AI+健康速览|为老实验室、陕西AI医改、脑机接口产业化

01｜北京"为老实验室"揭牌，首都智慧康养 AI 服务平台"京智养"上线

据腾讯新闻报道，10 月 9 日，北京市"为老实验室"正式揭牌，同时首都智慧康养 AI 服务平台"京智养"亮相。该实验室将围绕老年人的健康、安全、照护等场景需求，组织政府、企业、高校、科研机构等多元主体协同攻关，推动智慧养老产品与服务在真实场景中验证和落地；"京智养"平台则致力于整合全市为老服务资源，用 AI 提升养老服务的精准触达与供需匹配能力。

值得关注的原因：这是超大城市以"需求侧场景实验室"模式系统性推进智慧养老的探索。相较于单个产品试点，"实验室 + 平台"组合把技术验证、场景开放与资源整合放进了同一框架，为 AI 康养企业提供了明确的落地接口，也为其他城市的适老化 AI 政策提供了可借鉴的组织形态。养老陪伴机器人的社会影响研究也提示，此类技术要在真实照护关系中接受检验[1]。

02｜陕西六部门印发"人工智能+医疗卫生"应用发展工作方案

据网易新闻报道，近日陕西省卫生健康委会同省发改委、省工信厅、省数据和政务服务局、省中医药管理局、省疾控局六部门联合印发《陕西省促进和规范 “人工智能 + 医疗卫生” 应用发展工作方案》。方案围绕临床诊疗、公共卫生、基层医疗、康养服务、医院管理等方向，系统布局多项人工智能应用场景，重点发展智能化疾病预测预警、AI 辅助诊疗、智慧康养服务等应用。方案提出将遴选培育一批示范应用项目，搭建医疗行业共性支撑平台，推动医疗大模型等新技术与医疗卫生业务深度融合，分阶段实现 AI 医疗应用落地，到 2027 年建成一批高质量医疗数据集与专科垂直大模型，到 2030 年基本实现 AI 辅助基层诊疗全覆盖。

值得关注的原因：省级层面以"工作方案"形式系统部署 AI+医疗，标志着 AI 医疗正从单点技术采购转向有组织、有路线图的区域性推进。方案将基层医疗与智慧康养并列为主线之一，意味着 AI 的价值锚点正从大医院向分级诊疗和养老场景下沉。以糖尿病视网膜病变 AI 基层筛查为例的"大模型 + 基层"研究已初步证实了这类路径的可行性[2]。

03｜脑机接口迎产业化窗口期：政策、资本与技术共振

10 月 10 日《证券日报》报道，随着康复护理服务扩容等政策落地，脑机接口（BCI）技术在卒中后运动功能康复等领域的临床需求被进一步放大，产业界与资本界普遍认为脑机接口正迎来从实验室走向产业化的重要窗口期。报道援引业界观点称，侵入式与非侵入式路线、消费级与临床级产品正在分化，康复医疗是最先跑通商业化闭环的方向之一。

值得关注的原因：脑机接口曾被长期视为"遥远的黑科技"，如今在康复护理需求扩容的政策语境下获得了清晰的支付与场景预期。Cochrane 系统评价显示，脑机接口训练对脑卒中后上肢运动功能恢复具有积极作用[3]；整合式神经康复研究也表明，BCI 与常规康复手段结合正在形成新的临床范式[4]。技术证据、临床需求与产业资本三者能否真正闭环，值得持续跟踪。

04｜主动式 AI 养老陪伴机器人亮相，"人找服务"变"服务找人"

据网易新闻报道，10 月 9 日，绘话智能主动式 AI 养老陪伴机器人 “小白” 受到行业关注。不同于需要唤醒才应答的传统语音助手，“小白” 主打主动式交互能力，依托多模态感知能力捕捉老人日常作息、情绪状态与环境信号，主动发起问候、事项提醒和陪伴对话；当识别到跌倒等居家异常情况时，机器人将自动启动风险预警响应流程。

值得关注的原因：从"被动响应"到"主动服务"是 AI 陪伴机器人产品逻辑的重要跃迁，直接指向独居老人照护中"发现问题太晚"这一核心痛点。针对照护机器人与衰弱老年人的研究显示，其接受度高度依赖交互的自然度与信任的建立[5]；而社交机器人在老年群体中的应用研究则提示，主动交互既带来陪伴价值，也伴随伦理与依从性挑战，需要在真实家庭场景中审慎评估[1][6]。

05｜AI 心血管风险筛查进社区药房：视网膜影像助力"早发现、早转诊"

据 GlobeNewswire 10 月 8 日报道，HealthTab 与英国 HeartEye 达成系统集成合作，落地基于视网膜影像的 AI 心血管风险评估社区药房转诊方案。用户可先在视光机构完成快速视网膜拍摄，由 HeartEye 的 AI 系统即时生成心血管风险分层报告；高风险人群可凭报告转诊至接入 HealthTab 平台的社区药房开展配套检测与综合评估，必要时引导至医疗机构深度诊疗，搭建 “视光筛查 — 药房复核评估 — 临床转诊” 的连续照护路径。

