RadNet Chest XRay AI 获得 FDA 批准，但平台主张走得更远

RadNet Chest XRay AI 获得 FDA 批准，可检测四类可疑发现，将 DeepHealth 的基础模型战略带入美国临床市场。该批准覆盖的是一款定义明确的计算机辅助检测产品，并不意味着 DeepHealth 可以将其希望基于底层模型构建的所有功能全部投入使用。

这一差异使其不只是又一次放射学算法发布。DeepHealth 将 Chest XRay 定位为一款可用的医疗设备，同时也是加速产品开发的基础。眼下，这款产品将与 Qure.ai、Imagen、Vuno 等厂商的专用胸部 X 光系统竞争。

更大的竞争发生在两种开发模式之间。一种模式为单项发现分别开发算法；另一种则先训练一个广泛适用的模型，再将其适配为临床用途更聚焦的受监管应用。

RadNet 现已获得临床层面的批准。其下一项挑战是证明底层的可复用层能够带来更好的产品、更快的开发速度或更低的运营成本。

RadNet Chest XRay AI 批准实际涵盖什么

FDA 的决定允许使用一款特定检测工具，而不是一个开放式的诊断智能系统。

DeepHealth 于 2026 年 9 月 16 日宣布获得批准。相关 FDA 数据库记录显示，申请编号 K252486 对应的是 ChestView US 1.1 版本。FDA 于 9 月 9 日作出实质等同性决定。

DeepHealth 现将该软件以 Chest XRay 的名称推向市场。Gleamer 仍为制造商，而在 RadNet 收购 Gleamer 后，DeepHealth 负责产品分销。

该软件分析成人正位和侧位胸部 X 光片，识别并定位与以下四类情况相关的可疑区域：

• 肺结节

• 实变

• 纵隔或肺门异常

• 胸膜腔异常，包括气胸

肺结节是肺部一种小而圆的影，可能需要进一步评估。实变则指肺组织内被液体或其他物质填充，而非空气。

纵隔和肺门异常涉及胸部中央结构。胸膜异常影响肺部周围的空间，空气或液体积聚可能造成紧急问题。

Chest XRay 会在疑似区域周围标出带标签的方框。其结果会与原始 X 光片一同显示，作为同步阅片辅助工具，这意味着临床医生在解读检查时可以同时看到 AI 结果。

该产品不会自主作出诊断，也不会取代放射科医生、急诊医生或标准诊疗流程中的其他检查。其受监管功能是将注意力引向值得复核的图像区域。

这一限制很重要，因为“基础模型”一词可能让人联想到更广泛的能力。而在这款产品中，FDA 批准的输出仍受预期用户、患者群体、图像类型及四类发现的限制。

此次最新批准也延续了更早的一项决定。FDA 曾于 2025 年 2 月 27 日根据 K241620 批准原始版本 ChestView US。DeepHealth 将 2026 年发布的版本描述为这项收购技术的下一代产品。

根据 公司公告，更新后的产品保留了 ChestView 已获批准的功能。美国和欧洲的现有客户均可获得更新。

因此，这项公告既代表监管事件，也意味着产品过渡。RadNet 正在将收购自 Gleamer 的系统纳入 DeepHealth 更广泛的品牌、销售和开发战略。

这也构成了核心张力：获批的任务是熟悉的计算机辅助检测，而其底层技术与商业主张则大得多。

基础模型改变开发流程

DeepHealth 的核心论点是：一个经过广泛训练的图像模型，无需每次重建技术基础，便可支持多种受监管工具。

基础模型先在大型、多样化数据集上训练，再适配到更狭窄的任务。在放射学中，它能够学习大量医学影像中反复出现的视觉关联。

传统医学影像 AI 往往从一个严格定义的问题起步。例如，团队可能收集带标注的气胸病例，构建专用模型，对其验证，并提交这套特定系统以获得批准。

针对另一项发现时，同样的流程又要重新开始。这种结构能产出聚焦的产品，但也可能带来彼此独立的数据流程、集成工作、验证项目和维护要求。

DeepHealth 正在采取不同的架构。该公司称，Chest XRay 基础模型可从海量胸部影像中学习广泛模式，产品团队随后可以将这一共享表征适配为更多发现类型或工作流程功能。

