当影像数据以每年20%的速度增长、而放射科医生数量却停滞不前，AI正悄然成为医学影像工作流中最关键的“隐形同事”。

在美国，每一位放射科医生每天平均需要阅读上百幅影像，并撰写数十份报告。繁重的文字工作让许多医生疲惫不堪——医学影像数据正以每年20%的速度激增，而放射科医生数量增长率却不足2%。这种日益扩大的供需缺口，让传统的人工书写方式陷入效率瓶颈。

放射报告撰写既要精准又要符合规范，从发现（findings）到印象（impression），每一个词语都可能影响临床决策。然而，在这个以秒计数的诊断世界里，医生不得不花费更多时间在键盘上，而不是影像前。

一位美国大型医疗系统的放射科主任在接受媒体采访时坦言：“我们每天都在和时间赛跑。AI或许不是为了取代医生，而是为了让医生重新拥有时间。”

在这样的背景下，Rad AI应运而生。作为全球首批将生成式人工智能系统性引入放射学报告生成的公司之一，Rad AI以“让医生节省时间、减少倦怠、提升护理质量”为使命，在短短几年内成为美国医疗AI最受关注的企业之一。成立于2018年的Rad AI总部位于加州旧金山，目前已覆盖全美40%以上的健康系统，并与美国十大放射实践中的九家建立了长期合作。其核心产品不仅改变了放射报告的生成方式，更重新定义了AI在临床工作流中的角色——从工具到伙伴。

01 创立背景：由放射科医生创立的AI公司，从临床痛点出发的精准定位

Rad AI的诞生并非源于算法实验室的灵感，而是源自一位医生的日常困境。联合创始人Jeff Chang是一位放射科医生，也是美国历史上最年轻获得放射学认证的医学博士。长期的临床实践让他亲眼见证了同行在报告撰写、病例分析和随访管理中面临的高负荷与重复劳动。

在传统放射流程中，医生平均每天花费3-4小时在报告撰写上，每一份影像报告都要经过细致的口述、编辑、审核与归档，而任何疏漏都可能影响诊断。更令人沮丧的是，医生往往使用语音识别软件口述报告，然后再手动修改。然而，这些系统常常出错，甚至误识别关键术语，导致修正时间比直接输入还要长。

Jeff Chang在一次行业会议上回忆道：“我亲眼看到资深放射科医生因为文书工作而延迟下班，也看到年轻医生因为报告压力而萌生退意。我意识到，放射学需要的不只是更好的语音识别，而是一个能真正理解临床语言、掌握医学逻辑的AI伙伴。”

来源：Rad AI官网

2018年，他与连续创业者Doktor Gurson共同创立了Rad AI。Gurson拥有丰富的创业与AI产品经验，曾成功创办并退出两家科技公司。二人决定打造一个以“AI赋能医生”为核心的公司，将Jeff的临床洞察与Gurson的技术商业化能力完美结合。

公司的使命被明确地写进成立宣言：“通过AI减少医生的重复劳动，使他们能更专注于诊断、科研与患者沟通。”这一理念贯穿了产品设计的始终。

公司初期在旧金山成立，并迅速获得了放射社区的关注。不同于那些从科研机构孵化出来的AI影像识别公司，Rad AI聚焦的是医生每天都要面对的文字工作。正如Gurson在一次采访中所言：“我们不是在做识别肿瘤的AI，而是在做帮助医生讲述诊断故事的AI。”

这种“从医生痛点出发”的理念，成为Rad AI早期迅速被医疗系统接受的关键。通过结合Jeff Chang的临床视角与团队的机器学习能力，公司从放射报告写作这个细分场景切入，用生成式AI重构了整个放射报告的生成逻辑。

自2019年推出首款产品以来，Rad AI的用户群迅速扩大。到2023年底，公司已在美国超过50%的影像中心和健康系统中部署。医生普遍反馈，使用Rad AI后平均每班可节省60分钟以上的报告时间，同时报告一致性和质量显著提高。

02 技术内核：从语义理解到报告生成的智能闭环，构建生成式医学语言平台

如果说传统AI影像公司专注于“看懂图像”，Rad AI则专注于“说清诊断”。这家公司的核心竞争力在于其独特的生成式AI架构——能够将放射医生的口述内容、历史报告、临床数据与指南知识融合，生成既符合临床语义又满足监管标准的报告文本。

