一个济南企业做AI医疗的真实经历

2026年3月，济南的冬天尾巴还没完全收掉，我们团队接到了一个让我们既兴奋又犯难的活儿——给本地一家三甲医院的影像科做一套AI辅助诊断系统。客户是济南市卫健委下属的一家综合医院，日均CT量超过800例，放射科医生人均每天要写四五十份报告，眼看着积压的报告堆成了小山。

说实话，做AI医疗这几年，我见过太多PPT上的”颠覆性创新”了，真到了临床一线能跑得通的，寥寥无几。济南这座城市在医疗AI领域不算最冒尖的，但胜在医院方愿意踏踏实实配合，这一点在后面的项目推进中被反复验证。

济南AI医疗项目立项那天，我们差点被”伪需求”带偏

第一次和医院信息科、影像科主任开会，对方开门见山就抛出了三个需求：肺结节筛查、骨折自动分型、冠脉CTA重建。听起来都很”标准”，市面上也有现成产品。但我多问了一句——”现在最让你们头疼的，到底是哪一个？”

影像科主任老周叹了口气说，肺结节他们其实已经有商用系统在跑了，准确率还行，但漏诊纠纷隔三差五就有；骨折分型更看重速度，急诊需要。而冠脉CTA，重建确实慢，但好在不是每天堆得最凶的活儿。

这一下我们就清醒了：济南AI医疗的落地，不是技术清单的堆砌，而是要解决最痛的那一环。最终我们把第一期目标锁定在”急诊创伤影像的AI快速分诊”，把骨折分型和气胸、血胸检测做成了首版模型。这个调整，事后看是项目能跑通的关键。

数据标注这件事，济南团队有自己的一套笨办法

济南的医疗数据治理水平，这两年肉眼可见地在提升。据山东省卫健委公开数据显示，2026年初济南区域影像云已接入超过60家医疗机构，年度调阅量突破800万次。但真要把这些数据用起来，合规和质量是两座大山。

我们没有直接用云上的原始数据，而是和医院签了严格的科研合作协议，脱敏之后由高年资医师逐层标注。8万份胸部CT、1.2万例创伤X光片，前前后后干了四个半月。说出来不怕你笑话，最开始我们也想用一些半监督学习减少标注量，结果在骨折这种对小目标敏感的任務上，模型自己学出来的”伪标签”误差大到离谱。

后来我们老老实实回到全监督路线，济南这边参与标注的8位主治以上医生，每个人都是拿过项目补贴、利用碎片时间完成的。有位姓李的老师甚至主动给我们整理了一份”济南地区常见创伤影像特征对照表”，这种在地经验是任何公开数据集都给不了的。

模型上线那天，我才真正理解什么叫”济南AI医疗的速度”

2026年6月中旬，系统在影像科试运行。第一周就出了状况——一台老旧的PACS服务器和我们部署的推理服务对不上接口，重建一张图要等将近40秒。急诊那边直接炸了锅，护士长打电话过来，语气里带着火。

我们的工程师当天下午就从济南高新区赶过去，驻场三天才把问题定位清楚：不是算法慢，是医院内网存储IO瓶颈。那一周我们临时加了一台边缘推理盒，延迟压到3秒以内，急诊医生的反馈才算转正。

现在回想，济南AI医疗项目最大的教训不是算法，而是工程化和现场响应。再准的模型，集成不进去也是废铁。这也是为什么我后来跟同行交流时总会说：别只看demo跑分，去看看真实场景下断网、卡顿、医生操作习惯这些”边角料”怎么处理。

复盘：济南做AI医疗，到底有哪些坑是外地朋友想不到的？

跑完这个项目，我自己的判断是：济南的医疗AI土壤比很多人想象的要好，但有几点容易被忽视。第一，济南的医院信息化基础在山东省内是领先的，但跨院数据互通仍然受限于行政壁垒，跨机构训练在2026年依然是个敏感话题。第二，济南本地的AI医疗创业生态正在快速聚集，章锦片区、槐荫经开区都有专项扶持，据我了解已经有超过20家相关企业在济南注册落地。第三，临床端的接受度比预想中高，尤其是中青年医生，他们对AI工具的态度是”好用我就用”，不排斥也不神话。

如果你也在济南做AI医疗，或者正在考虑把项目落地到山东，我的一点建议是：先把一家医院跑通，再谈复制。不要被”全省推广””区域平台”这种愿景冲昏头，医疗这个领域，吃相难看的项目死得最快。

下个月，我们准备把这个项目第二期的数据写成论文投出去，同时也在和济南另外两家二级医院谈合作。如果你也在做类似的事情，欢迎在评论区聊聊你们踩过的坑——这种实战经验，比任何行业白皮书都值钱。