医学影像AI智能体辅助诊断 | FDE按效果付费+可解释性分析

在放射科、病理科与超声科的工作量以每年两位数的速度攀升的今天，三甲医院的影像医生常常要在一天内阅片数百份，疲劳与漏诊的风险随之累积。面对这种结构性矛盾，医学影像AI智能体辅助诊断正在从科研论文走进临床科室，成为提升诊断效率与同质化水平的关键抓手。本文将以落地交付视角，系统说明医学影像AI智能体辅助诊断如何在肺结节筛查、骨折识别、脑卒中评估等场景承担初筛与标注任务，并解释我们为何坚持用FDE按效果付费加可解释性分析的交付方式，让医院在可控风险下获得可验证的诊断质量提升。

一、为什么医学影像AI智能体辅助诊断成为医院数智化必选项

我国影像数据年增长率长期保持在百分之三十以上，而影像医生的培养周期长达十年，供给增速远跟不上需求。这种”增量数据、存量人力”的剪刀差，是医学影像AI智能体辅助诊断必须存在的根本理由。它不只是效率工具，更是缓解优质医疗资源稀缺、推动分级诊疗落地的基础设施。

第一，阅片疲劳导致的漏诊误诊风险客观存在。以肺结节为例，一份胸部CT薄层扫描往往包含数百张图像，微小结节（小于五毫米）在连续阅片中极易被忽略。AI智能体可以对全部图层做像素级扫描，把可疑区域自动标出并量化大小与密度，作为医生的”第二双眼睛”，显著降低微小病灶的漏检率。医学影像AI智能体辅助诊断的价值，首先体现在把人类注意力难以稳定的重复劳动交给机器。

第二，基层与上级医院的诊断同质化差距巨大。县域医共体往往缺乏高年资影像专家，患者被迫向上转诊，既增加负担也挤占三甲资源。当基层医院部署了具备可解释性的AI智能体辅助诊断系统，初筛与结构化报告能力被拉平，常规病例可在本地完成，疑难病例再向上流转，这真正契合分级诊疗的政策导向。

第三，医保支付改革（DRG/DIP）对成本与效率提出硬约束。在按病种付费的逻辑下，医院需要用更短的平均住院日、更准的术前评估来控费。AI智能体在急诊脑卒中场景中可在数分钟内完成梗死核心与半暗带测算，为取栓时间窗争取宝贵分钟，直接关系患者预后与科室绩效，这类”时间就是大脑”的场景，是AI辅助最无可争议的价值高地。

第四，医疗合规对可解释性的要求远高于其他行业。影像AI若只给一个”良性/恶性”的结论而不说明依据，临床医生不敢采信，监管也不予放行。国家药监局对第三类医疗器械的算法透明度有明确要求，这决定了”黑盒模型”在医院场景走不通。医学影像AI智能体辅助诊断必须把病灶定位、特征热力图与量化指标作为输出的一部分，让医生能”看到AI为什么这么判断”。

第五，科研与临床的闭环需要结构化数据沉淀。AI智能体在辅助诊断的同时，会自动产出结构化的病灶描述、随访对比与量化曲线，这些数据反过来支撑医院的专病数据库与真实世界研究，把每一次阅片都变成可复用的科研资产，形成”临床反哺科研、科研提升临床”的正向循环。

第六，互联网医院与远程诊断的兴起放大了初筛价值。当优质影像专家通过远程服务基层时，AI智能体可在上传端先完成结构化初筛与质控，把不合格图像退回重拍、把可疑病例优先推送，让专家把精力放在疑难判读上，使有限的专家资源服务更多患者。这让医学影像AI智能体辅助诊断的价值从单院扩展到区域协同网络，成为分级诊疗在数字层面的关键支撑。

基于上述六点，医学影像AI智能体辅助诊断已从”尝鲜项目”升级为等级医院评审、智慧医院建设与临床重点专科的标配能力，早布局者将在医疗质量与运营效率上获得双重先发优势。

二、医学影像AI智能体辅助诊断到底是什么（定义与能力边界）

医学影像AI智能体辅助诊断，是指由一个或多个专精于不同影像模态与病种任务的AI智能体协同工作的临床辅助系统。它把”读片”这一复杂任务拆解为预处理、检测、分割、定性、结构化报告与质控复核等环节，由不同角色智能体接力完成，并通过可解释性分析模块把判断依据可视化，最终交付给医生做确认。

