兰州大学第一医院：智医MaaS——从单点研发到平台赋能的医院级AI智能体

兰州大学第一医院上线的智医MaaS（模型即服务）平台，是从单点研发走向平台赋能的医院级AI智能体支撑体系。平台依托医院临床与信息资源优势，构建集AI模型研发、验证、部署、管理与服务于一体的能力载体，定位为医院级AI智能体的 “中央厨房” 与 “智能调度中心”，采用容器化与微服务架构，实现模型统一纳管、标准化接口调用和在线服务化运行，推动院内 AI 能力普惠化、工业化落地。

项目重点研发覆盖重症监护、心血管诊断、产程评估、通用超声等关键临床场景的多模态AI模型，突破模型本地化迁移、真实世界数据验证、持续性能监测与临床可解释性等关键技术瓶颈。未来，平台将与电子病历（EMR）、影像归档与通信系统（PACS）等核心业务系统深度融合，为临床医生提供可视化、可交互的智能决策支持，形成“医工协同”的智能诊疗新模式。

一 建设与开发

本项目围绕总体战略目标，针对医学人工智能从单一技术验证向系统化临床应用演进的关键节点，深度融合深度学习、云原生架构与临床诊疗逻辑，突破传统“单病种、单模型、单系统”的孤岛式研发模式，以“模型即服务（MaaS）”为核心理念，从以下四个维度展开研究。

1.医院级MaaS平台体系研究

构建支撑医院智能化长期发展的MaaS管理与服务体系，以AI智能体全生命周期管理为主线，设计涵盖模型研发、验证、注册、部署、监测与再优化的闭环机制，形成对全院AI资产统一纳管、版本控制和性能追踪的标准技术框架。

重点建设模型注册中心和元数据管理系统，制定统一元数据规范，确保每个进入平台的AI智能体具有唯一“身份标识”和全链路可追溯记录，解决模型版本混乱、来源不明等问题。平台采用模块化、容器化设计，将不同学科、不同任务的模型封装为标准服务单元，屏蔽底层异构计算资源差异，形成可扩展、可复用的智医模型资源池。通过标准化API接口，各科室科研创新成果可快速转化为临床可用服务。

针对模型上线后的维护难题，构建基于真实世界数据（Real-World Data）的性能监测体系，实时捕捉模型在临床环境中的表现波动，实现自适应调整与优化，确保模型持续适配临床业务变化。

2.多模态医学数据融合与特征挖掘研究

围绕“数据标准化—特征提取—信息融合—可解释性提升”的逻辑，构建高质量多模态数据体系，建立医院级数据清洗与标准化流程，解决结构化数据（检验、用药记录）、半结构化数据（监护信号、病程记录）与非结构化数据（影像、文本）之间的兼容与映射问题，形成统一数据接口与存储标准。

在特征挖掘方面，研究适用于临床场景的高维数据降维与特征选择方法，探索时序信号、影像特征与文本语义的协同表征机制，揭示不同模态数据间的潜在耦合关系，提高模型稳健性与泛化能力。同时，设计去标识化与访问控制机制，确保数据治理符合伦理与法规要求。

3.典型临床场景模型研发与验证研究

选取重症监护、心血管诊疗和产程管理三个代表性场景，以“临床问题驱动、数据支撑、模型验证、结果转化”为主线开展研究。在重症监护场景中，整合生命体征、实验室指标及病程记录等动态数据，构建病情变化趋势识别与预后风险评估模型，辅助早期识别高危患者和优化抢救流程。在心血管诊疗场景中，针对复杂心律失常及缺血性心脏病，研究基于心电信号与临床参数的多疾病联合识别方法，探索个体差异化特征提取与多标签识别机制。在妇产科场景中，基于产时影像数据与监护信息，研究自动化产程进展量化与胎头进展角（AoP）计算方法，建立客观、连续的产程评估体系。所有模型都在医院真实数据环境中验证与迭代，形成可推广、可复制的建模与验证流程。

图1 心电图多疾病诊断模型

图2 通用超声基础模型

图3 重症风险预测模型

4.平台与临床业务系统融合应用研究

重点研究模型服务与医院核心业务系统的集成接口技术，设计标准化API接口协议，使医生在开立医嘱、查看影像或书写病历时，能够实时调用后台AI推理结果并直接集成至现有工作界面，避免工作流中断。开展模型结果可解释性与交互设计研究，利用注意力热力图、特征重要性排序等可视化手段，向医生直观展示模型判断依据。建立“人机协同”反馈机制，允许医生对模型结果进行确认或修正，反馈数据作为高价值样本汇入平台，用于模型持续迭代。

二 关键技术或产品描述

本项目总体目标是构建可持续迭代、院级可控的“智医模型实验室”体系（MaaS平台），实现从多模态医学数据治理到智能模型研发、从科研成果孵化到临床集成应用的全流程闭环，推动医院人工智能由“点状创新”向“系统生态”转变。具体研究目标如下。

