从「工具」到「智能体」：CARES 4.0在港发布，刘宏斌谈医疗AI如何走进临床 | 雷峰网

近日，由中国科学院香港创新研究院人工智能与机器人创新中心（CAIR）主办、香港科技园公司协办的第四届香港具身智能医疗科技论坛（The 4th Hong Kong Clinical-driven Robotics and Embodied AI TEchnology Symposium，CREATE Symposium），于香港科学园高锟会议中心隆重举办。

作为衔接临床医学与前沿科技的重要国际交流平台，本届论坛以 “医疗 AI 商业化之路” 为主题，汇聚专家学者、医院管理者、权威临床医师及产业资本代表近 300 人。活动紧扣呼吸介入、耳鼻喉科、超声影像、睡眠医学等专科领域的临床痛点，设置前沿技术分享、院长圆桌对话、创投路演专场、专题分组研讨、科技成果展览、具身智能手术室场景探索等多元板块，加速推动医、研、产、投多方协同创新，为科研成果落地医疗实践注入强劲动能。

开幕仪式上，CAIR主任刘宏斌研究员、香港科技园公司行政总裁黄秉修、华润健康总经理兼华润医疗总裁张闯、中国科学院香港创新研究院执行院长郝银星、中国科学院自动化所副所长吕品研究员，以及深圳华大智造科技股份有限公司行政总裁刘健相继致辞。

在本届论坛上，CAIR 重磅发布自研的多模态临床智能体系统 CARES 4.0。该系统依托 Harness 智能体框架构建，底层搭载自研 CT、核磁、超声、内镜、脑电多模态医疗基座，打破传统单点医疗 AI 模型的局限，深度嵌入医院临床工作流，作为医生的智能伙伴，覆盖诊疗、科室管理、医学科研全链条场景。

临床应用层面，CARES 4.0 已在多家三甲医院完成落地验证。诊疗场景中，可实现从患者主诉、影像检查、病理评估直至最终确诊的全流程辅助诊断；科室管理场景下，支持自然语言交互查询，自动汇总设备负荷、病种分布等信息，一键生成科室运营报表；医学科研场景中，能够针对临床专病数据集开展多维统计分析，训练简易机器学习模型，输出可直接润色、用于论文投稿的分析报告。系统配套临床高质量数据沉淀平台，可自动完成院内多源数据清洗、质检与结构化沉淀，为 AI 持续迭代夯实数据底座。

目前，CARES 4.0 官网已开放，框架与通用工具包已发布，医疗工具包陆续上线。中心自研超声、手术视频开源模型也将接入平台，面向社会免费开放。

CAIR 研究员易东介绍CARES 4.0

面对 AI 深度融入医疗体系、走向临床落地的现实挑战，本届论坛特设港深医院院长圆桌对话，邀请IHH 医疗（北亚洲）区域首席执行官兼港怡医院执行总裁曾庆廉、香港大学深圳医院院长张文智、香港中文大学医院行政总裁钟健礼、广东三九脑科医院院长蔡林波、深圳市罗湖区人民医院执行院长熊奕、中山大学附属第三医院岭南医院管理委员会主任胡昔权、香港大学牙医学院助理院长（教学及科技创新）林宇恒等多家医疗机构管理者参与交流探讨。

圆桌嘉宾各抒己见：私立医疗机构引入高价值 AI 医疗系统，需评估投资收益，兼顾运营可持续性与公共卫生价值；跨境医疗 AI 应用应严守合规底线，在法律框架下探索数据互通，统筹安全、合规与运行效能；智慧医院建设重在业务流程重构，推动 AI 融入诊疗、护理、管理全链条；AI 临床落地依赖高质量数据与医工协同，当前核心挑战是诊疗场景的风险界定与责任划分，亟需建立多方风险共担机制；基层医疗推广 AI 宜分步实施，优先落地体验优化类应用，高风险 AI 诊断工具需配套完善安全保障体系；在康复领域，AI 可赋能康复评估与方案制定，减轻治疗师工作负荷；AI 将成为医疗基础能力，口腔专科可依托 AI 开展精准诊疗与居家筛查，实现口腔健康精细化管理。

