不用写代码，医生也能训练AI：东软正在重塑医学科研范式

一个临床医生，想用自己的研究数据训练一个AI模型，需要做什么？

过去，答案往往是：寻找算法工程师、整理数据、编写代码、反复调参，再经过一轮又一轮沟通和迭代。一个课题从立项到形成可用模型，耗时半年甚至一年，并不罕见。更大的问题是，数据处理、特征提取、统计分析和模型训练往往分散在不同工具中，数据在多个系统之间反复导入导出，不仅容易出错，也让研究过程难以追溯、难以复现。

今天，东软给出了一个完全不同的答案：打开浏览器，拖拽、连线，点击运行。

医生不需要学习编程，也不必先成为算法专家，就能基于自己的临床问题和研究数据，完成一项医学AI研究。这背后，不只是一个工具变得更简单——它意味着医学AI正在从少数技术人员掌握的专业能力，走向临床医生可以直接使用的科研基础设施。

把AI开发，从“写代码”变成“搭积木”

东软探索多模态医学人工智能平台首先要解决的，是医学AI最现实的一道门槛：让不懂编程的临床医生，也能独立开展AI研究。

平台内置150多个流水线算子，覆盖影像预处理、特征提取、统计分析、机器学习和深度学习等关键环节。医生只需像搭积木一样，通过拖拽和连线组合不同算子，就可以快速搭建一条完整的数据处理与分析流程。东软将这一能力称为“柔性科学计算工作流”——研究者不必被固定流程限制，可以根据不同课题和数据自由设计分析路径。

从数据清洗、特征工程，到模型训练与效果评价，平台自动执行全过程，医生把主要精力放在真正重要的问题上：研究什么、为什么研究，以及结果意味着什么。

平台内置50多种机器学习与深度学习模型，支持直接调用和横向比较，研究者可以快速验证、用结果选择最优方案。对于希望进一步自主设计网络结构的研究者，平台还提供神经网络可视化编排能力，复杂的深度学习代码被转化为直观的图形化设计过程，即使是初学者也能完成专业级模型开发。过去需要算法团队完成的工作，正在被转化为临床医生可以直接操作的科研流程。

多模态数据，一次打通

医学AI的难点，很多时候不在算法，而在数据。一家医院内部，PCCT、CT、MRI、数字病理、HIS、LIS、组学数据格式各异、标准不同，研究者花大量时间整理转换，真正用于科研分析的时间反而被压缩。

平台能够统一管理影像、临床、病理、组学、人口学和随访等多类型数据，支持DICOM、JPG、PNG、NII、CSV等格式，并自动生成数据画像，对缺失值、数据偏候、分布特征等进行快速分析。

更重要的是，多模态数据不再只是被“放在一起”，而是可以被融合分析。医生可以同时使用影像、文本、临床指标、病理和组学信息进行建模。真实疾病从来不是由一个指标决定的，只有将多维数据关联，才能更接近疾病本身的复杂性。

统计分析，与 AI 建模并行

对医学科研而言，机器学习并不能取代统计分析。很多课题首先要回答的是：数据是否可靠？变量之间是否存在显著关系？哪些特征真正值得进入模型？

平台内置完整的统计分析工具，覆盖t检验、方差分析、卡方检验、回归分析、相关性分析等常用方法，分析结果可实时更新。更关键的是，数据、方法、参数和流程被完整保存，每一次分析都可追溯、每一个结论都可复核。

真正可信的医学AI，不仅要给出结果，还要能够解释结果是如何产生的。

从课题立项到成果转化，全流程闭环

一个完整的医学AI课题，远不只是训练出一个模型。它还涉及课题管理、团队协作、数据准备、过程追踪、算法评价、成果沉淀和后续部署。

平台覆盖课题管理、数据管理、数据处理、算法开发、模型训练和成果管理全过程。课题负责人可以进行任务拆解、人员分工和进度跟踪；平台能够完整记录数据处理过程，通过数据流图展示每一个数据集的来源、处理方式和流转路径。

在算法层面，平台集成210余种算法能力，支持算法的调用、集成、共享和评价。团队训练完成的模型，可以进一步封装为标准格式，部署到第三方平台中使用。这意味着，医学AI成果不必停留在论文和实验环境中，而是有机会走向临床应用和产品转化。

平台还提供“定制实验空间”，支持研究者上传自有Python代码并调用GPU资源。对临床医生，平台足够简单；对算法研究者，又保留了足够的开放性和扩展空间。

可信医疗AI，在真实课题中验证效果

目前，东软已与20多家医疗机构建立医工协同关系，并与复旦版Top60医院中的23家开展深度合作。

在一项膝关节研究中，医生希望结合MR影像与临床数据建立预测模型。使用平台后，所有处理与分析均在统一环境中完成，医生只需围绕临床问题设计研究逻辑。另一个乳腺癌分子分型预测案例中，研究者融合X线、超声、肿瘤标志物和病理分型等多类信息进行建模，研究流程可完整保存和复用。

平台真正改变的，不只是一次课题的完成速度，而是医院持续开展医学AI研究的能力。

平台上长出的论文

工具好不好用，科研产出是最直接的检验。依托东软探索多模态医学人工智能平台，合作医院的研究者已相继在SCI及核心期刊上发表多篇同行评议论文。

其中，基于1013例非小细胞肺癌手术患者数据，研究团队利用平台的机器学习算子构建了术后虚弱预测模型，相关成果发表于国际外科权威期刊Annals of Surgical Oncology；另一项基于457例肺癌患者的术后肺炎预测研究，发表于BMC Surgery。这两项研究均由临床医生主导、东软研究团队参与协作，从数据整理、特征筛选到模型训练均在平台上完成。

同时，基于二维超声影像组学的糖尿病肾病分期诊断研究发表于BMC Medical Imaging，展示了平台在影像组学与疾病分期评估方面的应用潜力。

三篇论文，三个不同病种、三种数据类型、三类临床问题——背后是同一套平台。这说明平台的能力不是“定制”的，而是通用的；临床医生不需要写代码，就能把研究做到发表水平。

医学创新进入加速度时代

过去几年，医学AI的讨论往往集中在算法精度和算力水平。但随着基础模型不断成熟，一个新问题正在突出：AI能力越来越强，但距离临床医生仍然太远。

医学AI下一阶段的竞争，不只是模型能力的竞争，更是使用门槛、科研效率和临床可及性的竞争。谁能让更多医生轻松使用AI，谁才有可能打开规模化空间。

东软的方向很明确：不是只做供算法工程师使用的工具，而是打造一个临床医生可以直接使用、科研团队可以协同使用、专业研究者可以深度扩展的医学AI平台。

当技术门槛被降低，临床问题与AI能力之间的距离就会被缩短。当数据、算法和科研流程被统一，医院内部长期累积的医学知识就有机会转化为新的诊疗能力。

医学AI真正的规模化，不是让机器取代医生。而是让更多医生，都拥有使用AI发现问题、理解疾病和创造新知识的能力。