医疗AI的公开叙事存在一个稳定的盲区。任何一篇关于医疗AI的行业报道，总是提到这两件事：一件是大模型又刷新了哪个医学知识评测榜单，另一端是AI辅助诊断系统进了多少家县级医院。在这中间有一个环节极少出现在公开讨论中，但它直接划定前两者能力的真实上限。即数据标注——把原始病历、影像、检验报告转化为结构化训练语料的这道工序。
据统计显示，2025年全球医疗数据收集与标注市场规模约21.8亿美元，预计2026年增至25.7亿美元，年复合增长率约17%。Fortune Business Insights以更宽的统计口径给出了2025年14.2亿美元、2034年131.2亿美元的预测，对应28%的年复合增长率。恒州诚思（YHResearch）测算，2025年全球医学标注工具市场规模约32.6亿元人民币。
以上，说明的不仅仅是"医疗数据标注市场很庞大"的简单结论。更指向一个更隐蔽的事实：医疗数据标注不是数据标注行业的一个垂直分支，而是一个因专业壁垒过高、供给极度稀缺而自成一体的价值高地。它的市场规模被低估，不是因为需求不足，而是因为大量本应发生的标注需求至今没有被满足——下游不是不需要，是供给侧根本交付不了。
一、为什么通用标注模型在医疗场景失效
理解医疗数据标注的特殊性，需要先看清通用标注行业是如何运作。
在自动驾驶、人脸识别、电商评论分析这些成熟的标注场景中，经过多年优化，行业已形成了一套标准化程度极高的流水线。一名标注员经过数周培训，可以识别行人、车辆、交通标志。在人机协同模式下，AI完成预标注，人工负责复核修正，整体效率较纯人工提升60%以上。标注成本可以精确核算到每张图、每段文本，标注质量可以通过抽检和IAA指标量化管理。
这套模型在医疗场景中失效了。原因不在流程设计，在于标注对象的性质发生了根本变化。差别体现在三个层面，每一层都比上一层更难逾越。
第一层：标注者的供给来源。
一段电子病历的现病史字段，涵盖患者发病时间、诱因、症状演变、院外诊治经过等一系列信息。标注者需要从中识别疾病实体、症状实体、检查实体、药品实体以及它们之间的时序和因果关系。CMeEE——中文医疗信息处理挑战榜的基准数据集——定义了9类实体。看到"高血压3级"，是合并标注为一个完整的诊断实体，还是拆分为"疾病——高血压"和"分级——3级"？这需要标注者不仅认识这些医学名词，还要理解它们之间的临床逻辑。
这意味着标注者的门槛不是培训时间，是学历背景。中国每年医学本科毕业生约30万人，其中真正进入临床岗位的约20余万，溢出到非临床领域的不足10万。在这10万人中，愿意从事数据标注工作的比例极低。并不是薪酬问题——1.5万元的月薪对于一个刚毕业的医学本科生来说有一定竞争力——而是职业认知问题。数据标注行业在公众心智中仍属于"劳动密集型低端工作"，与五年医学院教育塑造的职业预期之间存在一条很难跨越的认知鸿沟。
第二层：标注标准的制定成本。
通用标注场景中，什么是"行人"、什么是"车辆"，标准是客观且无争议的。在医疗场景，标准本身就需要临床专家参与构建。一段现病史文本中，哪些字是"症状"、哪些字是"症状的修饰"、哪些字是"阴性症状"——这些边界在临床书写中天然模糊。AMIA于2011年发表的一项经典研究提供了定量证据：在临床文本命名实体识别中，独立标注者与金标准之间的F值在0.68至0.71之间。即使经过四周标注规范的迭代修订和标注者再培训，标注者间一致性也只稳定在75%左右。这意味着两个合格的医学标注者面对同一份病历，有约四分之一的标注结果不一致。而这些不一致集中分布在实体边界最模糊、临床意义最关键的"灰色地带"——恰好是AI模型最需要高质量标注来学习的那部分数据。
第三层：标注产出的知识属性。
一套高质量医疗标注数据集不是一批带标签的数据文件的简单集合。它的交付物中包含一套经过多方论证和仲裁的临床知识表达规范——每一个实体类型的定义、每一个边界判断规则、每一个嵌套关系的处理逻辑，背后都是临床专家在长达数月乃至数年的项目周期中，一个概念一个概念地"打磨"出来的。这件事没有捷径。你不能用众包来做——因为普通众包标注者不具备所需的医学知识；你也不能用实习生替代专家——至少在当前AI预标注的准确率水平下，人工审核仍然需要真正的临床判断力
