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。