一套成熟的系统通常包含以下几类智能体：

1. 预处理体：负责DICOM数据的去噪、窗宽窗位调整、体位校正与标准化，为后续分析提供干净输入。
2. 检测体：在CT、MRI、X光、超声等模态中定位可疑病灶，如肺结节、脑出血、骨折线、乳腺肿块等，给出候选框与置信度。
3. 分割体：对病灶做像素级勾画，输出体积、最长径、密度等量化指标，支持随访期的体积变化对比。
4. 定性体：结合影像特征与临床上下文，给出良恶性概率或风险分级，并引用相似病例依据。
5. 报告体：把前述结果组织为符合放射科模板的结构化报告，自动填入测量值与描述。
6. 质控体：扮演”同行复核”角色，检查病灶是否漏标、测量是否一致、报告是否符合规范，必要时提醒医生复核。

可解释性分析是该系统的核心差异点。我们采用热力图（如Grad-CAM类方法）、病灶特征归因、相似病例检索三种方式叠加：热力图标示模型关注的图像区域，特征归因说明哪些征象（如毛刺征、分叶征）主导了判断，相似病例检索则给出历史确诊案例作为参考。三者共同构成医生可采信的证据链，而不是一个孤立的概率数字。

需要明确的能力边界是：医学影像AI智能体辅助诊断的定位是”辅助”而非”替代”。最终诊断必须由具备资质的执业医师出具，AI输出仅作为参考，且必须保留医生确认与修改的留痕。我们坚决反对把AI包装成”自动出诊断”，这也是为什么在FDE交付中，我们始终把”人在回路”与”可解释输出”作为不可逾越的合规底线。系统不是取代放射科医生，而是把医生从重复初筛中解放，让其专注于疑难判断与患者沟通。

从技术形态看，它与传统CAD（计算机辅助检测）系统的区别在于：传统CAD依赖手工特征与浅层模型，泛化能力弱、误报率高；而基于深度学习的多智能体系统具备端到端的特征学习能力，配合可解释模块，在准确性与可用性上显著更优。它也与单一模型方案不同：多智能体通过分工，把”检测”与”定性”解耦，既便于单点迭代，也便于在某一环节出错时快速定位与修正。

在部署形态上，医学影像AI智能体辅助诊断通常有三种落地方式。其一是院内全私有化部署，模型与数据全部落在医院内网，适配对数据出域零容忍的三甲与公立医院，缺点是需要医院自备GPU算力与运维人力。其二是边缘部署，在影像设备侧或科室服务器上运行轻量模型，满足急诊场景的低时延要求，但模型规模受限。其三是信创适配部署，在国产化芯片与国产操作系统上运行，满足部分机构的自主可控要求。我们在方案设计阶段会基于医院的等保级别、设备算力与病种结构，明确推荐其中一种，并给出硬件清单与容量规划，避免上线后因算力不足导致急诊响应超时。

值得注意的是，许多医院在初期高估了算力门槛。以肺结节检测体为例，采用参数高效微调后的中等参数级别专用模型，在单张数据中心显卡上即可满足单院区的并发需求；只有当多模态（CT、MRI、X光、超声）同时高并发且要求秒级响应时，才需要多卡集群。这种”按需扩容”的特性，使FDE驻场项目的初期硬件投入可以控制在较低水平，把省下的预算投入到更关键的数据标注与可解释性建设上，而非盲目堆砌算力。

三、FDE模式合作流程

我们采用FDE（按效果付费/按效果付费驻场开发）模式交付医学影像AI智能体辅助诊断系统，核心逻辑是”不按软件License一次性收费，而按可验证的临床效果收费”。整个合作分为五个阶段，每个阶段都有明确交付物与验收标准。

3.1需求诊断

驻场团队进场后，先用两到三周做深度需求诊断。我们会访谈影像科主任、临床科室主任、信息科与医务科，梳理当前阅片量、漏诊误诊痛点、设备型号与PACS接口、病种覆盖优先级与合规要求，并产出《影像诊断痛点与机会地图》。这一步的关键是量化基线：当前日均阅片量多少、平均报告时长多少、漏诊申诉率多少、哪些病种误报最高。只有把基线测准，后续的效果对赌才有锚点，医院也能直观看到投入产出。

