从失败到成功：济南某企业AI医疗的曲折之路

2024年那个冬天，我和团队差点把项目做死了。

当时我们在济南高新区孵化器里租了个小办公室，三个人、两台服务器、一堆从网上扒来的开源模型，雄心壮志要做”济南AI医疗影像诊断平台”。结果呢？模型准确率死活卡在78%上不去，医院那边根本不认。我记得特别清楚，腊月二十三那天，合作的三甲医院信息科主任打电话过来，语气很客气但意思很明确：”小王啊，你们这个东西，我们用不了。”

那种感觉，怎么说呢，就像你精心做了一桌菜，客人尝了一口就放下了筷子。

后来我们复盘才发现，问题出在哪。

第一次踩坑：为什么通用模型在济南AI医疗场景里水土不服？

我们最初用的是某大厂开源的通用医学影像模型，听起来很美好——数据量大、架构先进、论文发了一堆。但落地到济南本地医院就彻底歇菜了。

问题出在数据分布上。通用模型训练用的是北上广三甲医院的高清DICOM影像，设备是西门子、GE的高端机型。而济南这边，很多区县医院用的是国产替代设备，影像质量、参数设置、标注规范完全不是一回事。据我接触的济南某区人民医院信息科反馈，他们的CT设备和省立医院的就不是一个世代的，图像噪声、层厚、对比度差异巨大。

还有一个更尴尬的问题：病种分布。通用模型在肺结节、乳腺癌这些”明星病种”上表现不错，但济南作为人口大市，老年病、慢性病、職業病（比如尘肺病）的筛查需求非常旺盛，这些领域通用模型基本是空白。

我们那78%的准确率就是这么来的——平均分好看，但细分场景一塌糊涂。

第二次转向：济南AI医疗必须扎根本土数据

2025年开春，我们做了一个艰难的决定：推翻重来。

新方案的核心逻辑很简单——不用追求模型多”高级”，而是把数据做扎实。我们和济南两家三甲医院谈成了深度合作，拿到了脱敏后的近三万例本地影像数据。同时，我们引入了济南本地高校（山东大学和齐鲁工业大学）的医疗AI团队做联合研发。

说实话，这个过程比预想的还要难。医院数据出不来、安全审查过不了、伦理委员会反复驳回……光是把数据合规流程跑通就花了四个月。但这一步必须走，因为没有合规的本土数据，后面的优化全是空中楼阁。

效果是立竿见影的。针对济南地区高发的肺结节检测，我们重新标注了5000多例本地数据，模型准确率从78%直接拉到了91.3%。这个数字现在写出来轻飘飘，但当时团队三个人盯着屏幕上的曲线往上走的时候，激动得差点把咖啡洒在键盘上。

第三次抉择：自研还是套壳？济南AI医疗企业的生死问题

数据问题解决后，更纠结的选择摆在我们面前：底层模型到底自研还是基于开源套壳？

我们认真对比了三条路：

纯自研大模型？成本太高，我们这种小团队根本扛不住。光是训练一个像样的视觉模型，GPU租赁费用一个月就要几十万。而且医疗领域的预训练模型需要海量标注数据，我们根本没有。

完全套用开源模型？前面已经证明是死路一条，泛化能力太差。

最终我们选了第三条路：基于开源底座做深度微调和领域适配。具体来说，我们保留通用视觉特征提取能力，但在中间层加入了针对济南本地影像特点的适配模块，同时在输出端根据医院实际需求做了报告生成优化。

这种”中间层改造”的思路，据我观察，也是现在济南AI医疗领域中小企业的现实选择。完全自研不现实，完全套用又没竞争力，必须找到一个平衡点。

济南AI医疗的真正护城河是什么？

走到2026年，我们终于让产品跑通了，目前已经接入济南5家医院，月处理影像量超过8000例。但我越来越深刻地意识到，技术从来不是济南AI医疗企业的真正护城河。

那什么是？我觉得是三样东西：

第一是临床理解。你得真的懂医生在用什么、关心什么、痛点在哪。我们产品经理现在每周都要跟放射科医生吃一顿饭，听他们吐槽，听他们提需求。很多细节优化都是从饭桌上聊出来的。

第二是数据闭环。模型上线只是开始，真正的竞争在于能不能持续收集反馈数据、持续优化。我们现在建立了一套医生反馈机制，每个AI诊断结果医生点确认或修正，后台就会记录差异，三个月迭代一次模型版本。

第三是合规能力。医疗数据敏感、监管严格，济南的医院对合规要求尤其高（据我了解，山东省卫健委2025年出了好几份AI医疗相关的规范文件）。谁能把这套体系跑通，谁才有资格上牌桌。

回望这两年，最大的感悟是什么？

济南AI医疗不是一场技术竞赛，而是一场耐心赛。技术差距可以追赶，但你对本土医疗场景的理解深度、对医院真实需求的洞察力、对合规边界的把握——这些东西，没有捷径，只能一天天磨出来。

如果你也在济南做AI医疗相关的事情，我特别想问你一个问题：你的产品，到底解决的是”演示场景”的问题，还是”真实病房”的问题？