值得关注的原因：社区药房是距离公众最近的健康触点之一，但长期停留在卖药与简单检测层面。将经过验证的 AI 风险分层工具嵌入药房，等于为心血管疾病"早发现"增加了一张高密度网络。视网膜影像预测心血管风险的科学基础已由 Google 团队的研究奠定[7]；后续研究进一步提示视网膜影像与动脉粥样硬化性心血管疾病风险分层相关[8]，为这类商业化应用提供了文献支撑。其筛查阳性者的转诊完成率与卫生经济学效果，将是决定该模式可复制性的关键。

06｜AI 发现的抗癌新药 IAM217 提交新药临床试验申请

10 月 5 日，Iambic Therapeutics 官方宣布，由其 AI 药物发现平台设计的 KIF18A 抑制剂 IAM217，已向美国 FDA 提交新药临床试验申请（IND）。IAM217 靶向染色体不稳定性（CIN）驱动的实体瘤，拥有较高靶点选择性与差异化分子设计，是该公司 AI 药物平台孵化出的又一款迈入临床开发阶段的候选药物。

值得关注的原因：AI 药物发现的叙事正在从"省时省力"转向"做出人做不出的分子"。IAM217 靶向 KIF18A 这一高选择性靶点，而 KIF18A 在染色体不稳定肿瘤中的合成致死机制正是近年基础研究的重点方向[9]。AI 药物发现领域的整体方法论演进已有系统综述[10]，IAM217 的临床推进将为"AI 设计分子能否通过临床检验"再添一个关键数据点。

07｜AIRS Medical SwiftSight 体成分分析软件获 FDA 510(k) 许可

据行业媒体报道，韩国 AIRS Medical 的 SwiftSight Body Composition 软件近日获得美国 FDA 510(k) 许可（公司公告发布于 10 月 5 日）。该软件基于深度学习，可从常规 MRI 影像中自动分割并定量分析骨骼肌、脂肪等身体成分指标，无需额外的扫描序列或硬件，即可在影像科常规检查流程中生成体成分报告。

值得关注的原因：肌少症与衰弱是老龄化健康的核心议题，但体成分定量长期依赖专门检查，难以普及。将体成分分析"搭载"在常规 MRI 上，意味着一次本就要做的影像检查可以顺带输出肌肉与脂肪的定量评估，为老年医学、肿瘤营养与康复提供低成本数据。基于 CT 影像的深度学习体成分分析研究已证明了这一技术路径的可靠性[11]，MRI 路线的获批进一步拓宽了其临床适用面。

参考文献（GB/T 7714-2015）

[1] Ruan Y, Cheung M C. Effectiveness of Group Interventions With Socially‐Assistive Robots for Older Adults: A Systematic Review[J]. Journal of Nursing Scholarship, 2025. DOI:10.1111/jnu.70035.

[2] Li X, et al. Integrated image-based deep learning and language models for primary diabetes care[J]. Nature Medicine, 2024. DOI:10.1038/s41591-024-03139-8.

[3] Qin Y, et al. Brain-computer interface training for improving upper limb function after stroke[J]. Cochrane Database of Systematic Reviews, 2026. DOI:10.1002/14651858.CD015065.pub2.

[4] Ma X, et al. Brain-computer interface technology in integrative neurorehabilitation[J]. BioScience Trends, 2025. DOI:10.5582/bst.2025.01109.

[5] Che S, et al. Care robots for frail older adults: acceptance and integration[J]. Digital Health, 2025. DOI:10.1177/20552076251370058.

[6] Khaksar S, et al. Social robots for older adults: unintended consequences[J]. International Journal of Social Robotics, 2025. DOI:10.1007/s12369-024-01200-7.

[7] Poplin R, et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning[J]. Nature Biomedical Engineering, 2018. DOI:10.1038/s41551-018-0195-0.

[8] Vaghefi E, et al. Retinal imaging for ASCVD risk stratification[J]. Cardiovascular Digital Health Journal, 2024. DOI:10.1016/j.cvdhj.2023.12.004.

[9] Phillips D D, et al. KIF18A and chromosomal instability in cancer[J]. Nature Communications, 2025. DOI:10.1038/s41467-024-55300-z.

[10] Vamathevan J, et al. Applications of machine learning in drug discovery and development[J]. Nature Reviews Drug Discovery, 2019. DOI:10.1038/s41573-019-0024-5.

[11] Hemke R, et al. Deep learning for automated body composition analysis on CT[J]. Skeletal Radiology, 2020. DOI:10.1007/s00256-019-03289-8.

关于本刊

LUMIN. 出品

免责声明　本号所载内容均整理自公开网络信息，仅用于信息交流与学术参考，不构成任何医疗、诊断、投资或法律建议。本号已尽合理努力核对信息来源，但不对其真实性、准确性、完整性与时效性作出任何保证，亦不承担因使用本内容而产生的任何直接或间接责任。对信息真实性的核实与验证不属于本号义务，请读者以原始来源为准，自行判断与决策。