1.构建医院级人工智能基础平台（MaaS V1.0），建立支持模型全生命周期管理（注册、部署、监测、再优化）的技术体系，实现模型统一纳管、标准接口化与可视化管理，打造医院自主可控的智能中台。

2.研发多场景智能模型群，在重症医学、心血管病学和产科影像三个典型临床场景中，研发不少于5个高性能AI模型，包括重症风险预测模型、心电多病种识别模型和产程进展智能评估模型，并完成严格的本地化数据验证。

图4 医疗场景通用智能体架构图

3.支持模型API独立调用与智能体统一接入，单独调用时为独立预测模型，统一接入后可形成医疗场景通用预测智能体。

4.实现模型平台与临床系统深度融合，完成与医院EMR、PACS、LIS等核心系统的双向接口对接，使AI分析结果在医生操作界面实时呈现，形成1—2个“嵌入式”智能诊疗流程试点。

5.形成区域可推广的建设范式，以“兰大一院智医MaaS模型”为核心，形成可复制、可移植的标准化建设与运行规范（如《建设规范》《技术指南》草案），推动智慧医疗体系在甘肃省及西北地区的示范与应用。

图5 医疗场景通用智能体工作流

团队已将多类模型统一集成至同一智能体框架，通过打通数据链路与网络接口，实现跨场景通用化智能预测。平台可基于统一入口调用不同模型，自动完成任务识别、数据解析与结果返回，形成可扩展的多任务智能体体系。平台未来将持续接入更多自研与合作模型，构建覆盖更多科室与业务场景的全院级智能模型集群。

三 应用效果

本项目研究团队已在智慧医疗系统建设与医学数据分析领域取得一系列实质性成果。

1.平台建设

图6 “智医模型实验室”V1.0平台原型

项目团队已构建“智医模型实验室”V1.0平台原型并完成外网部署，实现模型统一展示、在线测试、服务化调用与性能可视化等核心功能。平台基于微服务设计，支持多模型并行部署与高并发访问，通过容器化技术实现模型自动封装与调度，支持模型资产注册、版本管理及调用日志追踪。目前平台已在院内完成试运行，具备模型测试、性能评估与用户权限管理等关键功能，运行稳定可靠。

平台已为所有模型提供标准化API接口，支持外部系统通过HTTP方式实时调用，便于与EMR、LIS、PACS、监护系统等集成。每个模型均具备独立服务端点，支持结构化数据、图像数据等多类型输入，可返回预测结果、可解释性分析及模型置信度等信息，为院内系统、移动终端及第三方应用统一接入以及区域医院或科研机构远程调用提供技术路径。

2.模型研发与技术创新成果

团队围绕临床预测与医学影像智能分析开展研究，构建了涵盖疾病风险预测、心电图智能诊断、超声影像分析等多个领域的人工智能模型。在医学影像领域，团队取得了多项国际学术竞赛成果，2025年在MICCAI国际医学图像计算与计算机辅助干预大会相关挑战赛中获得两项奖项，2026年分别在IEEE ISBI国际生物医学影像研讨会和MICCAI相关挑战赛中各获得一项奖项。同时，多篇研究论文被MICCAI、IEEE ISBI等国际学术会议接收，体现了团队在医学人工智能领域持续开展技术创新与科研攻关的能力。

3.医工结合模式与协作机制

团队已建立“临床提出需求、信息中心研发实现、科室验证反馈”的工作闭环，与重症医学科、心血管内科、妇产科等重点科室开展长期合作，建立稳定的需求对接与数据共享机制。临床专家参与模型需求分析与结果评估，信息团队负责技术实现与系统维护，保障项目在医学合理性与技术先进性上的统一。

四 总结

本项目建设围绕“研发-验证-落地”三条主线持续推进。

在模型研发方面，持续面向临床实际需求和医疗业务场景，拓展医学人工智能模型的应用范围，优化模型性能与泛化能力，推动多类型智能模型的研发、集成与应用，逐步构建覆盖多学科、多场景的医学人工智能模型体系。依托统一模型管理框架和容器化部署能力，完善模型研发、训练、评估、部署及迭代优化的全流程技术体系，形成标准化、可复用的模型快速孵化机制，持续提升医院医学人工智能技术自主研发、成果转化与规模化应用能力。

在模型验证方面，重点开展院内多科室、多场景联合验证，推进医联体及区域医院参与多中心协同验证，评估模型在不同人群、不同设备和不同环境下的实际表现。建设模型实时性能监测与版本管理机制，持续监控模型漂移、数据分布变化和推理稳定性，构建可持续演进的真实世界证据（RWE）体系。

在临床落地方面，进一步推动了模型与医院信息化系统深度融合，使预测结果无缝嵌入医生工作流，成为临床决策辅助工具。平台通过标准化接口和模型上架机制，支持更多科室自主开发本专业智能工具；以院内示范应用为基础，逐步向医联体及省内医院推广，形成区域化智能医疗服务体系，打造可复制、可推广的“兰大一院模式”。

（来源：CHIMA 2026医院新兴技术创新应用典型案例集）