影像数据不允许离开院区，AI 却要喂数据训练——这对矛盾曾被当作"无解"。广西用 6 家试点医院、一套 U 型隐私推理架构给出了工程化答案。

一、医疗数据上云，卡点从来不是技术

"医疗数据到底能不能上云？"这个问基本每一家医院的 CIO 和信息科主任都纠结过。

纠结的根源不是"云不行"，而是合规要求不允许数据离开院区，可 AI 没有数据又训不出来。一边是《数据安全法》《个人信息保护法》和卫生行业对患者隐私的强约束，一边是医疗 AI 对高质量数据近乎饥渴的需求。两个需求正面冲突，长期被当成"死结"。

于是行业普遍的做法是：保守——宁可让数据躺在本地磁盘里不流动，也不冒一丝风险。结果是医院攒了几十年的影像资产，"规模很大、价值很高、使用很少"。

直到广西给出一个新的解题思路。

二、广西的答案：U 型隐私推理与"数据不出域"架构

2026 年 8 月，广西在全国率先探索以 U 型隐私推理技术为底座的医疗 AI 生态平台，并在 6 家三级医院完成试点。它的核心价值是把"数据、算力、模型"三者强制解耦：

• 训练侧：采用联邦训练 + 模型混淆，各方数据不离开本地，算法在本地"就地"参与协同学习；

• 推理侧：通过隔离架构接入国家算力网，安全调度共享算力，影像不出院也能完成推理；

• 本质：数据不出域、算力安全调度、模型隐私保护，三者各归其位。

这套架构从技术上回答了那个"死结"——数据可以留在院区，AI 却照样能跑起来。"不敢上云"的合规困难，第一次有了可落地的技术闭环。

关键落地载体，是"医疗可信数据空间"——强调"可用不可见、可算不可取"。模型能用数据"学到"规律，但数据本身对调用方是不可见、不可取走的。这比单纯加密存储又往前迈了一步：从"能不能存"升级到"能不能被安全地使用"。

三、底座：千万级影像云，才扛得起这副 AI 的胃口

技术上讲得再好，没有数据底座都是空中楼阁。U 型推理能落地，靠的是广西医保影像云平台这个"粮仓"。

• 规模：截至 2026 年 8 月 15 日，平台归集医学影像数据突破 1000 万例，是西部首个"千万级"省级医保影像云；

• 覆盖：接入 14 个设区市、463 家医疗机构，三级医院覆盖率超 90%，并向二级及基层延伸；

• 应用：跨院调阅已破 157 万次、支持 3 秒极速调阅、全周期影像对比与智能重复检查提醒；

• 质控：AI 全量自动校验图像质量，拦截伪影、序列缺失等问题影像，从源头保证数据质量。

数据质量是 AI 训练的尺子。广西统筹 61 家三甲，建成含 9.5 万例的高质量医学影像数据集，精选疑难病例，三级质控 + 标准化匿名处理后"喂"给模型。这才是"数据敢用"的底气。

一个值得细算的账：依托历史影像共享，有效利用历史检查可减少约 30% 的重复检查，单次为患者省数百元，还同步减少医保基金浪费——数据治好了，"降本"和"提效"是一体两面。

四、落到自己项目上：四步参考路径

作为一个做医疗影像售前 / 架构的人，我认为更值得借鉴的是广西背后的建设顺序——它不是"先上 AI"，而是先把数据底座做扎实。可复用的四步：

第 1 步：先治理，后 AI 不要在数据一锅粥时上模型。先建数据分级、质检、标注、脱敏标准，把"脏数据"挡在 AI 大门之外——广西 AI 全量质检、伪影拦截就是这个逻辑。

第 2 步：优先跑通业务闭环 先把"检查留存 → 索引上传 → 跨院调阅 → 直接结算"这条闭环打通。什么时候跨院调阅真正被高频使用，AI 才会有坚实的喂料管道。

第 3 步：用隐私计算兜底合规 需要跨机构协同时，用联邦学习 / U 型隐私推理 / 可信数据空间这类方案实现"不出域 + 可协同"，把"安全合规"从口号变成架构。

第 4 步：单病种切入，逐步扩展 先挑肺结节、骨折这类"标注边界清晰、临床价值高"的病种做 AI 辅助诊断试点，跑通后再扩展至跨院调阅、影像质控、医保风控等更多场景。

结语

医疗影像数据长期困在"不敢用"的合规围城里，广西用"千万级数据底座 + 数据不出域的 AI 架构"给出了范本。

这件事给行业最大的启示是：医疗 AI 落地，先解决"数据敢不敢用"的安全合规问题，技术反而其次。 "数据不出域 + 算力安全调度 + 模型隐私保护"这套三角架构，值得每一个做区域影像云、医联体平台、甚至单院 AI-PACS 的团队认真研究。

如果你也在做医疗影像上云或医疗 AI 落地，欢迎收藏、在评论区聊聊你所在地区的数据底座建设进度——卡在"数据没治理"还是"不敢上云"。