在主题分享环节，本届论坛汇聚多位全球顶尖医工创新学者，包括英国皇家工程院院士、英国医学科学院院士、伦敦国王学院助理校长（创新）Sebastien OURSELIN 教授，欧洲科学院院士、慕尼黑工业大学CAMP主任 Nassir NAVAB 教授，香港中文大学机械与自动化工程学刘云辉教授，CAIR 主任刘宏斌研究员，上海交通大学讲席教授、生物医学工程学院院长廖洪恩教授，深圳大学人工智能学院倪东教授。各位专家立足国际前沿，围绕医疗器械与数字健康生态、医疗机器人人机协同、AI 驱动手术机器人、临床智能体 AI 系统、诊疗机器人影像决策、智能超声研产转化等热点主题，深度剖析具身智能医疗技术的发展趋势，分享全球技术革新成果。

Sebastien OURSELIN院士分享“From Bench to Bedside to Boardroom- An Innovation Ecosystem for Medical Devices and Digital Health”

Nassir NAVAB 院士分享“Dyadic Partnership(DP): A Missing Link Towards Full Autonomy in Medical Robotics”

中山大学附属第一医院呼吸与危重症医学科副主任廖槐教授，山东大学齐鲁医院耳鼻咽喉科主任雷大鹏教授，中日友好医院呼吸与危重症医学科副主任侯刚教授，中山大学附属第一医院超声医学科主任谢晓燕教授，山东大学齐鲁医院超声科主任陶国伟教授，华中科技大学同济医学院附属同济医院超声影像科主任崔新伍教授，山东大学齐鲁医院护理部主任曹英娟教授，香港中文大学医学院外科学系教授、心胸外科主任黄鸿亮，南方医科大学南方医院精神心理科（睡眠医学中心）主任张斌教授，暨南大学附属第一医院睡眠医学中心主任潘集阳教授，首都医科大学宣武医院血管超声科主任邢英琦教授，香港伊利沙伯医院神经外科部门副主管暨顾问医生麦凯钧，以及香港大学临床医学学院外科学系临床助理教授谭兆宗等，结合专科多年积淀，围绕医学影像、超声诊疗、智能护理、心胸外科、睡眠医学、血管超声及神经外科等方向，交流一线临床实践经验。

此外，深圳理工大学生物医学工程学院院长李宗明教授，香港中文大学电子工程学系任洪亮教授，香港中文大学机械与自动化工程学系郭嘉威教授，新加坡国立大学机械工程系终身副教授朱志光，香港中文大学计算机科学与工程学系副教授窦琪，香港大学机械工程系助理教授蒋中亮等学者，亦从AI算法研发、医疗机器人系统、临床转化等不同维度分享研究进展，多维度展现医工交叉赋能智慧医疗发展的多元路径。

此外，本届论坛亦设置创投路演专场，聚焦医疗科技前沿赛道，汇聚创新企业、科研机构及投资机构，搭建项目交流与资源对接平台。评委协助剖析技术壁垒、临床验证与商业化策略，助力团队明确市场化路径，加速医疗科技成果产业化落地。

多项硬核科创项目参与路演，覆盖光学多维力传感器、腔镜手术机器人、微创手术新型器械和辅助设备、睡眠大模型、超声机器人、手术机器人、手术导航系统、ASIC 芯片与有源植入医疗器械、脑机接口及仿生肌肉、手术规划与仿真、个性化矫形与再造等尖端方向。辰德资本、光远投资、玖光资本、全志科技、越秀集团、阳和投资、松禾医疗健康基金、中金资本、华大松禾生科基金、国科嘉和、建元天华等投资机构与产业代表到场，与创业团队面对面深度交流，充分对接投融资需求。