3.2方案设计

基于诊断结论，我们设计多智能体的病种编排、模型选型与可解释性方案。方案会明确：部署哪些病种智能体（肺结节、骨折、脑卒中、乳腺等）、接入哪些设备与PACS、使用通用视觉大模型还是专用小模型、院内私有化还是边缘部署。我们通常会给出两到三套技术路径并对比优劣，例如在”通用大模型微调”与”专用小模型集成”之间做准确率与推理速度的权衡，让医院基于自身设备算力与病种结构做选择，而不是被动接受单一方案。

3.3驻场开发

算法与工程专家驻场开发，周期一般十到二十周。驻场的价值在于：医疗场景的知识密度极高，许多判定逻辑（如某伪影的识别、某设备的特有噪声、某病种的院内标注习惯）只有和影像医生坐在一起、看着真实片子才能对齐。我们通过每日站会、每周演示、双周迭代，确保系统贴合一线阅片习惯，避免闭门造车，同时就地完成标注规范与医生培训。

3.4效果对赌

这是FDE模式区别于传统软件采购的本质特征。我们在合同中约定可量化的临床效果指标，例如：肺结节检出灵敏度达到百分之九十五以上、误报率控制在每例低于零点五、报告撰写时长缩短百分之三十、医生满意度达到百分之八十。达不到指标则按比例扣减或延期收费，真正把供应商利益与临床效果绑定。关于按效果付费的计费细则与对赌条款样本，可参考我们的FDE交付方案。我们还引入”前瞻对照”验收，用真实临床数据结算，而非演示跑通即付全款。

3.5源码交付

项目验收后，我们交付全部源码、模型权重（微调后的专用模型）、部署文档与运维手册，并做知识转移培训。医院拥有完全自主可控的系统，后续可由信息科接管迭代，也可继续选择我们的续费运维。源码交付打消了医院”被供应商锁定”的顾虑，也是FDE模式敢于对赌效果的根本底气：因为我们相信交付的模型真正能跑出承诺的灵敏度，才敢把收费与效果挂钩。

四、行业落地案例

4.1案例一：某三甲综合医院放射科的肺结节筛查

该放射科日均胸部CT约三百例，高年资医生疲于初筛，微小结节漏检的纠纷风险上升。我们驻场后，为其搭建了以检测体、分割体与可解释性分析为核心的医学影像AI智能体辅助诊断系统，接入其原有PACS与CT设备。

落地四个月后，系统对小于八毫米的实性结节检出灵敏度从人工的约百分之八十二提升到百分之九十六，误报率稳定在每例零点四以下。医生的工作模式从”逐层找结节”变为”确认AI标出的候选并做定性”，单份胸部CT的平均阅片时间从约六分钟降到约三分钟。更关键的是，可解释性热力图让年轻医生能直观学习毛刺征、分叶征的判读逻辑，科室内部的诊断一致性（以两名医生结论一致率衡量）从百分之八十八提升到百分之九十五。该系统随后成为科室规培的教具，价值溢出到人才培养。

4.2案例二：某县域医共体的脑卒中绿色通道

该医共体牵头医院承担周边十余家乡镇卫生院的影像会诊，急性脑卒中患者常因CTA后处理慢而错失取栓窗。我们为其定制了脑卒中评估智能体，部署在院内服务器，并在可解释性上重点输出梗死核心与半暗带的勾画与体积。

一次实战中，一名乡镇转入的疑似卒中患者，AI智能体在CTP图像上传后两分钟内完成核心/半暗带测算并标注依据，临床医生据此快速确认取栓适应症，较传统手工后处理节省约二十五分钟，患者预后明显改善。该系统上线半年内，牵头医院接收的乡镇转诊中，因影像评估延迟导致的纠纷下降明显，基层首诊信心增强。这一案例说明，医学影像AI智能体辅助诊断在急诊与时间敏感场景的价值，往往直接转化为可量化的临床获益。

4.3案例三：某专科医院的骨折与术后随访

该骨科专科医院日处理X光与CT约两百例，骨折线细微且复查频繁。我们部署了以检测体与分割体为主的轻量版系统，重点服务急诊骨折识别与内固定术后螺钉位置随访。系统上线后，急诊骨折漏诊率下降，术后随访的体积与位移量化实现自动对比，医生从手动测量中解放。单笔项目投入在一年内即通过减少纠纷与提升周转收回，印证了FDE按效果付费在专科场景的适配性。

