從「工具」到「智能體」：CARES 4.0在港發佈，劉宏斌談醫療AI如何走進臨床

近日，由中國科學院香港創新研究院人工智能與機器人創新中心（CAIR）主辦、香港科技園公司協辦的第四屆香港具身智能醫療科技論壇（The 4th Hong Kong Clinical-driven Robotics and Embodied AI TEchnology Symposium，CREATE Symposium），於香港科學園高錕會議中心隆重舉辦。作為銜接臨床醫學與前沿科技的重要國際交流平臺，本屆論壇以 “醫療 AI 商業化之路” 為主題，匯聚專家學者、醫院管理者、權威臨床醫師及產業資本代表近 300 人。

活動緊扣呼吸介入、耳鼻喉科、超聲影像、睡眠醫學等專科領域的臨床痛點，設置前沿技術分享、院長圓桌對話、創投路演專場、專題分組研討、科技成果展覽、具身智能手術室場景探索等多元板塊，加速推動醫、研、產、投多方協同創新，為科研成果落地醫療實踐注入強勁動能。開幕儀式上，CAIR主任劉宏斌研究員、香港科技園公司行政總裁黃秉修、華潤健康總經理兼華潤醫療總裁張闖、中國科學院香港創新研究院執行院長郝銀星、中國科學院自動化所副所長呂品研究員，以及深圳華大智造科技股份有限公司行政總裁劉健相繼致辭。在本屆論壇上，CAIR 重磅發佈自研的多模態臨床智能體系統 CARES 4.0。

該系統依託 Harness 智能體框架構建，底層搭載自研 CT、核磁、超聲、內鏡、腦電多模態醫療基座，打破傳統單點醫療 AI 模型的侷限，深度嵌入醫院臨床工作流，作為醫生的智能夥伴，覆蓋診療、科室管理、醫學科研全鏈條場景。臨床應用層面，CARES 4.0 已在多家三甲醫院完成落地驗證。診療場景中，可實現從患者主訴、影像檢查、病理評估直至最終確診的全流程輔助診斷；科室管理場景下，支持自然語言交互查詢，自動彙總設備負荷、病種分佈等信息，一鍵生成科室運營報表；醫學科研場景中，能夠針對臨床專病數據集開展多維統計分析，訓練簡易機器學習模型，輸出可直接潤色、用於論文投稿的分析報告。

系統配套臨床高質量數據沉澱平臺，可自動完成院內多源數據清洗、質檢與結構化沉澱，為 AI 持續迭代夯實數據底座。目前，CARES 4.0 官網已開放，框架與通用工具包已發佈，醫療工具包陸續上線。中心自研超聲、手術視頻開源模型也將接入平臺，面向社會免費開放。CAIR 研究員易東介紹CARES 4.

0面對 AI 深度融入醫療體系、走向臨床落地的現實挑戰，本屆論壇特設港深醫院院長圓桌對話，邀請IHH 醫療（北亞洲）區域首席執行官兼港怡醫院執行總裁曾慶廉、香港大學深圳醫院院長張文智、香港中文大學醫院行政總裁鍾健禮、廣東三九腦科醫院院長蔡林波、深圳市羅湖區人民醫院執行院長熊奕、中山大學附屬第三醫院嶺南醫院管理委員會主任胡昔權、香港大學牙醫學院助理院長（教學及科技創新）林宇恆等多家醫療機構管理者參與交流探討。

圓桌嘉賓各抒己見：私立醫療機構引入高價值 AI 醫療系統，需評估投資收益，兼顧運營可持續性與公共衛生價值；跨境醫療 AI 應用應嚴守合規底線，在法律框架下探索數據互通，統籌安全、合規與運行效能；智慧醫院建設重在業務流程重構，推動 AI 融入診療、護理、管理全鏈條；AI 臨床落地依賴高質量數據與醫工協同，當前核心挑戰是診療場景的風險界定與責任劃分，亟需建立多方風險共擔機制；基層醫療推廣 AI 宜分步實施，優先落地體驗優化類應用，高風險 AI 診斷工具需配套完善安全保障體系；在康復領域，AI 可賦能康復評估與方案制定，減輕治療師工作負荷；AI 將成為醫療基礎能力，口腔專科可依託 AI 開展精準診療與居家篩查，實現口腔健康精細化管理。