华力创科学联合创始人鱼晨博士讲解光学多维力传感器技术要点

作为本届论坛协办单位，香港科技园公司组织了 “Empowering Founders, Enabling Growth: HKSTP's Entrepreneurship Journey from Idea to Commercialization” 专题宣讲，聚焦前沿科技成果的产业化落地，详细介绍园区生命与健康科技生态及创业社群，邀请平台初创企业代表分享商业化洞察与实践案例，并与多领域代表开展多维对话，探讨战略合作如何赋能价值创造与企业增长，为医企协同、创新成果转化提供鲜活实践样本与生态支撑。

此外，论坛同期开设医疗科技成果展，华力创科学、恩动医学、神踪科技、厚凯医疗、美信创科、乐金净化等科创公司，以及香港科学园 Incu-Bio 平台培育的十余家初创企业集中亮相，全方位展示智能医疗、数字医疗、精准医疗领域的前沿技术与创新成果。

活动尾声，与会嘉宾移步 CAIR具身智能手术室，现场观摩 CARES 多模态临床智能体系统、喉镜及支气管镜诊断智能体、AI 睡眠系统、“聆音”超声大模型、具身智能掌超、超声扫查机器人、狭窄空间微创手术方案、实时医学物理仿真平台、介入手术低场磁共振成像、神经外科具身智能手术机器人 MicroNeuro 等前沿成果。参观过程中，嘉宾认真听取研发团队技术介绍，深入了解各项成果的核心技术特点、临床诊疗价值与落地应用场景，并围绕技术研发瓶颈、临床试点进展及产业化推进路径等内容开展深度研讨，助力智能诊疗技术突破场景限制、扩大应用覆盖面。

对话CAIR主任刘宏斌：CARES 4.0的临床落地与医疗AI的商业化之路

除上述成果发布与展示外，我们还在论坛期间与CAIR主任刘宏斌研究员进行了对话，围绕CARES 4.0相比前代的能力升级、手术风险预警的临床呈现、医疗AI的幻觉与安全边界，以及医疗AI的商业化落地路径等问题展开了交流。

以下为对话实录，雷峰网做了不改变原意的编辑：

雷峰网：4.0相比3.0，是功能变多了，还是能力性质变了？能不能举一个具体的例子说明这种差别？

刘宏斌：CARES从1.0到3.0，本身是一个大模型。3.0的时候它只能做一些问答——这个问答可以是多模态的，比如针对一张图片问答、针对一段视频问答，这是1.0到3.0解决的问题。但3.0本身只是一个工具，医生要会用这个工具，才能完成具体的任务。

4.0我们把它升级成了智能体，它就能够帮医生真正干活了。比如这次发布会上举的例子：临床主任想统计上个月的手术量、耗材情况、病人情况，做成一份报告，用来向医院领导汇报或者科室内部讨论。这个工作以前必须靠主任的助手用CARES 3.0去完成，现在不需要助手了，由整个智能体系统自主完成。过程中可能会跟主任有一些交互，去确认他的想法、要做成什么类型的分析报告——这种交互我们也做进去了。

雷峰网：这次发布的五项能力里，手术影片的语义理解和风险预警最引人关注。这个预警在真实手术里是怎么呈现的？

刘宏斌：预警分成几个方面。一个是操作空间上的预警：AI识别出操作的部位非常接近重要的血管、动脉、神经，这时候要给医生预警，提示这个环节可能有风险，不要去碰那个位置。

另一种是时间跨度上的预警。手术是流程化的，做完这一步才能做下一步。假如医生在第一步做得不到位——比如神经外科手术，先要开骨窗做一个通道，最终目的是把里面的肿瘤完整、彻底地切除干净。如果骨窗开得不够大，里面的肿瘤可能就切除不干净，而等你深入进去再补开就晚了。这种时间维度上的预警也是一个维度。