这并不意味着不再需要针对特定任务的开发。每一项新的临床输出仍需要清晰规范、适当训练、测试、风险控制以及监管审查。

潜在优势出现在流程的更前端。可复用模型能为开发人员提供共同的技术起点，而不是一片空白的工作区。

DeepHealth 表示，同一底层模型已经支持获得 CE 标志认证的欧洲版 Chest XRay。根据内部部署数据，该版本每年分析超过 280 万项检查。

这一数字体现了运行规模，但并不能证明临床优越性。部署量表明系统能够处理大量工作负载，却无法单独说明其敏感性、特异性、临床医生行为或患者结局。

较早的 批准摘要则为产品所定义的检测任务提供了更具体的证据。其独立临床性能研究纳入了 3,884 例胸部 X 光片病例。

报告的曲线下面积结果包括：结节为 0.930，实变为 0.952，纵隔或肺门异常为 0.922。同一申请还报告，胸膜腔异常的结果为 0.966。

曲线下面积衡量模型在不同阈值下区分阳性与阴性病例的能力。数值越高，表示区分能力越强，但它并不描述某一个临床运行点上的表现。

这些结果支持原始受监管应用，但不应自动外推至未来发现类型、自动化报告，或基于同一基础模型构建的交互式体验。

DeepHealth 的主张在于开发杠杆效应。如果共享模型具有良好的迁移能力，公司便能以更少的重复技术工作增加功能。

FDA 仍评估完成的设备，而不是平台的一般性承诺。每一种实质性的新用途都必须符合适用的监管路径，并具备相应证据支持。

这为基础模型放射学带来一项严格检验：只有当该架构产出经过验证、可供临床医生部署、监测并信任的应用时，它才具有意义。

RadNet 正将一项收购转化为分销战略

RadNet 可借助每年完成逾 1,200 万项检查的影像业务，对 DeepHealth 软件进行测试、分销和迭代优化。

RadNet 于 2026 年 3 月完成对 Gleamer 的收购。这笔全现金交易的价值最高达 2.3 亿欧元，其中包括一项交割后里程碑付款。

这项 Gleamer 收购新增了四款获 FDA 批准的设备和六款获得 CE 标志认证的设备，覆盖超过 25 项适应症，也扩展了 DeepHealth 在 X 光和肌肉骨骼影像领域的能力。

Chest XRay 展示了 RadNet 打算如何运用这一产品组合。该公司并未将 Gleamer 视为一组彼此孤立的算法，而是将这些产品整合进更广泛的临床 AI 和影像信息化产品体系。

这种整合很重要，因为医学影像采购方很少只评估算法。他们还会考虑安装、图像路由、工作站访问、报告、网络安全、监测、支持和合同管理。

即便一款检测器在技术上表现出色，若它增加了新的屏幕或打断既有阅片习惯，仍可能难以推广。软件必须在临床医生已经使用的系统中交付结果。

Chest XRay 面向云端部署设计，可与放射设备或图片归档与通信系统连接。PACS 可在临床工作流程中存储和显示医学影像。

该软件通过 DICOM 连接接收 X 光片，处理后返回标注结果。DICOM 是用于交换医学影像及相关信息的标准。

这种设计使产品能够在熟悉的阅片环境中呈现发现结果。原始 X 光片保持不变，而系统会创建包含带标签区域的独立结果文件。

RadNet 的网络为 DeepHealth 提供了一个不同寻常的验证场景。截至 2026 年 6 月 30 日，RadNet 运营着 442 家影像中心，报告的年检查量超过 1,200 万项。