Rad AI的技术体系由两大核心产品组成。其一是Rad AI Impressions，专门负责生成放射报告的印象部分；其二是Rad AI Reporting，扩展至整个报告生成流程。

Impressions模块基于自然语言处理（NLP）与生成式模型技术，能够在医生完成口述“发现（findings）”后，自动生成符合临床逻辑的印象（impression）。系统不仅理解医学术语，更能提取逻辑关系，如“结节大小较上次检查增加”“影像显示炎症吸收良好”等，生成风格可根据医生或机构的偏好定制。

来源：Rad AI官网

在放射学实践中，报告印象部分往往是最耗时也最关键的部分。Impressions能够在几秒钟内生成初稿，医生仅需核对并微调，大幅减少书写时间。根据公司统计，平均可减少90%的手动输入量，使得报告完成速度提升一倍。

Reporting模块进一步实现了完整工作流自动化。从语音输入、结构化字段填充到模板自动调用，再到智能校对与一致性检测，系统几乎覆盖了放射报告书写的全流程。它能够识别未变化的发现并自动引用，避免冗余描述；同时检测语义矛盾，防止“发现正常但印象异常”这类逻辑错误。

来源：Rad AI官网

Rad AI的工程团队称这一系统为“生成式医学语言平台”。其底层使用多层语言模型，包括经过放射报告语料微调的Transformer架构与自研领域适配层。系统持续通过反馈学习——每一次医生修改报告的行为，都会反向优化模型，形成越用越精准的良性循环。

放射报告的完成并非工作终点。Rad AI在2024年推出了Rad AI Continuity模块，填补了放射科最易被忽视的一环——随访闭环。

在临床实践中，医生常在报告中提出“建议进一步检查”或“建议3个月复查”的提示，但这些建议往往在实际执行中被遗忘。研究显示，超过40%的放射学随访建议未能得到及时执行，导致疾病监测出现漏洞。

来源：Rad AI官网

Continuity模块通过自然语言理解算法自动识别这些建议，生成随访任务，并在系统内追踪执行状态。例如，当报告提到“右肺上叶结节，建议6个月后复查CT”时，系统会自动生成随访提醒并推送给患者管理团队或电子病历系统。当复查结果返回后，系统自动关联前后影像并生成比较报告。

这一闭环流程让放射学从信息孤岛变为持续监测的动态系统。根据Rad AI公布的数据，在应用Continuity模块的医疗系统中，患者随访完成率从约30%提升至超过75%。这一变化不仅提升了医疗质量，也减少了延误诊断的风险。

Rad AI的技术优势还体现在可解释性。与一般语言模型不同，医疗AI必须对每一个输出负责。Rad AI系统在生成报告时，会在后台记录每个句子来源的数据依据——是来自医生口述、影像比较还是指南引用。系统还会自动插入标准化建议，如Fleischner肺结节指南、甲状腺结节管理指南等，使报告符合权威标准。

此外，Rad AI通过多层安全机制防止“幻觉”输出。任何未经医生确认的推论不会直接写入报告；AI生成的文本始终以“建议草稿”的形式呈现，医生是最终决策者。这种“AI辅助、人类主导”的策略，使系统兼顾了效率与安全性。

在工程实现上，Rad AI使用云端推理架构以保证低延迟响应，结合分层缓存与安全加密，实现了零服务器安装、快速集成的特性。系统支持与主流PACS、RIS、EHR平台兼容（如Epic、Cerner等），这让其几乎可在任何医疗机构无缝落地。

来源：Rad AI官网

截至2025年，Rad AI的系统已被用于数百万份放射报告的生成。根据Radiology Business的报道，公司在2020—2023年间的收入增长超过8700%，是同类企业中增长最快的一家。其解决方案被认为在“报告质量、医生满意度与工作负荷改善方面均达到临床级效果”。

来自一家大型健康系统的反馈数据显示，使用Rad AI后平均报告周转时间缩短30%，医生日均阅读影像数量提升20%，而报告差错率下降约40%。

正如一位医生在用户访谈中所言：“它就像一个懂医学的写作助手。我仍然掌握最终判断权，但我不再被文字拖垮。”

03 商业模式：为三方创造共赢的智能生态，SaaS与价值共享的完美结合

在医疗AI领域，技术创新只有转化为稳定的商业模式，才能真正实现持续增长。Rad AI的商业架构体现出一种兼具SaaS灵活性与医疗行业契合度的设计，其核心收入来源包括平台订阅、部署与服务费、以及基于数据与洞察的增值模式。