在主題分享環節，本屆論壇匯聚多位全球頂尖醫工創新學者，包括英國皇家工程院院士、英國醫學科學院院士、倫敦國王學院助理校長（創新）Sebastien OURSELIN 教授，歐洲科學院院士、慕尼黑工業大學CAMP主任 Nassir NAVAB 教授，香港中文大學機械與自動化工程學劉雲輝教授，CAIR 主任劉宏斌研究員，上海交通大學講席教授、生物醫學工程學院院長廖洪恩教授，深圳大學人工智能學院倪東教授。

各位專家立足國際前沿，圍繞醫療器械與數字健康生態、醫療機器人人機協同、AI 驅動手術機器人、臨床智能體 AI 系統、診療機器人影像決策、智能超聲研產轉化等熱點主題，深度剖析具身智能醫療技術的發展趨勢，分享全球技術革新成果。

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”中山大學附屬第一醫院呼吸與危重症醫學科副主任廖槐教授，山東大學齊魯醫院耳鼻咽喉科主任雷大鵬教授，中日友好醫院呼吸與危重症醫學科副主任侯剛教授，中山大學附屬第一醫院超聲醫學科主任謝曉燕教授，山東大學齊魯醫院超聲科主任陶國偉教授，華中科技大學同濟醫學院附屬同濟醫院超聲影像科主任崔新伍教授，山東大學齊魯醫院護理部主任曹英娟教授，香港中文大學醫學院外科學系教授、心胸外科主任黃鴻亮，南方醫科大學南方醫院精神心理科（睡眠醫學中心）主任張斌教授，暨南大學附屬第一醫院睡眠醫學中心主任潘集陽教授，首都醫科大學宣武醫院血管超聲科主任邢英琦教授，香港伊利沙伯醫院神經外科部門副主管暨顧問醫生麥凱鈞，以及香港大學臨床醫學學院外科學系臨床助理教授譚兆宗等，結合專科多年積澱，圍繞醫學影像、超聲診療、智能護理、心胸外科、睡眠醫學、血管超聲及神經外科等方向，交流一線臨床實踐經驗。

此外，深圳理工大學生物醫學工程學院院長李宗明教授，香港中文大學電子工程學系任洪亮教授，香港中文大學機械與自動化工程學系郭嘉威教授，新加坡國立大學機械工程系終身副教授朱志光，香港中文大學計算機科學與工程學系副教授竇琪，香港大學機械工程系助理教授蔣中亮等學者，亦從AI算法研發、醫療機器人系統、臨床轉化等不同維度分享研究進展，多維度展現醫工交叉賦能智慧醫療發展的多元路徑。此外，本屆論壇亦設置創投路演專場，聚焦醫療科技前沿賽道，匯聚創新企業、科研機構及投資機構，搭建項目交流與資源對接平臺。評委協助剖析技術壁壘、臨床驗證與商業化策略，助力團隊明確市場化路徑，加速醫療科技成果產業化落地。

多項硬核科創項目參與路演，覆蓋光學多維力傳感器、腔鏡手術機器人、微創手術新型器械和輔助設備、睡眠大模型、超聲機器人、手術機器人、手術導航系統、ASIC 芯片與有源植入醫療器械、腦機接口及仿生肌肉、手術規劃與仿真、個性化矯形與再造等尖端方向。辰德資本、光遠投資、玖光資本、全志科技、越秀集團、陽和投資、松禾醫療健康基金、中金資本、華大松禾生科基金、國科嘉和、建元天華等投資機構與產業代表到場，與創業團隊面對面深度交流，充分對接投融資需求。

