则是把AI作为CT、超声等大设备的增值模块搭售，像买武器系统顺便配火控软件；院外增值则是面向患者/消费者的健康管理会员服务，让个人也愿意为“AI哨兵”付费。

无论哪条路，最终都要算一笔账：一个医院客户在合作期内到底值多少钱。于是有了LTV（客户终身价值）公式——订阅收入看留存，留存看产品是否有价值：

粮草决定队伍能走多远——没有付费闭环，再聪明的算法也只是实验室展品。医疗AI公司需要在“医生用着好”和“医院买得起”之间找到平衡点，把技术变成持续进账的军饷，特遣队才能一场仗接一场仗打下去。

LTV=ARPU×GMChurn\displaystyle \text{LTV} = \frac{ARPU \times GM}{Churn}
LTV 表示一个客户在整个合作期内能带来的毛利润。分子是“客单价 × 毛利比例”，分母是流失率——客户走得越慢，LTV 越高。
  1. 客单价 ARPU每个医院客户平均每年支付的费用。
    ARPUARPU
  2. 毛利率 GM扣除人力、服务器等成本后剩下的利润比例。
    GMGM
  3. 流失率 Churn每年停止续费的客户比例，相当于士兵退役率。
    ChurnChurn
  4. 年毛利润贡献客单价乘以毛利率，是每年真正落进口袋的钱。
    ARPU×GMARPU \times GM
  5. 客户终身价值如果能长期留住客户，这些利润累积起来的总量，就是 LTV。
    ARPU×GMChurn\displaystyle \frac{ARPU \times GM}{Churn}

监管合规：军规与执照

特遣队不能来路不明。它有军规手册、要持证上岗、行动受限且记录在案。医疗AI同样站在一个特殊地带：一旦出错可能伤人性命，所以国家监管相当严格。

四道军规构成了医疗AI的上市关卡。注册审批：在三类医疗器械清单里的产品，必须先拿到药监局（中国NMPA或美国FDA）的注册证，相当于颁发行军执照；临床验证：上市前要拿出临床试验数据证明安全有效，像新兵要通过训练考核；数据隐私：训练和运行必须遵守隐私法规，对患者数据做脱敏和加密，像情报员封存档案；责任边界：AI只给“建议”，最终决策由医生签字负责，人机责任有清晰划分。

监管的严宽逻辑，遵循一个朴素的风险公式——伤害有多重，盯得多紧：

军规不是来束缚特遣队的，而是保证它不误伤路人。医疗AI的监管审批虽然让上市周期变长、成本变高，但它建立的是医生和患者对AI最基本的安全感。拿到那张“执照”，特遣队才算真正被允许上战场。

R=W×E\displaystyle R = W \times E
产品风险 = 失效后的伤害严重度 × 涉及的影响面。风险等级越高，审批要求越严。
  1. 伤害严重度产品一旦失效，对患者造成伤害的严重程度。
    WW
  2. 暴露程度使用频率、涉及患者数量等影响范围。
    EE
  3. 风险值两者相乘，得到该产品需要被监管的等级。
    R=W×ER = W \times E
  4. 分级管控R 越高，就需要越严格的临床验证与审批流程。
    监管等级∝R\text{监管等级} \propto R

AI 应用场景

基层医院肺结节AI初筛

阶段：辅助诊断（对应诊断类产品）

解决的问题：基层放射科医生人手少、阅片经验有限，传统方式下肺结节漏诊率高，大量CT堆积难以及时处理。AI先完成初筛并标注可疑结节，医生只需复核高亮区域，把“逐张找”变成“重点看”。

具体案例：某市体检中心接入“CT肺结节筛查AI”，每天约800例胸部CT，AI将可疑结节检出并标出大小、密度和位置，医生复核后出具报告。数据显示肺结节检出率提升约25%，平均阅片时间从15分钟降到5分钟。

ICU脓毒症早期预警

阶段：实时监测与风险预警（对应监测类产品）

解决的问题：脓毒症恶化极快，护士难以同时盯住多个床位的十几项指标。传统人工观察往往发现时已处于休克边缘。AI将心率、血压、体温、乳酸等数据合成一个“恶化分数”，提前数小时报警。

