Highlights & News
引领超声影像AI革命，EchoCare“聆音”超声大模型正式开源
发表日期： 2025年12月24日
近年来，随着人工智能技术在医疗领域的深入应用，医疗影像智能化迎来前所未有的发展机遇。今年9月，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）在香港发布了EchoCare“聆音”超声基座大模型。该模型在超声图像分割、分类、检测、增强等10项典型医学任务中表现出色，备受关注。近日，CAIR正式开源了EchoCare“聆音”模型及权重，旨在为开发者和医疗机构提供强有力的技术支持，进一步加速超声影像AI诊断的普及与应用。
操千曲而后晓声，观千剑而后识器
聆音源于成语“聆音察理”，出自南朝刘勰的《文心雕龙·知音》，文中提到“操千曲而后晓声，观千剑而后识器”与超声大模型的研发理念高度契合。
EchoCare“聆音”是一款专注于真实临床场景的超声基座大模型。通过创新的架构设计和大规模专业数据集的训练，它能够精准识别和分析复杂的超声影像，有效克服传统超声AI模型中普遍存在的技术瓶颈，包括对大规模标注数据的依赖、难以处理长尾分布问题、模型泛化能力不足以及缺乏足够领域知识等。
在多家大型三甲医院的临床回溯性验证中，EchoCare“聆音”不仅可以理解超声影像的细微差异，还能提供精准的病灶定位和诊断建议，成为医生在超声检查中的可靠助手。
450万张大规模超声影数据集喂出个“AI超声神医”
EchoCare“聆音”依托450万张超声影像数据集EchoAtlas训练而成，涵盖五大洲20多个国家的23个医疗中心、38种成像设备采集的图像，覆盖人体9大区域和56个解剖器官，是目前规模最大的超声影像数据集之一。
多样化的样本来源，使得EchoCare在面对不同设备、不同时区、不同人群时表现出极强的鲁棒性和泛化能力。
“架构+范式”革新，专为超声定制的分层学习架构
EchoCare“聆音”首创结构化对比自监督学习框架，无需大量标注数据即可实现特征学习与下游任务解耦，其采用的设计层级化双分支架构，贴合临床诊断逻辑，实现“看懂图像”与“理解结构”的统一。
结构化对比自监督学习框架，引入基于医学先验的层次化树形标签，实现多标签语义关系结构化学习与隐式编码，提升模型对超声影像深层语义的建模能力。
图像掩膜重建技术，通过对图像进行掩膜重建，增强模型对图像局部特征的学习和理解，提高模型的鲁棒性和泛化性能。
自适应困难图块挖掘技术，自动识别并聚焦于难以学习的图像区域，针对性地加强学习，提升模型对复杂图像的处理能力。
渐进式训练策略，采用渐进式训练方法，逐步增加模型训练的难度和复杂度，帮助模型更好地适应不同类型的超声图像，提升整体性能。
横扫十大临床任务，相对SOTA性能平均提高3%~5%
EchoCare“聆音”覆盖了从基础影像处理到复杂诊断任务的全流程，在10个极具代表性的下游临床任务上，仅通过少量微调，其性能便全面超越了现有的SOTA模型。
超声图像分割：精准地对超声图像中的不同组织和器官进行分割，帮助医生更清晰地识别病变区域和正常组织的边界，为诊断提供更准确的依据。
病变分类：通过对超声图像中的病变进行分类，如区分良性和恶性肿瘤等，辅助医生快速判断病变的性质，提高诊断效率。
器官检测与分割：不仅可以检测出图像中的器官位置，还能对器官进行精确分割，为后续的诊断和治疗提供详细的解剖信息。
图像增强：对超声图像进行质量提升，改善图像的对比度和清晰度，使医生能够更清楚地观察到细微的结构和病变，减少误诊的可能性。
报告生成：根据超声图像分析结果自动生成诊断报告，节省医生撰写报告的时间，提高工作效率，同时保证报告的准确性和一致性。
智能分诊，减负医生，造福患者，打通临床“最后一公里”
EchoCare“聆音”的标准化分析能力可有效降低重大疾病的漏诊与误诊率，显著提升临床诊断的效率与规范性，不仅为基层医疗工作者提供强有力的技术支持，也为医疗行业的智能化升级带来了更多可能性。
医院常规检查，显著降低对专业人员的依赖，协助医生更高效、更精准地进行诊断，有效提升医疗服务效率，为医疗资源的优化配置提供更多可能性。
疾病诊断与筛查，可用于多种疾病的诊断和筛查，包括妇产科卵巢肿瘤良恶性分类、甲状腺结节检测与良恶性分类、心脏超声主动脉瘤检测与分析等。
临床适配与研究，可利用模型推进前瞻性研究、急诊室场景应用，同时也可以联合医疗企业进行硬件集成，打造高度智能的设备终端。
基层医疗赋能，可辅助基层或偏远地区的医疗工作者在医疗资源相对有限的情况下，完成高水平的诊断，提升医疗公平性和普惠性。
全面开放权重模型，赋能AI开发者、医院、医疗企业
EchoCare“聆音”模型及权重现已正式开源，广大开发者和医疗机构、企业均可免费使用。在模型使用过程中，如遇任何技术问题，欢迎随时与我们交流、互动。CAIR将积极提供技术支持，与用户共同探讨解决方案，推动超声影像AI技术更广泛、更深远的应用。
