摘要
医疗 AI 当前困局的本质，不是「算力不够」或「算法不强」，而是监督信号的获取方式与医疗数据的固有结构不匹配：医疗场景中图像与文本海量存在，但高质量标签稀缺且昂贵；临床任务高度多样，但模型被设计为一次只解一个任务；数据分布在医院、设备、人群之间天然割裂，但模型被假设为同分布。
破解方向是把技术重心从「如何更高效地人工标注」转向「如何从数据本身与领域知识中无监督地获取通用表征，再以极低标签成本适配到具体临床任务」。这条路径由四个相互支撑的技术支柱构成：自监督与大模型基座、多任务统一架构、领域泛化与适应、标注效率工程。
四重约束与对应解法
| 标签瓶颈 | 数十万张标注数据/每病种；标注一例约需 1 小时；全局标注需耗时上千年量级【B】 | 自监督预训练、主动学习、弱监督与数据编程、合成数据增强 |
| 架构僵化 | 「一病一模型」单任务 CNN；F |