具体案例：某三甲医院ICU部署脓毒症预警AI后，系统每小时更新风险评分并推送到值班终端，护士提前干预，疑似脓毒症患者的抗生素使用时间平均提前3小时。

全院床位与手术排程优化

阶段：医院运营管理（对应管理类产品）

解决的问题：传统排床靠护士长经验，忙闲不均，手术一台挤一台、病房却空置。AI基于历史住院数据预测未来3天各科室床位需求，给出排床和手术台次建议。

具体案例：某大型综合医院用AI调度系统后，平均住院日缩短0.5天，床位利用率提升约8%，手术室接台等待时间减少30分钟。

Python 演示

python37 行
# -*- coding: utf-8 -*-"""医疗AI产品分类器:根据产品描述关键词,自动判断产品属于哪一类.""" import re KNOWLEDGE = {    "诊断": ["影像", "CT", "MRI", "病理", "基因", "筛查", "识别", "检出", "切片", "超声"],    "治疗": ["手术", "放疗", "导航", "剂量", "用药", "药物", "康复", "消融", "机器人"],    "监测": ["心电", "血氧", "血压", "监护", "预警", "随访", "趋势", "可穿戴", "生命体征"],    "管理": ["床位", "排班", "排程", "供应链", "耗材", "医保", "控费", "库存", "资源"],    "辅助": ["语音", "转写", "病历", "导诊", "分诊", "文书", "问答", "知识库", "报告", "助手"],} def classify(desc):    text = desc.lower()    scores = {}    for cls, keys in KNOWLEDGE.items():        score = sum(1 for k in keys if k.lower() in text)        if score > 0:            scores[cls] = score    if not scores:        return "未知"    return max(scores, key=scores.get) def main():    samples = [        "基于CT影像的肺结节辅助筛查系统",        "手术导航机器人与放疗剂量优化平台",        "可穿戴心电监测与术后风险预警手表",        "医院床位调度与耗材供应链预测平台",        "智能语音病历转写与分诊导诊助手",    ]    for sample in samples:        print(sample + "\n  -> " + classify(sample) + "\n") if __name__ == "__main__":    main()
目的：给一段医疗AI产品描述，按关键词打分自动归类到诊断、治疗、监测、管理、辅助五类之一。
  1. KNOWLEDGE = {...}把五个产品分类定义成关键词库，相当于给特遣队员各发一张“识别卡”。
  2. score = sum(1 for k in keys if k.lower() in text)数一数描述里命中了几个关键词，命中越多说明越像这一队的人。
  3. if not scores: return "未知"一个关键词都没命中，就报告“身份不明”。
  4. return max(scores, key=scores.get)把得分最高的分类当作最终答案。
  5. if __name__ == "__main__": main()只有直接运行脚本时才启动，避免被 import 时顺带执行。

常见误区

误区“医疗AI不就是看CT片子吗？我听说过的医疗AI产品基本都是影像诊断，其它分类都是硬凑的。”

正解诊断类只是五分之一。治疗类有手术导航和放疗计划，监测类有可穿戴预警和脓毒症告警，管理类有床位调度和医保控费，辅助类有语音病历和智能导诊——市场盘子一样很大。

为何常见：因为媒体上曝光最多的是“AI读肺结节”这类诊断案例，直观且有故事性，其他场景比较“幕后”，公众感知度低。

误区“我模型做到99.9%准确率，直接去医院卖不就完了，要注册证干嘛？”

正解中国把不少医疗AI按第三类医疗器械管理，必须走NMPA注册审批，提交临床试验数据、证明安全性和有效性，且要有完整的质量管理体系。准确率只是实验室指标，注册看的是真实世界证据。

为何常见：互联网产品“上线即用”的思维惯性，让人忽略了医疗产品“先证后售”的底线。

误区“AI给的诊断错了，出了医疗事故，CT公司肯定要赔钱。”

正解医疗AI大多定位为“辅助决策”，医生保留最终诊疗权和签字责任。产品在适应证范围内按说明书使用时，公司对算法缺陷负责；若医生误用或未审阅AI建议，责任在医生。责任边界由产品定义和临床流程共同决定。

为何常见：自动驾驶车祸的新闻让大众以为“机器犯错机器赔”，但医疗场景里AI是工具而非主体。

误区“医院财大气粗，买软件肯定喜欢买断，谁愿意每年续费啊？”

正解实际上SaaS订阅正成为主流。医疗AI需要不断用新数据迭代模型，订阅制能让厂商持续维护、更新和响应反馈；医院也乐见按年付费降低前期预算压力，很多产品还提供“按例计费”的灵活模式。

为何常见：个人软件买断的习惯被投射到机构采购上，忽略了医疗AI“要持续更新才有价值”的特性。

误区“漏一个病人就是人命，错报一个又是吓人，所以准确率必须100%，否则别上线。”

正解医学本身就不存在100%完美诊断。临床中要通过灵敏度和特异度的权衡来选择使用场景：筛查场景宁可高灵敏度，让可疑者做进一步检查；确诊场景则更看重特异度。AI的价值在于用可解释的指标帮医生划定“要不要多想一步”。