華力創科學聯合創始人魚晨博士講解光學多維力傳感器技術要點作為本屆論壇協辦單位，香港科技園公司組織了 “Empowering Founders, Enabling Growth: HKSTP's Entrepreneurship Journey from Idea to Commercialization” 專題宣講，聚焦前沿科技成果的產業化落地，詳細介紹園區生命與健康科技生態及創業社群，邀請平臺初創企業代表分享商業化洞察與實踐案例，並與多領域代表開展多維對話，探討戰略合作如何賦能價值創造與企業增長，為醫企協同、創新成果轉化提供鮮活實踐樣本與生態支撐。

此外，論壇同期開設醫療科技成果展，華力創科學、恩動醫學、神蹤科技、厚凱醫療、美信創科、樂金淨化等科創公司，以及香港科學園 Incu-Bio 平臺培育的十餘家初創企業集中亮相，全方位展示智能醫療、數字醫療、精準醫療領域的前沿技術與創新成果。活動尾聲，與會嘉賓移步 CAIR具身智能手術室，現場觀摩 CARES 多模態臨床智能體系統、喉鏡及支氣管鏡診斷智能體、AI 睡眠系統、“聆音”超聲大模型、具身智能掌超、超聲掃查機器人、狹窄空間微創手術方案、實時醫學物理仿真平臺、介入手術低場磁共振成像、神經外科具身智能手術機器人 MicroNeuro 等前沿成果。

參觀過程中，嘉賓認真聽取研發團隊技術介紹，深入瞭解各項成果的核心技術特點、臨床診療價值與落地應用場景，並圍繞技術研發瓶頸、臨床試點進展及產業化推進路徑等內容開展深度研討，助力智能診療技術突破場景限制、擴大應用覆蓋面。對話CAIR主任劉宏斌：CARES 4.0的臨床落地與醫療AI的商業化之路除上述成果發佈與展示外，我們還在論壇期間與CAIR主任劉宏斌研究員進行了對話，圍繞CARES 4.0相比前代的能力升級、手術風險預警的臨床呈現、醫療AI的幻覺與安全邊界，以及醫療AI的商業化落地路徑等問題展開了交流。以下為對話實錄，做了不改變原意的編輯：：4.0相比3.0，是功能變多了，還是能力性質變了？

能不能舉一個具體的例子說明這種差別？劉宏斌：CARES從1.0到3.0，本身是一個大模型。3.0的時候它只能做一些問答——這個問答可以是多模態的，比如針對一張圖片問答、針對一段視頻問答，這是1.0到3.0解決的問題。但3.0本身只是一個工具，醫生要會用這個工具，才能完成具體的任務。4.0我們把它升級成了智能體，它就能夠幫醫生真正幹活了。比如這次發佈會上舉的例子：臨床主任想統計上個月的手術量、耗材情況、病人情況，做成一份報告，用來向醫院領導彙報或者科室內部討論。這個工作以前必須靠主任的助手用CARES 3.0去完成，現在不需要助手了，由整個智能體系統自主完成。

過程中可能會跟主任有一些交互，去確認他的想法、要做成什麼類型的分析報告——這種交互我們也做進去了。：這次發佈的五項能力裡，手術影片的語義理解和風險預警最引人關注。這個預警在真實手術裡是怎麼呈現的？劉宏斌：預警分成幾個方面。一個是操作空間上的預警：AI識別出操作的部位非常接近重要的血管、動脈、神經，這時候要給醫生預警，提示這個環節可能有風險，不要去碰那個位置。另一種是時間跨度上的預警。手術是流程化的，做完這一步才能做下一步。假如醫生在第一步做得不到位——比如神經外科手術，先要開骨窗做一個通道，最終目的是把裡面的腫瘤完整、徹底地切除乾淨。