该公司还表示，X 光检查约占其影像量的近四分之一。这让 RadNet 有经济动机在常规、高量检查中改善解读工作流程。

胸部 X 光片出现在急诊、住院、门诊和紧急护理场景中，可能涉及常见病例、细微发现，或需要快速升级处理的状况。

能够提升一致性或减少可避免复核时间的系统，可能影响大量检查。当这种微小的工作流程改变被复制到整个网络时，也可能变得意义重大。

然而，拥有分销网络既是一种优势，也意味着责任。内部部署可以快速产生运营证据，但外部客户仍需要看到适用于其自身人群的结果。

医院在设备、图像质量、疾病患病率、人员配置和临床规范方面各不相同。不能简单地假设 RadNet 内部的表现会在其他地方重现。

因此，DeepHealth 必须证明该集成能在母公司环境之外发挥作用。最有说服力的证据将来自多样化的站点、透明的研究设计，以及与执业放射科医生相关的结果。

RadNet 还需要将产品价值与产品组合便利性区分开来。采购方或许更偏好一体化供应商，但整合本身并不会让每一种算法都成为临床必需品。

只有当 Chest XRay 在不造成警报疲劳的情况下改善工作时，公司的优势才会持久。这一结果需要的不止是一封批准函。

专用胸部 X 光 AI 厂商面临更广泛的平台

Chest XRay 加大了对单点解决方案厂商的压力，因为 DeepHealth 可以将检测功能与工作流程软件、报告工具及其他影像应用结合起来。

胸部 X 光 AI 市场已经拥有获批准用于检测、定位和分诊的产品。这些系统在预期用户、发现类型、输出和工作流程角色上各不相同。

Qure.ai 于 2026 年初获得 qXR-Detect 的 FDA 许可。该系统会突出显示疑似发现，并将临床医生引导至胸部 X 光片上的相关区域。

根据 qXR-Detect coverage，Qure.ai 使用超过 900 万例检查训练其系统。该公司称，该产品已处理超过 1,000 万张图像。

Qure.ai 还表示，测试显示该产品在排除无明显异常的胸部 X 光片时，阴性预测值达到 99%。公司称周转时间最多可缩短 40%。

这些是供应商报告的结果，且对应的是不同产品和研究设计。它们无法与 Chest XRay 的曲线下面积数值直接比较。

Imagen Technologies 也拥有一款获 FDA 许可的 Chest-CAD 产品。Vuno 销售已获许可的胸部 X 光分诊软件，其他供应商则聚焦于单项紧急发现。

因此，该领域存在多种技术路径：

• 多发现并发检测，在阅片过程中显示可疑区域

• 分诊软件，帮助重新确定可能存在紧急发现的病例优先级

• 单一疾病检测器，针对气胸等发现

• 报告辅助，帮助结构化记录观察结果或生成报告草稿

• 基础模型平台，在多种输出中复用共享模型

DeepHealth 正试图连接其中的多个层面。Chest XRay 目前可进行并发检测，而公司也在讨论未来增加更多发现类型和交互式工作流能力。

这一更广泛的路线图会改变采购决策。医院可能会比较专业检测器与覆盖胸部、乳腺、神经、前列腺和肌肉骨骼影像的套件。

该套件可以减少合同签订和系统集成工作。它也可能将运营依赖集中于单一供应商。

点解决方案公司仍保有重要优势。聚焦型产品可以在狭窄适应症中胜过广泛平台，也能提供更清晰的证据、更快的迭代速度或更深入的专科专业能力。

基础模型架构并不能决定这场竞争的结果。买方不能只看产品架构便推断其临床价值。

他们需要针对实际使用场景的证据，包括亚组表现、假阳性负担、阅片时间影响、用户依从性，以及在不同影像设备上的结果。

因此，竞争关键并非基础模型与旧式神经网络之间的孤立对比，而是可复用开发与整合式分销，对阵专业化证据与聚焦式执行。

如果其共享模型能迅速产出多项有用的许可，DeepHealth 将获得优势。若专业供应商的产品能在高价值任务中带来更佳结果，它们仍将保持竞争力。

压力同样落在医院买方身上。他们必须判断产品组合的广度是简化治理，还是带来更大的验证义务。

FDA 摘要、本地测试、工作流决策和供应商变更的可检索记录，能够支持这类评估。评估多个系统的团队，可能会受益于共享的技术知识库。

当供应商更新构建在持续演进基础模型之上的软件时，这类文档尤其重要。临床团队需要了解哪些内容发生了变化、哪些许可仍然有效，以及哪些本地检查必须重新进行。

FDA 许可并不验证整个基础模型路线图

该许可确认的是某一特定设备的实质等同性，而非 DeepHealth 将其基础模型关联的所有未来能力。

510(k) 许可不同于对某一技术类别的广泛认可。根据 FDA 的 510(k) process，监管机构会判断设备是否与适当的、已合法上市的对照设备具有实质等同性。