为何常见：完美主义直觉让人用“绝对正确”标准要求工具，其实临床更在意“错的方向是否可补救”。

面试题

Q1. 下列哪种产品属于医疗AI诊断类？

单选题 · easy

  • A.CT影像肺结节筛查← 正确答案
  • B.手术导航机器人
  • C.可穿戴血氧监测
  • D.医院床位调度平台

答案：A。像特遣队里的侦察兵，CT影像筛查是典型的诊断产品；手术导航是突击手（治疗），血氧监测是哨兵（监测），床位调度是队长（管理）。因此选A。

Q2. 放疗计划的AI主要用于优化什么？

单选题 · easy

  • A.优化患者挂号流程
  • B.优化肿瘤靶区剂量分布← 正确答案
  • C.优化病历文本排版
  • D.优化医保报销审核

答案：B。放疗计划的任务是让射线剂量像精确制导炸弹一样落在肿瘤靶区，同时保护正常组织，所以核心是优化剂量分布，选B。

Q3. 某监测产品用“变化率触发告警”来工作，它首要解决什么问题？

单选题 · mid

  • A.读懂医学影像
  • B.防止漏掉突发恶化← 正确答案
  • C.自动生成病历文书
  • D.智能调度医院床位

答案：B。变化率越线报警好比哨兵看到雷达光点突跳，目的是在病情短时间内快速恶化时及时提醒医护人员，防止延误抢救，选B。

Q4. 下列属于医疗AI管理类产品的有哪些？

多选题 · mid

  • A.医保控费审查← 正确答案
  • B.耗材库存预测← 正确答案
  • C.肺结节智能检测
  • D.康复训练机器人

答案：AB。医保控费和耗材预测都是队长的“棋盘”职责，属于管理类；肺结节检测是诊断，康复训练是治疗，所以选A、B。

Q5. 智能导诊主要属于哪一类医疗AI产品？

单选题 · easy

  • A.诊断影像类
  • B.手术导航类
  • C.辅助支持类← 正确答案
  • D.资源管理类

答案：C。智能导诊不做最终诊断也不直接治疗，只是帮患者分科、帮医生减负，属于医务兵式的辅助类产品，选C。

Q6. 对医疗AI这类需要持续迭代的产品，哪类商业模式对厂商更友好？

单选题 · mid

  • A.软件订阅年费制← 正确答案
  • B.一次性买断制
  • C.按设备数量零售
  • D.广告流量变现

答案：A。医疗AI需要不断用新数据更新模型，订阅制能形成持续现金流支撑迭代，相当于稳定的粮草补给；买断制则让厂商失去长期服务动力，选A。

Q7. 在中国，三类医疗AI产品上市前必须拿到什么？

单选题 · hard

  • A.软件著作权证书
  • B.药监局注册证书← 正确答案
  • C.互联网服务备案
  • D.发明专利证书

答案：B。医疗AI按医疗器械管理，上市必须取得药监局（NMPA）的注册证，相当于特遣队持执照上场；软件著作权和专利只是知识产权保护，不是准入门槛，选B。

Q8. 关于医疗AI的责任边界，下列说法正确的有？

多选题 · hard

  • A.医生保留最终决策权← 正确答案
  • B.AI建议仅供医生参考← 正确答案
  • C.误诊一律由AI公司赔偿
  • D.上市前需临床验证← 正确答案

答案：ABD。AI定位是辅助工具，医生是最终签字人，所以A、B正确；误诊并非一律公司赔，需按使用场景和产品责任划分，C错误；临床试验验证是上市前置条件，D正确。

Q9. 灵敏度高的筛查AI通常意味着什么？

单选题 · mid

  • A.漏诊率更低← 正确答案
  • B.误报率更低
  • C.单次费用更低
  • D.运算速度更快

答案：A。灵敏度衡量“抓到真病人的比例”，灵敏度高意味着漏掉的病人少，相当于侦察兵把暗堡全部上报；误报率低对应的是特异度高，所以选A。

Q10. 某三甲医院同时引入五种医疗AI产品，以下哪些属于辅助类产品？

多选题 · extreme

  • A.手术机器人控制台
  • B.语音病历转写系统← 正确答案
  • C.智能分诊导诊服务← 正确答案
  • D.术后心电预警装置

答案：BC。语音病历转写和智能分诊导诊都是帮医生处理案头与流程的杂活，属于医务兵式的辅助类；手术机器人控制台是治疗，术后心电预警是监测，所以选B、C。