现在应用起来的主要还是空间上的预警，比如告诉医生：你操作的部位已经与非常重要的解剖结构很近了，需要避免。

雷峰网：目前在哪几家医院、哪些科室用到了什么程度？

刘宏斌：比如我们在中山大学附属第一医院，跟廖槐主任合作，他在做支气管镜时用到了这个功能。我们会提示：这个部位你看上去以为是支气管，但下面其实是血管。因为有的没有经验的医生，看到支气管上有一个凸起，可能就觉得可以做活检，但其实那个凸起是血管的一部分，如果一做活检，可能把动脉夹破了，那就是一个大的手术风险。

雷峰网：医疗AI最敏感的是幻觉和误诊风险。CARES给医生的是「建议」还是「结论」？对于可能出现的判断分歧，团队在系统设计上做了哪些工作？

刘宏斌：现在CARES在医院与医生的配合中，更多扮演一个助手的角色，给的是建议。但AI肯定有时会有幻觉，我们要做的第一件事，就是最大限度消除幻觉，特别是决策类的建议。比如医生要下诊断书的时候，AI模型可能推荐某种诊断方式，如果这里出了错，就可能对医生造成误导，这是一个比较大的风险。

我们现在的方式是：首先让整个AI的思考严格遵循临床专家的思考逻辑——临床专家做诊断时要参考指南、参考国际顶级期刊的最新临床结果，综合判断后才下结论或推荐治疗方案。我们让AI严格按这个流程去做，并且把AI能调用的信息变成结构化的数据，像知识图谱一样，让AI沿着这些节点去寻找给医生提供建议的依据。

所以最终给医生的建议，一定会附带它的思考路径：基于某指南的某条建议、某篇学术论文的最新发现，提出诊断意见，然后由临床医生来判断。无论如何，医生是最终的决策者，这一点不可能被改变。最重要的是让医生能够综合AI的判断，再结合自己的思考，给出最终结论。

雷峰网：从医院试点到真正进入临床流程，最难过的关是技术关、审批关还是医生观念关？现在走到哪一步了？

刘宏斌：AI医疗的挑战在于，它要在很复杂的一个系统里把产品落地、应用，并产生销售收入，不是单点的问题。整个医疗体系里有几大持份者：患者本身、医生、医院，还有医保支付端，四方关心的事情其实不同。只有当产品的设计能同时满足四方诉求的时候，才能获得商业化的成功。

比如，首先技术上要保证领先——国内大医院现在都希望在技术上有引领性，这是「国家队」的倡导；同时你要能真正解决临床问题，让医生觉得有帮助；对医院来讲，用了你的新技术，经营上要获益、效率要提升；对医保来说，你的技术不能增加负担，最好用了之后整个治疗过程总体上是省钱的，而不是增加一笔额外费用。每一款产品在设计时，这几个方面都要考虑。

雷峰网：您现在做医疗垂直的CARES，在您看来，通用模型的能力哪些能直接搬过来，哪些在医疗场景里必须推倒重来？

刘宏斌：通用能力方面，模型的通用能力越强，经过垂直领域的后训练、加上垂直领域的工具，性能会更好。通用模型的基础能力相当于一个基石：通用能力越强，垂直领域模型的能力上限就越高，这是第一点。

但实际应用时，如果只解决某个医院的某个科室场景，任务内容其实比较局部。而且通用能力强，往往意味着模型太大，部署困难、算力消耗大。所以实际部署是一个平衡：一边是模型能力，另一边是任务是否真的需要适配这么高的能力——还是说用一个更小的模型，加上工具设计和后处理，就能达到很好的效果。