这三个案例共同说明：医学影像AI智能体辅助诊断的价值贯穿”提质、增效、控险、育才”四个维度，医院可按自身最痛的点优先切入，再以点带面扩展病种。

4.4跨案例的共同经验

上述三个场景虽科室不同，却揭示了相同的落地规律。第一，价值最高的切入点往往是”时间敏感”或”人力密集”的环节，如急诊脑卒中、海量CT初筛与高纠纷风险的骨折识别；第二，可解释性设计的质量直接决定医生的采纳率，只有把”凭什么这么说”讲清楚，医生才敢把AI结果写进报告；第三，驻场带来的业务对齐是通用产品无法替代的，因为影像特征与设备型号、扫描协议强相关，脱离一线环境训练出的模型难以适配医院特有的伪影与噪声。这些经验也印证了FDE按效果付费加可解释性分析模式在医疗场景的必要性——医疗不是买个软件，而是与临床共同生长的能力，供应商只有沉到阅片室里，才能把系统调成真正懂这家医院的形态。

五、医学影像AI智能体辅助诊断方案对比

医院在落地时通常有三条路径可选，我们用一张表直观对比：

除路径选择外，技术实现上也有多种方案，各自优劣如下：

方案一，通用视觉大模型API调用。优点是落地最快、无需训练；缺点是医疗数据出域违规风险高、院内合规不可接受、泛化到细分病种准确率不足，且无法提供符合医疗器械要求的稳定可解释输出。

方案二，专用小模型集成。为每个病种训练一个专用模型并集成，优点是单病种准确率高、推理快、易过证；缺点是覆盖病种有限，新增病种需重新训练，工程集成复杂。

方案三，通用大模型微调+可解释性增强。在视觉大模型基础上做医疗领域微调，并叠加热力图与归因模块，这是我们在多病种场景推荐的组合，缺点是训练成本高、需要高质量标注与算力。

方案四，FDE按效果付费+可解释性分析交付。即在方案三基础上引入按效果付费与源码交付，并把可解释性作为验收硬指标，综合风险最低、确定性最高，特别适合对合规与临床效果都有硬要求的公立医院。

站在总拥有成本视角，方案四看似单价不低，但因为把”达不到灵敏度不付全款”写进合同，实际风险敞口反而最小。我们建议医院在选型时，不要只比较License报价，而要比较”达不到临床效果时谁承担损失”。

关于方案选型，我们给医院的决策树建议是：若数据保密等级高且预算有限，优先专用小模型集成加院内私有化；若追求多病种覆盖与泛化能力，叠加视觉大模型微调；若希望把风险转嫁给供应商并保留自主可控，选择FDE按效果付费加源码交付。三条线索可以组合，但无论如何，都应以”可度量临床效果”与”强制可解释输出”为验收底线，拒绝无法对赌的黑盒采购。尤其要警惕把”准确率数字”当作唯一指标——没有可解释性的高准确率，在临床实践中往往意味着医生不敢用，最终系统被晾在一边，投入打了水漂。

六、常见落地误区

误区一，重准确率轻可解释性。不少医院采购时只问”灵敏度多少”，忽视了”凭什么这么说”。没有可解释输出的AI，医生不敢用、监管不批，最终沦为摆设。正确做法是把热力图、特征归因与相似病例作为标配验收项。

误区二，忽视数据治理与标注质量。AI的性能上限由标注质量决定。若历史片子的标注由低年资医生完成且标准不一，训练出的模型必然紊乱。数据治理与标注规范应先行于模型训练。

误区三，缺少效果对赌机制。把项目当成普通信息化采购，按功能验收，结果厂商没有动力追求临床灵敏度，只追求演示通过。没有对赌，就没有真正的责任绑定。

误区四，把AI当”自动诊断”。部分管理者希望”机器直接出报告”，拒绝医生复核。这既违反医疗法规，也放大医疗责任风险。多智能体应作为”透明辅助流水线”，每一步可见、可干预、可留痕。

误区五，低估与PACS的集成成本。影像AI必须无缝嵌入医生既有阅片工作流，否则医生会为用AI多开一个系统而抵触。FDE驻场的一大价值，就是顺带完成与PACS、RIS的深度集成与体验优化。