ChestView US 1.1 版是一款 II 类医学图像分析器。其分类附带对算法描述、性能测试、软件文档、标签和局限性的特殊控制要求。

这一分类也明确了产品的角色。它将临床医生引导至现有图像中可能显示异常的区域，并非旨在取代合格的人工阅片或给出诊断建议。

这一边界挑战了围绕基础模型的一些表述。模型可以包含广泛学习到的表征，但其商业化医疗设备可能仅提供狭窄且受控的输出。

DeepHealth 表示，该架构可以加速增加更多发现类型和工作流能力。这是一项面向未来的产品主张，而不是 FDA 对未发布功能的认定。

有三项不确定性尤其值得关注。

首先，公开材料并未说明基础模型能在多大程度上加快监管产品开发。更短的开发周期将支持 DeepHealth 的平台论点。

该公司尚未为本次发布公开提供传统模型对比。因此，读者目前无法量化其所称的开发优势。

其次，欧洲年度检查量并不能说明临床医生如何响应输出结果。采用指标最终应包括警报接受率、阅片行为、人工覆盖以及后续随访。

模型可以处理数百万张图像，却在不同站点带来不均衡的价值。只有部署证据将两者关联起来，规模与收益才存在联系。

第三，当前产品覆盖四大类发现。一张胸部 X 光片还可能包含许多其他重要发现、医疗器械、摆位问题和术后变化。

当没有出现标记框时，软件输出不应造成虚假的安心感。未标记区域并不意味着检查结果正常。

假阳性同样重要。更多标记框可能提高敏感性，却也可能减慢阅片速度，或使临床医生忽略未标记的异常。

原始许可摘要报告了诊断区分能力，但实施仍需要更多运营层面的证据。买方需要了解产品在所选阈值下以及在自身病例构成中的表现。

亚组表现是另一个悬而未决的问题。年龄、性别、共病、床旁影像、患者摆位和设备都会影响 X 光片外观。

FDA 特殊控制要求针对重要队列进行适当测试和披露。医疗系统在依赖新工作流之前，仍应进行本地验证。

自动化偏差增加了人为因素。临床医生可能会高估机器建议，尤其是在繁忙班次或重复性工作中。

并发阅片设计仍由医生承担责任。只有培训和界面设计能够保持独立的临床判断，这项保障才会有效。

模型维护带来进一步挑战。基础模型鼓励持续扩展，但受监管的医疗软件不能在无形中发生改变。

客户需要清晰的版本管理、发布说明、验证边界，以及评估重大更新的程序。当多个产品共享技术组件时，平台会变得更难治理。

这些不确定性均不否定该许可。它们界定了该决定确立了什么，以及没有确立什么。

FDA 的行动允许 DeepHealth 为指定用途销售更新后的产品。市场现在必须判断，这一平台故事能否带来可衡量的临床和运营优势。

三个信号将显示 Chest XRay 是否成为平台

下一项检验并非又一段关于模型的营销描述，而是共享架构改善产品和临床工作的证据。

第一个信号，是发布另一项源自同一胸部基础模型并获 FDA 许可的能力。DeepHealth 将 Chest XRay 定位为更多发现类型和工作流功能的基础。

后续许可若能清楚地证明其与共享模型的关联，将强化这一论点。它将表明，该架构支持的不止一个受监管产品周期。

时机很重要。如果 DeepHealth 能够比传统开发模式更快地从经验证的想法推进至获许可的应用，平台主张将更具实质内容。

较长的间隔并不能证明这种方法无效。但这会表明，监管、临床验证、集成和产品设计仍是主要制约因素。

第二个信号，是来自美国日常实践的多中心证据。有价值的研究应报告该产品在不同医疗系统、设备、患者群体和临床环境中的表现。

阅片者研究可以显示 Chest XRay 是否能在不造成不可接受的特异性损失的前提下提高敏感性。工作流研究可以衡量阅片时间、周转时间和升级处置行为。

最有力的证据将算法输出与临床医生表现联系起来。独立模型准确性很重要，但该产品旨在辅助人工阅片者。

真实世界监测还应描述失效模式。医院需要了解哪些图像会导致漏诊、不必要的标记框或表现不一致。

第三个信号，是外部商业采用。RadNet 的内部网络提供了规模，但向无关联医院销售带来了更严苛的检验。

外部客户必须将 DeepHealth 与成熟 AI 供应商、本地开发工作，以及不购买额外软件的选择进行比较。

仅凭合同无法解决这一问题。续约、扩大部署和持续使用，能更有力地证明产品适合临床工作。

这些信号也将揭示主要竞争结果。DeepHealth 希望买方将一个基础模型视为通向众多集成能力的路径。

点解决方案供应商则希望买方重视聚焦表现和专业化。在部署证据将两者区分开之前，两种策略都仍然可信。

对于开发者而言，这一教训同样务实。基础模型可以减少重复的表征学习，但无法消除针对产品的评估需求。

对于企业买方而言，该许可只是尽职调查的起点。应审查获批适应症、研究人群、运行阈值、集成设计和更新政策。

对于放射科医生而言，Chest XRay 仍是一套辅助系统。它的标记框可以吸引注意力，但临床医生必须解读完整检查结果和临床背景。

RadNet Chest XRay AI 已跨过其当前检测任务的监管门槛。下一个问题是，DeepHealth 能否将一项获许可的应用转化为可重复的临床平台。

关注下一项 FDA 申报、独立的美国工作流结果和外部医院续约。这三个信号将显示，基础模型究竟改变了放射学开发，还是仅仅改变了其品牌包装。