雷峰网：从达摩院到中科院、再到香港，研究方向一步步从通用多模态走向医疗垂直领域。这一路是怎么走过来的？有没有哪个契机，让您确定要扎到医疗里？

刘宏斌：其实我们一直都在做AI医疗这个方向，一直在坚持这条路。对我来讲，有两次事件，让我对AI在医疗领域的应用信心指数级提升。

第一次是ChatGPT的发布。之前AI模型——比如CNN卷积神经网络——只能算工具的一部分，需要工程师用它来打造一个软件，再让医生去使用，应用很受工程人员能力的限制，也就是说不能直接把这个东西给到医生。ChatGPT出现之后，AI能跟人对话了，变成可交互的了，原来「医生不会用工具」这个问题就可以被解决了。现在看来也就是四年左右的时间，医生已经不需要多长的学习曲线就能掌握AI工具，这让我们当时非常有信心。

另一次是过去一年，我们的很多AI系统已经在医院开始部署。团队会跟合作的医生团队交流，了解AI在他们的日常工作中到底怎么用。我们发现，每一个医生或多或少都在用AI工具——可能不是在诊断上，但处理文献、日常工作已经离不开AI了。同时我们发现，只要数据量足够大、数据质量足够高，模型的能力是可以超过专家平均水平的，这在多个实际部署的项目里是共性。

所以单项任务上，AI肯定会做得比人强——就像让汽车跟人赛跑，汽车肯定能赢。医疗是evidence-based（循证）的，只要证据足够多、足够强，大家就会信任它。

雷峰网：目前团队和多少家医院有实质合作？医生给的最集中的一条改进反馈是什么？

刘宏斌：医院方面应该超过30家了。推广最快的是喉镜诊断AI工作站，光这一个系统已经部署超过10家医院；支气管镜系统超过4家；超声系统也超过10家。有些医院会同时部署我们好几套系统，算下来应该有超过30多家医院在实际使用。

大多数反馈都是希望操作更轻松，不需要太多思考就能把活干完——减轻工作负担，是他们最喜欢的。另一个集中的需求是：模型的输出和交互要更直观，信息一眼就能看到，尽可能不让医生误解AI的结果代表什么意义。所以我们大量的修改其实都在人机交互上——用什么形式展示AI的结果，图表、数字，还是热力图。

雷峰网：五年后如果CARES系列成功了，手术室和现在的差别是什么？

刘宏斌：未来的手术室，一定是一个人机协同的智能空间。

第一，手术室里很多器械都会机器人化，但这不一定是以人形机器人的形态。举个例子：现在的无影灯是被动的器械，医生要用手去拖、去调；未来无影灯本身就是一个机械臂，能够自己移动，医生在整个手术过程中不需要用手去调——因为用手去抓本身就带来感染风险。现在护士递送器械的动作，未来也可能由机械臂来完成。

第二，手术室里的人员。医疗是一个比较缓慢演进的过程，不妨畅想20年后：现在一台手术是七八个人的医疗团队，未来手术室里可能就两三个人——主刀医生，配合一两个护士或助手，其他由机器人设备跟他们互动。

另外，未来的医院可能也不是现在这种部门隔离的形态，而是一个大智能体：有一个中心的算力平台，每个科室就像它的一个神经分支，所有手术室、诊室、门诊里发生的情况，都实时汇总到这个「大脑」里。

雷峰网(公众号：雷峰网)：如果让您用一句话总结团队这一年在忙什么，您会怎么说？

刘宏斌：我们叫real-world research，真实世界研究。过去几年我们打造了很多AI模型、AI工具，过去一年集中在各个医院里做临床部署、收集医生反馈，自己也在评估模型是不是真的帮到了医生——因为部署之前都是假设，你不知道医生到底觉得有用还是没用。

让我们很受鼓舞的是，绝大部分模型都在实际使用过程中看到了价值。还有些功能一开始我们也没想到，但临床专家很有创造力：你做了一个A功能，他会联想到自己在B功能上有痛点，问A能不能做——我们发现确实可以迁移过来。很多工具就是这样，跟临床专家一起进化成了对医生有用的形态。