模型官网：http://echocare.cares-copilot.com/
Github仓库：http://github.com/CAIR-HKISI/EchoCare
arXiv技术论文：http://arxiv.org/pdf/2509.11752
各界点评
EchoCare“聆音”自发布以来，凭借其在超声AI领域的重大突破，引发了全球的广泛关注。目前，该创新成果已被上百家海内外媒体报道，成为医疗AI领域的焦点。众多权威主任医生、知名AI社区、学者及企业纷纷发表点评，给予了高度评价，认为其在推动超声影像智能化发展方面具有里程碑意义。
山东大学齐鲁医院超声科主任、主任医师陶国伟
EchoCare“聆音”有效弥补了医生经验差异，提供客观、标准的图像解读，提升诊断一致性及恶性肿瘤的识别灵敏度。该技术可有效赋能一线医生，优化诊疗路径，从而让更多患者受益。
中南大学湘雅医院一级主任医师、普外科教授常实
EchoCare“聆音”通过对结节的影像特征进行智能识别与量化分析，可有效减少人为差异，提升检出效率与分类一致性，为早期诊断与个体化治疗决策提供可靠支持。该系统可以促进甲状腺结节的分级诊疗，优化并节约相关医疗成本。
香港中文大学医学院外科学系教授、心胸外科主任黄鸿亮
EchoCare“聆音”解决了传统超声诊断中“操作员角度不同导致结果差异”的难题，在主动脉关键指标测量上，平均误差仅1毫米，其重复性与一致性甚至媲美经验丰富的心脏科医生，不仅提升了诊断精度，更大幅提升了效率。
专业的人工智能媒体和产业服务平台-机器之心
EchoCare“聆音”的技术价值不仅体现在超越现有模型的准确率与泛化能力，更在于构建了"大规模数据-定制化架构-多场景验证"的超声AI研发范式，为行业发展提供了新思路。未来，随着多模态融合、知识驱动学习等技术的发展，超声AI将从"图像分析工具"进化为"全流程临床决策伙伴"，为精准医疗和个性化医疗的实现提供强大支撑，最终实现"以患者为中心"的医疗AI发展目标。
专注AIGC领域的专业社区，聚焦LLM的市场研究和开发者生态-AIGC开放社区
当EchoCare“聆音”这个AI大脑，与超声机器人这双巧手结合，一幅未来医院的图景就清晰地展现在我们面前：病人躺下，机器人自动完成标准化的全身超声扫描，AI实时分析图像，生成诊断报告，然后交给医生做最终的决策。这不仅能把医生从繁重的重复性劳动中解放出来，更能让优质的超声诊断服务，跨越地域和经验的鸿沟，抵达每一个需要它的角落。所以，EchoCare的发布，可能不仅仅是一个模型的诞生，更是一个时代的开始。
超声医工交叉领域最新技术及产业布道者-医工超人
作为开放源代码的医学大模型，EchoCare“聆音”打破了传统超声设备间的兼容壁垒，释放多中心数据价值，为医疗机构提供可复用的AI基础设施。这不仅加快了超声AI的大规模应用落地，也为智慧医疗产业的持续创新注入新动能。
华东师范大学研究员、博士生导师陈建刚
EchoCare“聆音”不只是一个算法，而是超声领域的AI医生，在临床测试中，能够精准识别甲状腺、乳腺、肝脏等疾病，误诊率、漏诊率明显下降，还能自动生成标准化报告，为医生节省大量时间。这项技术的核心价值在于，减轻了医生的负担，让优质诊断触手可及。在基层医院或偏远地区，经验不足的医生，也能够借助它完成高水平的诊断。未来，它还能够结合超声机器人，实现远程检查和实时分析，为分级诊疗和医疗资源优化带来革命性的变化。
华为 · 研究工程师52CV
EchoCare“聆音”的出现，就像为超声AI领域打造了一台强大而通用的“引擎”。研究者和开发者不再需要为每个新应用都去“造轮子”，而是可以在这个强大的引擎之上，快速、低成本地构建出各种各样的临床应用。这无疑将极大地促进超声AI技术的创新与普及，最终惠及全球的医生和患者。
博鳌一龄生命养护中心区域服务中心总裁彭楚雯
EchoCare“聆音”能实时分析超声视频，并且生成诊断报告，特别是在基层医院，它能达到三甲医院的专家水平，就算在偏远山区，也能享受到顶级医疗，从而挽救更多的生命。AI不是要取代医生，而是让医生做得更好，医疗公平正一步步实现。
相关链接如下：
「聆音」EchoCare超声基座大模型在港发布，CAIR新成果助推AI超声进入大模型时代
EchoCare聆音超声大模型获海内外关注，引领医疗AI新高度
CAIR开源发布超声基座大模型EchoCare“聆音”，10余项医学任务性能登顶
香港中科院发布聆音大模型，400万张图喂出个“AI超声神医”
重磅发布| 中科院香港创新研究院CAIR中心发布“EchoCare”超声大模型！超声影像智能诊断进入大模型时代
中科院等发布EchoCare：基于450万全球数据的开源超声基础模型，横扫十大临床任务