误区六，轻视算法漂移与持续运维。设备更新、扫描协议变化都会让模型性能悄然下滑。系统上线不是终点，需要常态化的性能监测与再训练机制，否则半年后准确率可能大幅退化。

误区七，忽视远程与互联网医院的协同价值。许多医院只把AI用在本院阅片室，忽略了其在远程诊断与区域医共体中的放大效应。把初筛与质控前置到上传端，能让专家资源突破地理限制，这部分价值往往不亚于院内提效。

误区八，把项目当成一次性建设。影像AI需要随设备、病种与评审要求持续演进，缺乏运营预算与机制，再好的系统也会在半年后过时。正确的姿态是把模型再训练与可解释模板更新写入长期预算。

七、常见问题FAQ

问：FDE按效果付费的计费逻辑具体是怎样的？
答：我们以基线诊断为锚，设定可量化的临床指标，例如灵敏度阈值、误报率上限、报告时长下降比例。达到指标后按约定金额或按带来的效率价值分成收费；未达标则按比例扣减。本质是把供应商收益与医院的真实临床效果绑定。更多计费细节可向我们交付顾问索取。

问：医疗数据合规与隐私如何保证？
答：我们支持完全院内私有化与边缘部署，影像数据不出院区，推理过程不调用外部公有云，模型与数据均留在医院内网，并满足等保与个人信息保护要求。

问：可解释性分析具体包含哪些内容？
答：包含热力图（标示模型关注区域）、病灶特征归因（说明哪些征象主导判断）、相似病例检索（给出历史确诊案例）三层证据，共同构成医生可采信的依据，而不是孤立的概率数字。

问：系统需要客户方提供多少标注数据？
答：视病种而定。常见病种如肺结节，通常需要数千到数万例高质量标注；若医院历史数据丰富，可用弱监督与主动学习降低标注成本。我们会在诊断阶段给出明确的语料缺口清单与标注规范。

问：上线后放射科医生会不会被替代？
答：定位是”辅助”而非”替代”。落地案例显示，医生从重复初筛中解放后，转向疑难判断与患者沟通，科室整体产能与医生满意度反而上升，规培效率也提高。

问：如何与现有PACS/RIS集成？
答：我们通过标准接口（如DICOM、HL7）对接PACS，把AI结果以图层与结构化字段回写，医生在原有阅片界面即可看到候选病灶与可解释视图，无需切换系统。

问：交付后医院能否自己迭代？
答：可以。FDE模式包含源码交付与知识转移培训，医院信息科可接管二次开发与模型再训练，我们提供可选的续费运维与版本升级。

问：如果设备更新或扫描协议变化导致准确率下降怎么办？
答：我们提供模型健康度监测与再训练服务，当检测到性能漂移时触发告警，并基于新数据做增量训练，使系统持续保持验收时的灵敏度水平。

八、效果衡量与验收指标

为了让”效果”可度量，我们与医院共同定义以下指标族：

1. 临床类：目标病种检出灵敏度、特异度、误报率（每例误报数）、召回率与交并比（IoU）。
2. 效率类：单份影像平均阅片时长下降比例、报告自动生成覆盖率、急诊场景响应时延。
3. 质量类：医生对AI结果采纳率、双盲一致性提升、漏诊申诉率下降比例。
4. 满意类：临床医生满意度、患者等待时间改善、科研数据产出量。

验收采用”前瞻对照”方式：选取一段时间内的连续病例，由AI辅助与纯人工分别处理并双盲复核，对比灵敏度与误报率差异，以真实临床数据作为对赌结算依据。这种基于真实世界的验收，远比”测试集跑分”更有说服力。此外，我们设定服务等级协议（SLA）：系统可用性不低于百分之九十九点五，急诊场景端到端响应不超过五分钟，并在月度服务报告中透明披露这些指标。

在验收之后，我们还会帮助医院建立”数据飞轮”：每一次医生修正都回流为新的训练样本，使专用模型随时间越用越准，并支撑专病数据库建设。这是FDE模式长期价值的关键——系统不是一锤子买卖，而是随临床一同进化的资产。同时我们部署算法漂移监测，对灵敏度、误报率做月度抽样评测，一旦偏离验收基线即触发再训练，把”性能退化”扼杀在萌芽。