如果骨窗開得不夠大，裡面的腫瘤可能就切除不乾淨，而等你深入進去再補開就晚了。這種時間維度上的預警也是一個維度。現在應用起來的主要還是空間上的預警，比如告訴醫生：你操作的部位已經與非常重要的解剖結構很近了，需要避免。：目前在哪幾家醫院、哪些科室用到了什麼程度？劉宏斌：比如我們在中山大學附屬第一醫院，跟廖槐主任合作，他在做支氣管鏡時用到了這個功能。我們會提示：這個部位你看上去以為是支氣管，但下面其實是血管。因為有的沒有經驗的醫生，看到支氣管上有一個凸起，可能就覺得可以做活檢，但其實那個凸起是血管的一部分，如果一做活檢，可能把動脈夾破了，那就是一個大的手術風險。：醫療AI最敏感的是幻覺和誤診風險。

CARES給醫生的是「建議」還是「結論」？對於可能出現的判斷分歧，團隊在系統設計上做了哪些工作？劉宏斌：現在CARES在醫院與醫生的配合中，更多扮演一個助手的角色，給的是建議。但AI肯定有時會有幻覺，我們要做的第一件事，就是最大限度消除幻覺，特別是決策類的建議。比如醫生要下診斷書的時候，AI模型可能推薦某種診斷方式，如果這裡出了錯，就可能對醫生造成誤導，這是一個比較大的風險。我們現在的方式是：首先讓整個AI的思考嚴格遵循臨床專家的思考邏輯——臨床專家做診斷時要參考指南、參考國際頂級期刊的最新臨床結果，綜合判斷後才下結論或推薦治療方案。

我們讓AI嚴格按這個流程去做，並且把AI能調用的信息變成結構化的數據，像知識圖譜一樣，讓AI沿著這些節點去尋找給醫生提供建議的依據。所以最終給醫生的建議，一定會附帶它的思考路徑：基於某指南的某條建議、某篇學術論文的最新發現，提出診斷意見，然後由臨床醫生來判斷。無論如何，醫生是最終的決策者，這一點不可能被改變。最重要的是讓醫生能夠綜合AI的判斷，再結合自己的思考，給出最終結論。：從醫院試點到真正進入臨床流程，最難過的關是技術關、審批關還是醫生觀念關？現在走到哪一步了？劉宏斌：AI醫療的挑戰在於，它要在很複雜的一個系統裡把產品落地、應用，併產生銷售收入，不是單點的問題。

整個醫療體系裡有幾大持份者：患者本身、醫生、醫院，還有醫保支付端，四方關心的事情其實不同。只有當產品的設計能同時滿足四方訴求的時候，才能獲得商業化的成功。比如，首先技術上要保證領先——國內大醫院現在都希望在技術上有引領性，這是「國家隊」的倡導；同時你要能真正解決臨床問題，讓醫生覺得有幫助；對醫院來講，用了你的新技術，經營上要獲益、效率要提升；對醫保來說，你的技術不能增加負擔，最好用了之後整個治療過程總體上是省錢的，而不是增加一筆額外費用。每一款產品在設計時，這幾個方面都要考慮。：您現在做醫療垂直的CARES，在您看來，通用模型的能力哪些能直接搬過來，哪些在醫療場景裡必須推倒重來？

劉宏斌：通用能力方面，模型的通用能力越強，經過垂直領域的後訓練、加上垂直領域的工具，性能會更好。通用模型的基礎能力相當於一個基石：通用能力越強，垂直領域模型的能力上限就越高，這是第一點。但實際應用時，如果只解決某個醫院的某個科室場景，任務內容其實比較局部。而且通用能力強，往往意味著模型太大，部署困難、算力消耗大。所以實際部署是一個平衡：一邊是模型能力，另一邊是任務是否真的需要適配這麼高的能力——還是說用一個更小的模型，加上工具設計和後處理，就能達到很好的效果。：從達摩院到中科院、再到香港，研究方向一步步從通用多模態走向醫療垂直領域。這一路是怎麼走過來的？有沒有哪個契機，讓您確定要扎到醫療裡？