Rad AI采用按机构规模与使用量计费的订阅模式。医疗系统或放射实践支付年度许可费即可使用Impressions、Reporting和Continuity模块。基础套餐覆盖核心功能，高级版本则提供定制模板、机构专属训练模型及多地点协同功能。

这种模式的优势在于高粘性与可预测性。由于系统深度嵌入医生的日常工作流，客户更换供应商的成本极高。公司披露其客户续约率超过95%，是医疗SaaS中少见的高留存率案例。

Rad AI的第二收入来源是一种创新的 “绩效分成”机制。在部分项目中，公司不收取高额前期费用，而根据客户实际节省的成本、提升的效率比例收取服务分成。例如某大型放射集团在采用Rad AI后，将报告周期缩短25%，节省了大量加班与外包成本，公司因此获得了约定比例的绩效回报。

这一机制不仅增强客户信任，也体现了Rad AI对自身效果的信心。超过60%的新客户在选择基础订阅后，会升级为包含绩效分成的综合方案，显示出市场对这一模式的认可。

随着部署规模扩大，Rad AI积累了海量匿名化报告数据。公司基于这些数据提供行业洞察服务，帮助医疗系统进行绩效评估、质量对比与趋势预测。部分放射集团利用Rad AI的数据分析模块，识别了报告流程瓶颈和医生培训差距，从而优化人力配置。

此外，公司正在探索为保险商与研究机构提供数据合作接口——在严格遵守HIPAA隐私法规的前提下，输出统计级指标以支持研究与政策制定。这部分业务毛利率高、边际成本低，被视为未来潜在增长点。

Rad AI不仅提供工具，更试图构建“放射AI生态系统”。公司开放API，允许第三方AI模型接入其报告生成平台。例如，某影像识别模型公司可将检测结果直接嵌入Rad AI报告模板，实现“识别+生成”的闭环。

这种生态式架构正在吸引更多AI合作伙伴，使Rad AI逐渐成为放射工作流的中枢平台。目前，已有超过10家专业AI影像公司通过Rad AI平台向医疗机构提供服务，形成了良性的产业协作生态。

Rad AI CEO Doktor Gurson在一场采访中曾表示：“我们不只是卖软件，而是在重建医生的工作方式。”在其商业哲学中，技术的核心价值不在取代人，而在于释放人的创造力。

04 融资历程：资本押注生成式医疗的未来，从概念验证到市场领导者的跨越

Rad AI的融资轨迹几乎可以作为医疗AI赛道资本兴趣演变的缩影。自2018年成立以来，公司在短短六年内完成多轮融资，总金额超过1.4亿美元，其投资方阵容涵盖硅谷顶级VC与多家大型健康系统。

2020年，Rad AI获得早期风险投资机构的种子资金，用于验证生成式报告原型。同年，公司在美国多家放射机构完成试点，初步验证技术可行性。2022年底，公司完成A轮融资，金额未披露，但随即启动全国市场扩张。至2023年中，Rad AI已覆盖美国数十家主要影像网络。

2024年5月，公司宣布完成5000万美元B轮融资，由Khosla Ventures领投，World Innovation Lab、ARTIS Ventures、OCV Partners、Gradient Ventures等跟投。这轮融资使其总融资额突破8000万美元，并为后续的技术加速奠定基础。

来源：PR Newswire

2025年初，Rad AI再度获得6000万美元C轮融资，由成长型基金Transformation Capital领投。据Radiology Business报道，此轮融资后公司估值达到约5.25亿美元，成为美国估值最高的生成式医疗AI公司之一。

同年5月，公司又获得四家大型健康系统——Advocate Health、Memorial Hermann、Corewell Health、Atlantic Health System——的战略追加投资，总额约800万美元。这些机构不仅提供资本，更作为合作伙伴推动Rad AI产品在真实临床环境中的优化。

来源：PR Newswire

资本市场对Rad AI的青睐，反映出医疗行业对生成式AI的态度正在发生根本变化。投资机构Khosla Ventures的合伙人在声明中指出：“Rad AI不是在做炫目的AI概念，而是在解决医生每天都遇到的真实问题。它让AI真正进入临床。”