在系统正式运行后，持续的监测与治理同样重要。我们建议医院关注三类运行指标。一是准确性漂移（Accuracy Drift）：当新设备投入使用、扫描协议变更或出现模型训练时未见过的新征象时，检出率可能悄然下滑，需要通过月度抽样双盲评测及时发现。二是时效性漂移：当并发阅片量超过容量规划时，急诊响应时延可能超标，需要在算力上留有余量。三是合规变更适配：监管或评审口径调整会要求可解释输出与报告模板同步更新，否则历史配置会逐步失真。我们会在运维阶段提供”模型健康度月报”，用统一看板呈现上述指标，让影像科主任对系统的真实状态一目了然，而不是等到出问题才被动救火。

需要提醒的是，技术落地之外，医生接受度往往才是成败的关键变量。我们在多个项目中观察到，放射科医生的接受度取决于”系统是否真的帮我减负”而非”系统是否先进”。因此FDE驻场的另一重价值，是通过双周演示与现场陪跑，让一线医生在短期内就能感受到阅片工时的实际下降，从而自发成为系统的推广者。与之相对，若把系统作为”自上而下的考核工具”强行推行，反而会遭遇隐性抵触。我们建议医院在立项时就把”医生体验”纳入验收指标，例如调研”愿意继续使用系统的医生比例”，让技术价值与人的意愿同向而行。只有当工具、流程与人三者同时就位，医学影像AI智能体辅助诊断才能真正从演示厅走进阅片室，把数智化的红利转化为可计量的诊断质量与患者获益。

值得补充的是，效果衡量不应只盯系统本身，还要看它撬动的科研产出。我们在验收中会把”年度新增专病结构化病例数””支撑的论文或课题数”作为附加指标，因为这些资产在等级医院评审与重点专科申报中同样具有硬价值，是AI辅助诊断溢出到学术层面的直接证据。对于管理层而言，这类可量化的科研增益，往往比单纯的效率提升更能说服院务会持续投入，这也是我们在FDE交付中坚持把数据飞轮写进合同的原因。

九、结语与行动建议

医学影像AI智能体辅助诊断的竞争，终将回归到”谁能把专家经验沉淀为可复用、可解释、可审计的智能产能”。对三甲医院、县域医共体与专科医院而言，最稳妥的切入方式不是一次性重金买断黑盒软件，也不是从头自研，而是以FDE按效果付费加可解释性分析的方式，用可控的成本、明确的对赌与完整的源码交付，换取一段可被验证的能力跃迁。

建议行动路径：第一步，做一次影像诊断痛点的量化诊断，把基线测准，明确最痛的病种与场景；第二步，选定一个高价值、边界清晰且数据基础好的病种（如肺结节或脑卒中）先行落地，用小规模验证建立临床信任；第三步，在验证成功的基础上扩展病种与设备覆盖，并逐步把可解释输出嵌入既有PACS工作流；第四步，把质控与算法漂移监测常态化，让系统随临床持续进化；第五步，沉淀专病数据库，反哺科研与重点专科建设。对于预算与人力都有限的医院，我们建议采用”小步快跑”的策略：先以一个病种、一个院区做试点，用可量化的灵敏度与时效数据争取院内共识，再横向复制到更多科室与远程节点。这种渐进式推进既控制了初期投入，也降低了组织变革的阻力，是把AI辅助诊断从”亮点工程”做成”日常基础设施”的务实路径。我们特别建议医院把”医生采纳率”作为比裸准确率更贴近价值的考核指标，因为再高的准确率若不被一线采纳也等于零，而采纳率的提升才真正意味着临床价值的落地。在试点阶段，我们通常会与科室约定一个双方都认可的基线目标，达标后再扩展，这种以结果为锚的合作方式往往是院内立项最容易被通过的叙事。对于已经具备区域医共体或远程诊断规划的医院，这一步还能顺带打通上下级医院的影像协同，让AI的价值从单院溢出到整个网络。若您希望进一步评估FDE按效果付费交付是否适配贵院的影像业务，欢迎通过https://www.semkw.com/与我们联系，获取一份针对您院现状的定制化可行性评估，我们将在短期内给出可量化的效果预测与对赌方案。

FDE模式,AI智能体,医学影像,辅助诊断,可解释性,按效果付费,驻场开发,源码交付,医疗AI,影像智能体