劉宏斌：其實我們一直都在做AI醫療這個方向，一直在堅持這條路。對我來講，有兩次事件，讓我對AI在醫療領域的應用信心指數級提升。第一次是ChatGPT的發佈。之前AI模型——比如CNN卷積神經網絡——只能算工具的一部分，需要工程師用它來打造一個軟件，再讓醫生去使用，應用很受工程人員能力的限制，也就是說不能直接把這個東西給到醫生。ChatGPT出現之後，AI能跟人對話了，變成可交互的了，原來「醫生不會用工具」這個問題就可以被解決了。現在看來也就是四年左右的時間，醫生已經不需要多長的學習曲線就能掌握AI工具，這讓我們當時非常有信心。另一次是過去一年，我們的很多AI系統已經在醫院開始部署。

團隊會跟合作的醫生團隊交流，瞭解AI在他們的日常工作中到底怎麼用。我們發現，每一個醫生或多或少都在用AI工具——可能不是在診斷上，但處理文獻、日常工作已經離不開AI了。同時我們發現，只要數據量足夠大、數據質量足夠高，模型的能力是可以超過專家平均水平的，這在多個實際部署的項目裡是共性。所以單項任務上，AI肯定會做得比人強——就像讓汽車跟人賽跑，汽車肯定能贏。醫療是evidence-based（循證）的，只要證據足夠多、足夠強，大家就會信任它。：目前團隊和多少家醫院有實質合作？醫生給的最集中的一條改進反饋是什麼？劉宏斌：醫院方面應該超過30家了。

推廣最快的是喉鏡診斷AI工作站，光這一個系統已經部署超過10家醫院；支氣管鏡系統超過4家；超聲系統也超過10家。有些醫院會同時部署我們好幾套系統，算下來應該有超過30多家醫院在實際使用。大多數反饋都是希望操作更輕鬆，不需要太多思考就能把活幹完——減輕工作負擔，是他們最喜歡的。另一個集中的需求是：模型的輸出和交互要更直觀，信息一眼就能看到，儘可能不讓醫生誤解AI的結果代表什麼意義。所以我們大量的修改其實都在人機交互上——用什麼形式展示AI的結果，圖表、數字，還是熱力圖。：五年後如果CARES系列成功了，手術室和現在的差別是什麼？劉宏斌：未來的手術室，一定是一個人機協同的智能空間。

第一，手術室裡很多器械都會機器人化，但這不一定是以人形機器人的形態。舉個例子：現在的無影燈是被動的器械，醫生要用手去拖、去調；未來無影燈本身就是一個機械臂，能夠自己移動，醫生在整個手術過程中不需要用手去調——因為用手去抓本身就帶來感染風險。現在護士遞送器械的動作，未來也可能由機械臂來完成。第二，手術室裡的人員。醫療是一個比較緩慢演進的過程，不妨暢想20年後：現在一臺手術是七八個人的醫療團隊，未來手術室裡可能就兩三個人——主刀醫生，配合一兩個護士或助手，其他由機器人設備跟他們互動。

另外，未來的醫院可能也不是現在這種部門隔離的形態，而是一個大智能體：有一箇中心的算力平臺，每個科室就像它的一個神經分支，所有手術室、診室、門診裡發生的情況，都實時彙總到這個「大腦」裡。：如果讓您用一句話總結團隊這一年在忙什麼，您會怎麼說？劉宏斌：我們叫real-world research，真實世界研究。過去幾年我們打造了很多AI模型、AI工具，過去一年集中在各個醫院裡做臨床部署、收集醫生反饋，自己也在評估模型是不是真的幫到了醫生——因為部署之前都是假設，你不知道醫生到底覺得有用還是沒用。讓我們很受鼓舞的是，絕大部分模型都在實際使用過程中看到了價值。

還有些功能一開始我們也沒想到，但臨床專家很有創造力：你做了一個A功能，他會聯想到自己在B功能上有痛點，問A能不能做——我們發現確實可以遷移過來。很多工具就是這樣，跟臨床專家一起進化成了對醫生有用的形態。