Forbes在报道中称Rad AI为“放射学中最具落地性的生成式AI应用”，并特别强调其与Google Cloud的战略合作将帮助公司提升数据处理与部署能力，实现大规模可扩展。

这一系列融资不仅为公司提供了雄厚的研发资金，更为其赢得了临床验证与市场信任。正如CEO Gurson在C轮发布会上所言：“我们的目标不是让AI更聪明，而是让医生的每一分钟更有价值。”

05 竞争格局：在AI浪潮中定义“生成式医学”的标准，构建多维竞争壁垒

在生成式AI席卷全球的浪潮中，医疗影像是最早迎来落地应用的领域之一。然而，与多数聚焦影像识别（diagnosis）的AI企业不同，Rad AI的定位极为独特——它不是替代医生“看图”，而是让AI帮医生“写报告”。这一差异使其在竞争格局中形成了鲜明的技术与市场区隔。

2020年以来，美国放射AI市场出现了两条主要技术路径。一条是以诊断辅助为核心的视觉AI路线，代表公司包括Aidoc、Viz.ai、HeartFlow等；另一条则是以流程优化与智能报告为中心的语言AI路线，Rad AI正是这一阵营的领导者。

Aidoc与Viz.ai在急诊场景中表现突出，帮助医生快速识别卒中、肺栓塞等高危病变，属于典型的“早期识别”类AI。而Rad AI的产品则深入到后端的文书环节，是放射科日常工作中“最后一公里”的智能化工具。两者的切入点不同，但都在构建放射智能生态。

根据Radiology Business的2025年市场分析，AI报告生成领域的主要竞争者包括以色列的Zebra Medical Vision（现已被Nanox收购）、美国的Lunit AI Reporting与DeepScribe Medical等公司。然而，Rad AI凭借其生成式模型的成熟度与在美国市场的广泛部署，明显处于领先位置。

一位参与过多家医疗AI企业投资的基金经理在采访中指出：“大多数AI影像公司仍停留在算法层面，而Rad AI已经进入工作流层面。这种差距不容易被复制，因为它依赖于与医院系统的深度集成和医生行为数据的积累。”

除了技术差异化外，Rad AI在临床合规与可解释性上也构筑了护城河。美国医疗AI领域受监管极为严格，任何直接影响诊断的AI系统都必须符合FDA的SaMD（Software as a Medical Device）标准。Rad AI通过限定AI仅生成报告草稿、医生最终审核确认的方式，有效规避了监管壁垒。这种“人机协同”的架构既符合临床伦理，也更易获得医生信任。

此外，Rad AI与主流EHR（电子健康记录）厂商建立了深度合作关系。其产品可直接嵌入Epic Systems、Cerner Millennium等主流系统，无需额外接口开发。这种兼容性成为其快速扩张的重要助力。

在学术层面，Rad AI也持续构建行业影响力。自2021年以来，公司每年在RSNA（北美放射学年会）上发布研究成果，展示其AI模型在效率、准确性与医生满意度方面的统计改进。据2024年RSNA大会公布的数据显示，Rad AI的报告生成系统在三项指标上均显著优于传统语音识别方案：

这些数据强化了Rad AI在业内的技术话语权，也为其进入更多大型医疗系统奠定了信任基础。

值得注意的是，Rad AI的领先地位并未使其停留在单一市场。2025年，公司已开始向英国、加拿大与澳大利亚扩展，针对不同国家的报告模板与监管体系进行本地化适配。特别是在英国NHS系统中，公司正在与伦敦King’s College Hospital开展试点，探索AI辅助报告的安全标准。这标志着Rad AI从“美国领先”向“全球基准”迈进的重要一步。

来源：Rad AI官网

竞争格局虽日益激烈，但Rad AI已凭借其独特定位、稳健合规和强大的临床验证，形成了系统级壁垒。它不是在AI公司之间竞争，而是在重构整个放射行业的工作范式。

06 未来展望：从报告生成到智能医疗生态的进化，定义下一代放射工作流

Rad AI的技术愿景远不止于生成报告。公司正在构建一个以医生为核心的AI赋能生态系统，让AI不仅是“写手”，更是医生的长期智能助理。

未来的放射科医生，不再需要机械地重复输入，而是与AI形成双向互动。Rad AI计划将其模型从被动生成转向主动预测——在医生阅读影像时，系统可实时识别关键变化并生成初步印象，医生的语音反馈则反向训练模型，实现真正的“协同诊断”。

