从牛津博士到AI医生：一场技术回应医疗不平等的创业尝试

在医学影像领域，AI的革命性进展已不稀奇——CT有了自动阅片系统，X光报告可由模型生成。但当聚光灯转向超声时，这一“最日常”的影像手段，却始终没有迎来真正的智能时代。为什么？

“因为它不像CT那样一拍即得，而是靠医生一手一眼‘扫出来’的。”——这是海豚智声医疗科技（嘉兴）有限公司创始人勒安捷最常讲的一句话。她曾是标准的科研人才，数学出身，牛津大学攻读超声AI方向博士，本可以继续学术之路。但在一次返乡探亲中，她在县医院听到医生的一句无奈：“我会扫简单的，复杂的你还是得去大医院。”那一刻让她意识到，AI不能只留在论文里。它得“落到探头上”，帮到那些“有设备但没人敢用”的地方。

超声的AI困局：为何迟迟未被解决？

过去十年，AI在医疗影像领域取得了飞跃性进展。CT、核磁、X光等影像模态纷纷迎来“AI读片”时代：有标准、有数据、有规范流程。但当AI试图走进超声领域时，却迟迟无法跨越那道门槛。超声，这个被称为“最平民化”的影像工具，反而成为最难被智能化的部分。

中国是全球最大的超声使用国家。每年20亿人次的检查量，超过CT十倍，成为基层医院最常用的影像手段。但在实际诊疗过程中，超声医生面临这样的困境：没有统一的检查方案、没有标准的切面定义、也没有规范的操作路径。一位经验丰富的老医生和一位刚入职的年轻医生，对于“标准扫查”常常有完全不同的理解。

“这不是你按了哪一个按钮的问题，而是你有没有‘看懂’那个画面、有没有‘扫对’那个角度。”勒安捷在采访中这样形容超声的临床特殊性。不同于CT的“拍完即得”，超声的画面需要医生在操作中“实时创造”，这也让超声的智能化变得前所未有的复杂。

更难的是训练AI的“材料”——超声数据。本身极为异构，质量参差不齐，图像风格因医院、设备、医生而异，缺乏统一标准和大规模可用的数据集。这意味着，大多数“端到端”的图像诊断模型，在超声场景下可能作用较为有限。更不用说在深度学习阶段，模型极度依赖图像一致性与标签标准化的训练过程。

即便勉强训练出模型，可解释性和信任度也成了另一道高墙。传统AI模型往往以黑箱形式输出诊断建议，不提供推理路径，医生难以判断其“依据是否可靠”。这在严谨的医疗场景中，是一个致命的问题。

Dolphin V1.0：让AI走入医生视线、手势与决策之间

相比传统“读片式”AI，海豚智能推出的Dolphin V1.0从医生握起探头那一刻起即介入流程，实现“扫查中实时引导 + 检查后自动报告”的一体化闭环，重塑了超声的操作方式。

在扫查阶段，Dolphin V1.0可以实时识别图像中是否为标准切面，并对医生发出操作提示，例如“请向右旋转探头”“当前角度无法观察包膜边界”等指令，帮助医生快速获得合格视图。与此同时，模型会进行图像质量控制，辅助排除模糊、无效的图像数据。

在后处理阶段，模型会自动识别疑似病灶、生成结构化诊断建议，并完成报告撰写流程。例如在乳腺检查中，模型可以对不同病灶进行分类标注，提供初步判断，并生成标准化报告。这一功能显著提升了基层医疗机构的诊断效率。

百度智能云的技术支持：从基础设施到行业落地

随着Dolphin进入三甲医院的真实部署，其模型也进入了细分垂域微调及行为对齐阶段，需要更大、更坚实的算力支撑。百度智能云提供的算力资源，成为海豚智能持续发展的关键支撑。

在超声领域，Dolphin的出现填补了基层医疗的空白。通过将AI模型部署至中小型医疗机构，Dolphin以“AI医生”的形式参与日常诊疗，辅助完成常见病筛查任务，推动优质医疗资源向下沉流动。

家庭端的潜力：改变个体健康管理方式

更具想象力的是Dolphin在家庭端的应用。团队已启动多项家用场景探索，包括乳腺自查、孕期筛查等高频、标准化、可远程支持的轻量级超声检查服务。比如乳腺癌筛查，根据世界卫生组织建议，女性每三个月应进行一次定期检测。但在现实中，女性频繁前往医院进行检查不仅会给生活带来诸多不便，也会给医疗系统带来较大的资源压力。若未来Dolphin融入可视化、可引导的家用超声设备，女性将可在家中定期自查，由AI进行初筛，远程同步医生二次复核。这一模式不仅极大减轻医疗系统负担，也将深刻改变个体健康管理的方式。

医疗，是一个极度复杂、耐心驱动的赛道。但也正因如此，每一项技术的落地，带来的都是成千上万人真实可感的福祉。海豚智能选择了一条最难但也最有价值的路——让每一位医生背后，都能多一个可靠的AI合伙人。