ARTICLE · 1180928
挑战拆解100个AI项目|No.37 Viz.ai
01. 产品概述
Viz.ai 是面向医院卒中团队及其他急症专科的 医疗影像 AI 分诊与协作平台。在卒中场景中，它分析急诊患者的 CT/CTA 等影像，发现疑似大血管闭塞等需要快速处理的情况后，把影像和提醒送到相关临床团队，让急诊、放射科、神经科和介入团队尽早开始协作。它不是自动诊断或治疗系统；模型提示的是需要专业人员确认的线索，诊断和治疗决定仍由医生负责。
可以把它理解成急诊影像流程里的“快速通知与协作层”：患者做完影像后，医院原有影像系统产生检查结果；Viz.ai 在获准的适用场景中分析影像，若发现疑似目标就通知相关团队，并帮助他们查看影像、沟通病例和协调下一步。它试图减少的是“影像已经拍好，但关键人员还没及时看到、讨论和行动”的等待。
｜产品工作流患者因疑似卒中到急诊后，临床团队按照医院流程安排 CT 或 CTA。影像进入医院的 PACS/影像系统后，适用的 Viz.ai 算法分析影像；如出现符合产品预期用途的疑似发现，平台向相关临床人员发送提醒，并让团队通过安全的移动端或工作站查看影像、交流病例。
接到提醒后，医生要结合患者症状、病史、影像和检查结果判断是否为卒中、是否需要转运或进一步治疗。若需要介入，平台协助团队尽早讨论患者去向和治疗准备。
02. 核心需求
｜核心用户
- 急诊与放射科医生：希望影像检查完成后，关键发现能及时触达有能力采取行动的专科团队。
- 卒中神经科与介入团队：需要尽早获得病例信息、查看影像并判断是否启动治疗准备。
- 医院卒中中心和转诊网络管理者：希望急诊、影像、专科和院际转诊之间的协作更连贯。
- 医院管理与信息部门：负责评估临床风险、监管适用范围、系统集成、隐私安全和预算回报。
｜关键任务
在急诊影像完成后识别可能需要快速关注的卒中影像线索； 根据产品设定通知负责相关病例的临床团队； 让团队安全查看影像并围绕病例进行沟通； 协调院内评估、转诊或治疗准备； 通过流程数据观察从检查到通知、评估和处置的衔接情况。
｜用户痛点
卒中救治对时间敏感，但医院内的影像、急诊、神经科和介入团队可能分布在不同科室和班次。影像做完不意味着结果已经被正确的人及时看到；电话、寻呼和人工查找值班人员等方式可能增加沟通等待，尤其在夜间、周末或人员分散的医院网络中。
单纯提高模型识别速度并不能自动改善救治。提醒若不准确，会打断临床工作并造成告警疲劳；提醒若没有进入排班、转诊和治疗准备流程，也无法推动行动。医院因此需要的不只是“识别异常”，而是可靠的临床分流、合适的通知和可融入既有流程的协作工具。
｜需求本质
Viz.ai 要解决的是 急症影像发现与临床团队行动之间的时间和沟通断点。医院购买的不只是一个读片模型，而是把影像分析、通知、病例讨论和团队响应连接起来的工作流能力；最终临床结果仍受医生判断、医院资源、患者状态和转运条件影响。
03. 核心能力
- 急症影像 AI 分析：在已获准或已配置的适用场景中分析 CT/CTA 等影像，识别需要临床人员优先查看的疑似发现。公开产品资料强调卒中等急症场景；不同算法对应的疾病、影像类型和使用范围并不相同，不能把一个产品的许可外推到整个平台。
- 临床团队即时通知：针对系统识别出的疑似病例提醒相关医护人员，减少团队逐一查找影像或等待常规沟通的时间。提醒是否送达、由谁响应以及超时如何升级，需要与医院排班和临床制度配合。
- 影像查看与病例协作：支持团队通过平台查看病例影像和相关信息，并围绕患者进行沟通。它的价值在于使跨科室团队更早讨论同一病例，而非让聊天记录取代正式病历或临床决策记录。
- 院际转诊与照护协调：在区域医疗网络中协助发送病例信息、联系接收团队并推动转诊沟通。实际能否跨机构使用，取决于参与医院是否接入、数据共享约定和当地工作流程。
- 临床工作流与响应数据：把影像分析、告警和团队响应置于同一流程中，帮助医院检查协作环节。公开可见的流程数据不应直接等同于患者结局改善；评估效果还需考虑病例构成、医院资源和治疗条件。
- 多专科平台扩展：除卒中外，公司将平台扩展到其他急症和专科工作流。每个新增模块都要分别评估临床证据、监管许可、适用人群和医院接入情况，而不能仅凭“平台可扩展”推定同等成熟度。
04. 技术架构
｜底层技术底座
- 医学影像计算机视觉：分析 CT/CTA 等影像并输出预期用途范围内的疑似发现；具体网络结构、训练数据和当前模型版本未公开。
- 影像优先级排序：把可能需要快速关注的病例提示给临床团队，排序阈值和告警策略需针对医院流程验证。
- 临床通知与协作编排：将模型结果转换为病例提醒、影像查看和团队沟通任务，核心不只是模型推理，还包括将正确的人连接到病例。
- 临床验证与监管控制：医疗器械功能需围绕特定适应症和使用场景进行验证并遵守对应监管许可；医院部署须核对具体模块的预期用途和地区许可。
｜综合底层支撑
- PACS/RIS 与医院系统集成：从医院影像和信息系统接入检查数据，处理患者身份匹配、检查状态及结果回传等问题。