这一方向已在内部项目“Rad AI Insight”中进行测试。该模块利用多模态AI，将影像特征、病历数据和历史报告结合，生成针对每个病例的风险摘要与诊断提示。虽然系统不会直接输出诊断结论，但可显著提升医生的分析效率。

Gurson曾在一次圆桌论坛上指出：“我们的目标不是让AI取代医生，而是让医生在AI的帮助下变得更好。未来十年，医疗AI的竞争不是模型性能的竞争，而是人机协作体验的竞争。”此外，Rad AI还在与多家医疗机构合作开发“自动病例摘要系统”，可在多科室会诊时生成统一摘要，帮助医生快速了解病情进展。若该系统成熟，将使AI在多学科协作（MDT）中扮演关键角色。

除了报告生成，Rad AI正在尝试利用积累的数据实现更深层次的临床洞察。其研究团队正开发基于纵向影像数据的“疾病进展预测模型”，例如通过连续CT影像分析肿瘤变化趋势，辅助制定个性化治疗方案。这一方向被视为公司未来最具战略意义的增长点之一。

在患者端，公司也在探索通过AI报告为患者提供更直观的健康摘要。传统放射报告往往充满专业术语，而Rad AI希望借助生成式语言模型，为患者生成通俗版本，帮助其理解检查结果。这一功能预计将在2026年推出，被认为有助于提升医疗透明度与患者参与度。

随着AI深入医疗核心环节，伦理与监管成为绕不开的话题。Rad AI在发展早期便设立了“AI安全与伦理委员会”，由放射科专家、数据隐私顾问及法律顾问组成，负责监督模型训练数据来源、偏差控制及输出审查机制。

来源：Rad AI官网

公司坚持的原则是：AI永不作出最终医疗决定，所有输出均需医生确认；任何训练数据均匿名化处理，符合HIPAA与GDPR要求；同时提供完整的版本控制与审计日志，确保可追溯性。

这些措施不仅符合监管要求，更在医生群体中建立了信任。Jeff Chang在2025年的RSNA演讲中表示：“医学AI最大的挑战不是准确率，而是信任。只有让医生信任AI，我们才能真正进入临床。”

长远来看，Rad AI希望成为医疗AI生态中的底层基础设施供应商，而不仅是单一产品公司。公司正在开发开放式平台，让医院和第三方开发者可在其架构上构建定制模块，如特定病种报告模板、自动质控工具等。

这意味着Rad AI的商业模式将从“工具公司”向“平台公司”转型，成为医疗系统数字化转型的重要支撑层。随着医疗数据互操作标准（如FHIR）普及，这一战略将使Rad AI的网络效应不断增强。

从更宏观的层面看，Rad AI正处于一个关键拐点——它不仅代表一家AI公司的成长，更代表整个放射学向智能化、自动化和个性化的时代转变。

07 结语：AI重塑医生时间的价值，技术赋能医疗人文的回归

在AI技术不断重塑产业结构的时代，医疗是最需要人性、也最能被AI赋能的行业。Rad AI的故事，正是技术与人文结合的缩影。

从一个放射科医生的个人痛点出发，到成为覆盖全美的医疗AI公司，Rad AI用六年的时间验证了一个朴素的理念：最有价值的AI，不是替代人，而是放大人的专业能力。

它让放射科医生从键盘和表格中解放出来，回到他们真正热爱的工作——阅读影像、做出判断、与患者沟通。那些被文字消耗的时间，如今被重新赋予了价值。

更重要的是，Rad AI代表了一种新的医疗AI哲学：不是冷冰冰的算法堆叠，而是对医生体验的深刻理解，对医疗流程的系统重塑，对临床安全的极致追求。它在放射科的成功，预示着生成式AI将如何重构医学的语言体系和知识传递方式。

未来的医院可能不再是一个由人手堆叠的文书工厂，而是一个由智能系统支撑的知识网络。AI生成的不仅是报告，更是医生的延伸、医学知识的再表达。

正如Doktor Gurson所说：“我们的目标不是让机器像人一样思考，而是让医生像人一样被释放。”

Rad AI所描绘的未来，是一个AI与医生共生的未来。在那里，技术成为时间的解放者，智能成为关怀的延伸者，医疗因此回归它最初的本质——让人类的健康更有尊严、更有效率、更有温度。

---

---