一个临床医生想用自己的研究数据训练一个AI模型需要做什么过去的答案是找算法工程师、写代码、调参数、反复迭代。一个课题从立项到出模型半年到一年是常态。数据处理、特征提取、模型构建分属不同工具数据在工具之间来回倒容易出错更难以复现。现在东软给出的答案是打开浏览器拖拽连线点击运行。把AI开发从“写代码”变成“搭积木”东软推出的“探索多模态医学人工智能平台”核心要解决的就是一件事——让不懂编程的临床医生也能独立完成医学AI研究。平台内置150多个流水线算子覆盖影像预处理、特征提取、机器学习、深度学习、统计分析等全流程。医生通过拖拽、连线的方式组合算子就能搭建一条完整的数据处理与分析流水线——这就是平台特有的“柔性科学计算工作流”无需写代码平台自动执行。更关键的是50多种机器学习与深度学习算法可以直接调用同类模型还能横向对比评估。医生不用纠结“用哪个模型更好”——试了就知道。对于想自己设计网络结构的研究者平台还提供神经网络自主编排能力把复杂的神经网络编码变成可视化编排过程编排完成后自动训练不需要设置任何参数。即使是深度学习建模的初学者也能完成专业级模型开发。多模态数据一次打通轻松应用医学研究的难点往往在数据。影像数据来自PCCT、CT、MRI、X光、数字病理、内镜等临床数据来自HIS、LIS、电子病历组学数据来自基因组、蛋白质组——多源异构格式不一整合起来耗时耗力。平台做的事情是统一管理影像数据、临床数据、组学数据、病理数据、人口学数据、随访数据支持DICOM、JPG、PNG、NII、CSV等多种格式用一致的标准存储和处理。数据导入后平台自动生成数据画像——缺失值、偏倚量、效应量、正态性、数据分布、质量分析、相关性分析一键出结果。在多模态融合分析场景下平台将不同模态的特征进行编码组合形成联合特征。医生可以用影像文本临床指标一起建模而不是只看单一维度从而更全面地理解疾病机制、发现新标志物。精准统计分析赋能科研发现对医学科研而言统计分析与机器学习同样重要。平台内置了完整的统计分析工具覆盖t检验、方差分析、卡方检验、回归分析、相关性分析等常用方法同时支持连续型变量统计等多种参数选择。统计结果可以条形图、直方图、箱线图、QQ图等形式直观展示原始数据一旦调整统计结果实时更新无需重新计算。更重要的是整个分析过程与结果一同保存支持完整重现确保科研严谨性。这让医生在建模之前就能深度理解数据特征为后续特征筛选和模型选择提供可靠依据。从课题到成果全流程闭环一个完整的医学AI研究不只是训练模型。平台覆盖课题管理、数据管理、数据处理、算法开发、模型训练、成果管理全流程。课题负责人可以在平台上分解任务、分配给团队成员、跟踪进度支持任务依赖关系和优先级设定。数据处理过程可追溯数据流图让每个数据集的来龙去脉一目了然。平台内置算法服务平台集成210内置算法支持算法的集成、共享和评价。团队训练的模型可以封装为标准格式导出部署到第三方平台使用——这意味着科研成果不再只停留在论文里可以真正转化成产品。此外平台还提供“定制实验空间”允许研究者上传自有Python代码并调用平台GPU资源运行进一步拓展了灵活性和可扩展性。已在众多医院落地验证应用效果目前东软已与20多家医疗机构建立了医工协同关系并与复旦版《2023年度中国医院综合排行榜》Top60医院中的23家建立深度合作。现在探索多模态医学人工智能平台上有多个真实案例在跑某医院医生用膝关节MR影像结合临床数据建立髌下脂肪垫与疼痛的预测模型。使用平台前数据处理、特征提取、建模分散在不同工具中转换过程容易产生误差。使用平台后所有分析在一个集成环境中完成医生只需关注业务逻辑模型训练由平台自动完成。另一个案例是多模态融合预测乳腺癌分子分型。医生融合X线、超声、血清肿瘤标志物、病理分型等多因素探索不同组合建模。平台帮助医生完成了MR影像组学特征提取并通过多种特征组合与模型对比找到了最优方案。平台的可复用流水线让重复实验效率大幅提升。一个值得注意的趋势医学AI的落地瓶颈正在从“算法不够好”转向“用起来太难”。算法能力已经不是问题。问题在于临床医生不会用、用不起、用不顺。谁能把AI开发的门槛降下来谁就能打开真正的规模化应用空间。东软的思路很明确不做“给算法工程师用的工具”做“给临床医生用的平台”。150个算子、210内置算法、多模态数据打通、无代码全流程闭环、柔性工作流、定制实验空间——这些技术能力堆在一起指向的是一个目标让医学AI研究从“少数人的专业”变成“多数人的日常”。越来越多的医院和科研机构正在加入这条路径验证着这一目标的可行性。