- 身份与通知路由：根据医院人员、团队和排班配置将提醒发给合适的临床角色，避免通知无人负责或过度扩散。
- 安全与隐私治理：患者影像和身份信息需要权限控制、审计、加密及符合合同和地区法规的数据处理。
- 人工复核与责任边界：医生确认影像与病情后再作临床判断；模型输出不能被误当作独立诊断或自动治疗指令。
- 上线、培训与持续支持：医院需要配置接口、明确告警响应规则、培训轮班人员，并持续监控使用和安全事件。
05. 商业模式
｜核心价值
对急诊团队，平台试图减少从影像出现到专科人员注意到病例之间的等待；对卒中团队，它让院内多科室或跨医院协作更早启动；对医院管理者，流程数据有机会帮助定位救治链条中的延迟环节。
｜价值交付
Viz.ai 以医院级软件和临床工作流集成进入机构，通常需要从一个专科或医院网络开始，接入影像系统、配置通知团队、设定病例响应机制，再培训急诊和专科人员。采购者通常是医院管理、数字医疗、影像或临床部门共同决策；直接用户是临床团队，IT、安全、合规和采购部门则参与评估。
｜价值捕获
核心收入包括：
- 医院/医疗系统软件合同：按部署范围、产品模块、医院或网络规模等形成企业级合同；公开标准价目有限，具体价格通常需商务洽谈。
- 新增专科与模块扩展：在已有医院集成基础上拓展其他急症或临床工作流，扩大平台覆盖。
- 实施与系统集成：医院接口配置、工作流设计、培训和持续支持可能纳入企业交付。
关键成本包括：医学影像模型研发和临床验证、监管合规、医疗系统集成、云服务与安全、临床实施及客户支持。单位经济取决于医院接口和流程能否跨机构复用，以及新增模块能否形成可复制部署；如果每家医院都需要大量定制，销售周期和实施成本会压低毛利。
06. 竞品分析
｜核心差异化总结
Viz.ai 的产品重心不止是影像模型识别，而是将疑似病例通知到相应临床团队，推动院内及院际协作。RapidAI 与 Brainomix 是卒中工作流中更直接的竞争者；Aidoc 以跨病种影像分诊和企业平台为主要差异；Qure.ai 覆盖多类影像筛查和随访场景。各家算法许可、临床验证和医院集成情况都需按具体产品逐项比较，不能仅比较公司平台数量。
替代风险来自医院 PACS/RIS 厂商、影像设备商和大型医疗 IT 平台把影像 AI 与通知能力整合为原生功能，也来自医院自行采用多个单病种算法。Viz.ai 的长期壁垒需建立在临床证据、监管许可、稳定集成、真实响应流程和跨机构协作网络上；如果提醒不能推动团队行动，影像识别容易被其他平台替代。
07. 全局总结
｜综合评分：8.0/10
｜核心优势
1. 解决的是急症流程中的真实时间断点。影像结果产生后，如何让正确团队及时看到并响应，是模型准确率之外的临床问题。
2. 产品把影像分析与团队协作放在一起。通知、查看和沟通形成更接近真实救治流程的产品，而不是孤立的影像算法演示。
3. 卒中场景具备清晰的临床价值链。从急诊影像到专科评估和后续处置，流程环节相对明确，便于医院审视响应时间和责任分工。
｜主要短板
1. 模型提醒不能保证治疗更快或患者结局更好。临床路径、人员配置、转运条件和患者状态都会影响最终结果。
2. 规模化需要深度医院集成。影像系统、排班、通知政策和数据治理差异较大，接入及培训可能成为部署瓶颈。
3. 多专科扩展需要重新证明价值。一个卒中模块成熟不代表其他疾病模块同样有效；每个场景都面临独立的临床和监管门槛。
08. 趋势判断
｜行业现状
医疗影像 AI 正从单点异常识别向临床分诊和工作流软件发展。对急症医院来说，算法发现只有进入读片、通知、会诊和转诊环节才有运营意义。与此同时，医疗器械监管仍以具体用途、病种和人群为单位，平台化包装不意味着所有算法都具有相同的证据和许可。
卒中是较早形成明确影像流程和时间指标的场景，因此成为影像 AI 与协作平台的切入点。接下来竞争重点会从“能否识别”转向系统能否降低告警噪声、融入轮班和跨院网络，并在独立研究中证明流程效率或患者结果的改善。
｜机会与风险
机会在于医院希望更快响应急症、缓解专科人员分散带来的沟通问题，并将影像 AI 从单个科室推广到区域协作。若平台能稳定连接影像、人员和院际转诊，新增专科可复用已有集成和客户关系。
风险包括误报造成告警疲劳、漏报导致错误安全感、临床责任不清以及医院信息系统集成成本。平台扩展过快也可能让不同监管成熟度的模块被误认为同样可靠。医院采购必须核对具体模块许可、临床证据、数据处理条款和故障应急机制。
｜总结
Viz.ai 的核心不是“AI 替医生看 CT”，而是让急症影像中的疑似发现更快进入正确团队的工作流。产品的增长单位不只是新增医院，还包括每家医院中更多临床团队真正采用、告警能够被响应，以及相邻专科的产品有独立证据支撑。
它最有机会成为急症影像与团队协作之间的基础软件层；限制它上限的则是临床效果证据、医院集成成本、告警质量和责任治理。只有把这些条件一起做扎实，影像 AI 才能从“提示工具”变成临床流程的可靠组成部分。
