过去两年，医疗人工智能领域最热闹的话题莫过于大模型。参数规模、上下文长度、训练成本……这些指标轮番占据行业头条。许多大模型的表现与临床期望之间仍存在差距。这背后的关键，往往不在算法，而在数据质量。
“数据的上限，决定了人工智能的上限，没有高质量的数据集，再先进的算法也只是空中楼阁。”医渡科技高级副总裁、科研业务线总经理黄楠博士于近日在天津召开的Vision China视觉健康创新发展国际会议上分享了核心观点：高质量数据集，才是临床科研从“建库”走向“成果转化”的关键一环。
黄楠博士演讲
全球竞速：高质量数据集成为新焦点
全球范围内，高质量数据集的建设标准正趋于明确。2026年3月，美国提出《AI可用生物数据标准法案》，要求科研项目数据须满足FAIR原则并为AI训练准备；Bridge2AI项目两阶段共投入2.6亿美元，目标从“建数据”转向“用数据解决临床难题”。思路很清楚：先修好数据的“路”，再让AI的“车”跑起来。
国内政策同样在加速，从国家卫健委到国家数据局，相关部门陆续出台文件，政策框架逐步完善。这些信号表明，高质量数据集正成为医疗AI发展的关键基础资源。
医院管理者必看：高质量数据集如何打通“筛防诊治康”全周期
一套真正可用的高质量数据集，需符合FAIR原则，具备完整元数据，支持AI模型训练与验证；同时做到动态迭代、多模态融合、与临床流程对齐，并建立安全共享机制。这些特征构成了高质量数据集的基准线，也是医院评估自身数据资产时可以参考的标尺。
高质量数据集究竟如何落地？黄楠博士介绍了医渡科技“基于科研专病库的高质量数据集解决方案”，该解决方案以“可溯源、高可靠、标准化、可计算、支持AI训练与验证”为核心标准，在严格遵循数据安全与隐私保护法规的前提下，产出的高质量数据集可用于支持临床决策、科研创新与药物研发等场景。
高质量数据集的价值不在于“存”，而在于“用”，这是所有AI应用取得成效的前提。黄楠博士分享了医渡科技经验：预防方面，基于与北京回龙观医院共同打造的 AI 老年认知预防康复系统，改善老年认知障碍MCI，降低老年痴呆的发生率，项目获北京市科委专项课题资助；诊断与治疗环节，与中山大学肿瘤医院合作的TNM分期模型，T分期准确率从58%提升到90%，N分期从62%提升到80%；针对ARDS的治疗，融合多模态数据构建了ARDS全周期精准管理体系。此外，在患者招募场景，医渡科技AI方案将临床试验首次配置时间从1-3小时压缩至10分钟，准确率比人工提升80%以上。
这些案例指向同一个结论：没有高质量数据集，AI模型就是“无米之炊”；数据质量达标，可推动实现“早发现、早预防、精准诊、优治疗、强康复”的临床目标。
让专病库“活”起来：“一库多用”才能变富矿
建了专病库却用不起来，这是不少医院的现实困境。黄楠给出的解法是：把专病库变成高质量数据集可持续量产的“冶炼工厂”，而不是一锤子买卖。
筑牢基础，关键在于构建多模态、多组学的临床科研一体化数据库。这需要做到与临床流程对齐、变量足够深广、覆盖院内院外真实数据、时间轴完整连续、精细治理质控并动态更新。如果数据“不干净”、字段缺失、时间线混乱，后续AI模型自然站不住脚。
形成高质量数据集的核心，是从专病库到训练集的“价值提炼”。这不仅是数据清洗，更需要专家用自然语言重构临床思维链，输出“问题-推理-建议-警示”的完整逻辑。在合规前提下，将静态病例转化为动态诊疗思维，可支撑多中心研究、专科大模型训练、罕见病研究等科研工作，从而真正实现一库多用。以眼科为例，医渡科技已助力医院构建覆盖人口学信息、诊断、专科检查、治疗及随访数据的标准化眼科数据集，为后续AI应用打下基础。
有了高质量数据资产，AI应用落地自然水到渠成。医渡科技在眼科领域已形成糖尿病视网膜病变早筛、青光眼辅助诊断、OCT智能阅片、白内障手术规划、个体化视觉康复训练等一系列AI模型，贯穿筛、防、诊、治、康各环节，实现从数据到临床应用的闭环。
高质量数据集还可支撑科研成果产出和转化。医渡科技与温州医科大学附属眼视光医院合作进行眼科疾病数据治理，打造了医疗健康领域率先集齐数据安全合规评审、数据产权、数据知识产权三证的医疗数据资产，为医疗数据的合规应用探索了可行路径。
会场之外，医渡科技的展位同样吸引了众多参会者驻足。 围绕科研专病库建设、高质量数据集治理及AI应用落地，展台工作人员与来自全国多家医院的院长、信息科负责人及科研骨干进行了深入交流。不少医院管理者表示，专病库“建而难用”是普遍痛点，如何让数据真正服务于科研与临床，正是他们此行希望寻找的答案。医渡科技展示的“一库多用”解决方案及眼科等领域的实践案例，成为展区关注的热点。
高质量数据集的建设不是一次性工程——动态更新、持续标注、与临床共进化，才能保持其生命力。这正是医疗AI竞争逻辑的转变：上半场拼算法与算力，下半场拼数据与场景。从这个意义上说，高质量数据集正在成为医院数字化转型的新基建，是决定AI应用能否真正落地的核心变量。
