近日，香港推出了一款名为“聆音”的超声智能大模型 echocare，标志着全球首个训练数据规模突破400万张超声影像的ai系统正式落地。该项目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）自主研发，目标在于应对超声医师资源短缺的困境，同时提升超声设备的操作效率与诊断精准度。
图源备注：图片由AI生成，图片授权服务商Midjourney
近年来，超声技术在疾病筛查和健康管理中的作用愈发突出。在中国，每年开展的超声检查已高达20亿人次，但专业超声医生的数量却存在约15万人的巨大缺口。一名合格的超声医生通常需经过3至5年的系统培训，部分专科领域甚至需要更长时间的积累，严重制约了医疗服务的可及性。据香港中文大学医学院黄鸿亮教授介绍，目前香港地区常规超声检查的等候周期较长，部分非紧急病例等待时间可能超过一年。
大模型 Token 成本节约工具。在请求到达大模型之前自动压缩 prompt 和上下文，减少 60-95% 的 token 消耗，直接降低 API 成本。支持 Claude/OpenAI/Gemini 等主流模型，提供代理模式、CLI 包装、Python SDK 和 MCP Server 四种接入方式。内置一键安...
为破解这一难题，CAIR团队开发了EchoCare人工智能系统。该模型不仅是技术层面的重大突破，也被视为推动医学影像智能化进程的关键一步。EchoCare采用纯数据驱动的结构化对比自监督学习框架，有效解决了传统超声AI研发中高质量标注数据稀缺的瓶颈问题。通过这一方法，系统能够在无需大量人工标注的前提下自主提取关键图像特征，并展现出优异的跨医疗机构泛化性能。
值得一提的是，EchoCare具备持续学习能力，可根据不同临床环境和新增数据实现动态优化与迭代升级，确保其诊断能力始终紧跟最新医学实践。初步临床验证结果显示，该模型表现亮眼，在山东大学附属多家医院开展的回溯性研究中，达到了85.6%的灵敏度和88.7%的特异度，显示出强大的辅助诊断潜力。
展望未来，EchoCare团队计划进一步拓展合作网络，联合更多医疗机构将其应用于多样化临床场景。这项技术的问世，不仅有望显著改善香港地区的超声服务效率，也将为全球医学影像AI的发展提供全新范式和技术支撑。
