SGH与A*STAR联手，让AI抗生素检测走向规模化

这种“组合检测加软件辅助决策”的模式，可能让iACT在精准感染病诊断领域形成差异化。不过，商业成功不能只靠技术表现。开发方和医疗机构还需要解决检测价格、出结果速度、生产流程、监管路径、临床工作流和支付模式等问题。进入不同国家后，当地耐药菌分布和治疗习惯也可能影响检测的实际表现。

同场推进的其他医疗AI项目

iACT的合作是在SingHealth举办的“医疗AI与ATx26”研讨会期间公布的。同期宣布的其他项目，展现了新加坡如何把临床应用、科研合作、治理机制和区域推广结合起来。

PENSIEVE-AI：不到五分钟的认知筛查

PENSIEVE-AI是由SGH与新加坡政府科技局（GovTech）、杜克—新加坡国立大学医学院及新加坡国立大学合作开发的数字化认知筛查工具。用户在触摸屏设备上完成绘画任务，系统随后分析其中可能与早期认知问题相关的迹象。一项报告中的研究涉及1758名居住在社区的成年人，该工具的评估时间设计为不到五分钟。

它的定位是筛查，而不是诊断。对于正在应对人口老龄化的新加坡而言，较短且易于操作的初步评估，或许能帮助更多可能需要进一步检查的人及时进入临床评估流程。

不丹项目：让胸部X光AI适应当地环境

SingHealth与不丹皇家大学旗下的Gyalpozhing College of Information Technology达成合作，计划利用不丹患者数据，调整基于MerMED-FM的AI辅助胸部X光模型。项目目标是支持肺部感染和肺癌识别，尤其针对专科放射科资源较为有限的医疗环境。

合作内容还包括制定负责任AI指导原则、开展能力建设，并计划在2027年前部署至不丹的三家医院。

“本地化”是该项目的关键。一个在特定医疗体系中训练或开发的医学AI模型，不能被默认认为在另一个环境中也会表现相同。人口构成、疾病发生率、影像设备、临床流程和监管要求都可能不同。因此，使用当地数据测试并调整模型，是提高部署安全性和实用性的一部分。

新加坡医疗AI路线的启示

这些项目共同呈现的，并不是只追求技术展示的AI战略，而是一套更注重落地的医疗与产业结合模式。

首先，项目都从明确的临床问题出发：抗菌药物耐药、早期认知衰退、影像诊断资源不足以及慢性病风险。其次，它们把公立医院与科研机构、大学和政府科技伙伴连接起来。再次，产品形态、本地验证、治理机制和临床监督，都被视为创新过程的一部分，而不是研发完成后的补充工作。

对iACT而言，这意味着要把一个医院内已有潜力的检测服务，转化为可制造的试剂盒；对不丹项目而言，则意味着根据当地医疗环境调整影像模型，而不是原封不动地输出。两者的共同主线，是把临床研究转化为能够负责任地规模化使用的工具，同时形成知识产权、医疗产品和区域合作。

机会确实可观，但现有证据仍应谨慎解读。iACT的成本效益结果针对的是新加坡特定感染和医疗环境，进一步推广仍需要更多验证和监管工作。新加坡正在做的，不只是宣布医疗AI项目，而是逐步建设让这些技术能够被测试、治理、商业化并真正进入临床实践的基础设施。