二、标注成本的经济结构
医疗数据标注的成本上限可以通过一笔拆解来厘清。以中文电子病历命名实体识别为例。一份住院病历的核心文本合计约2000至5000字。按照CMeEE级别的标注细度，一个有医学背景的全职标注员一天能完成3至5份。做保守的薪资锚定：医学本科毕业生在一线城市非临床企业岗位月薪约1.5万元——已低于临床岗位市场薪资。按每月22个工作日、日均4份，单份病历初次标注的人工成本约170元。
但这只是第一次标注。一份完整标注流程至少包含四道工序：初标、二审、争议仲裁、抽检。二审和争议仲裁通常需要更资深的临床专家参与。综合四道工序，单份病历最终标注成本超过500元。一个10万份规模的专病NER训练数据集，仅人工标注的直接成本就在5000万元量级。
影像标注的账本更加昂贵。一份胸部CT包含数百帧切片，放射科医生需逐层勾画病灶边界。三甲医院放射科主治医师年薪通常在30至50万元区间，一天能完成3至5份CT的精标注已属高效。单份CT的精细标注成本在数百至上千元。罕见病场景将成本推到了极致。构建一个足以支撑AI模型训练的罕见病数据集，需要从多家医院、多年归档病历中检索和整理，再由全国范围内仅有数十位的该领域专家进行标注。Fortune Business Insights引用的案例显示，部分罕见病标注数据集单项目成本超过500万美元，周期持续2至3年。以全球每年新增100至200个有商业化价值的医疗AI应用场景做保守估算，仅训练数据标注这一个环节，中国市场的年度需求规模在50至100亿元人民币量级。这还只是"能做出来"的那部分。大量潜在需求因为标注成本太高而被搁置——需求客观存在，但有效需求始终无法集中释放
三、为什么至今没有跑出一家规模化企业
如果市场规模确实在百亿量级，一个自然的问题是：为什么中国的第三方医疗数据标注服务至今没有出现规模化企业？障碍不在需求端的总量，在供给端的结构。
第一个因素：需求侧的三方碎片化。
医疗数据标注的需求来自三个方向。医疗AI公司需要标注数据来训练模型，但融资规模和营收体量限制了标注预算的上限——标注支出通常被分散在"数据采购""科研合作""研发人员薪资"等多个科目中，很少被单独列示，这本身就说明标注尚未成为一个独立的、可规模采购的服务品类。医院拥有天量原始数据，但医院信息化预算科目从未包含"数据标注"。药企愿意为真实世界数据付费，但倾向于通过"科研合作协议"直接向医院获取脱敏数据，而非采购标准化标注后的数据产品——前者成本更低、验收更灵活。
三个需求方中，最大的那一个（药企）绕过了标注环节，最有数据的那一个（医院）没有标注预算，最需要数据的那一个（AI公司）预算有限。三方无法叠加形成集中采购的量。
第二个因素：供给端的人才三重错配。
AI公司自建医学标注团队——匹配度最高，但20人团队年人力成本约300至400万元，产出仅供本公司使用，是成本中心而非利润中心。专业标注公司拓展医疗业务线——有成熟工具链，但医疗场景的标注者无法通过"通用标注员+短期培训"来供给，而这恰好是传统标注公司的核心规模化能力。医院内部组织临床团队标注——质量最高但不可持续，标注项目多以科研课题形式存在，课题结束标注即终止。
三类模式中，没有一类能同时解决"规模化供给"和"可持续经济模型"两个问题。
第三个因素：合规资质的真空。
标注公司不能直接从医院获取原始病历——涉及患者隐私，《个人信息保护法》和《数据安全法》交叉管辖。标注必须在"数据不出院"或"合规脱敏后出院"的授权通道内完成。这制造了一个"先有资质还是先有客户"的困境：标注公司需要证明合规能力才能获得医院信任，但医院需要看到监管背书才敢交付数据。
国家数据局和国家卫健委双重认可的第三方医疗数据治理与标注服务资质，目前尚未正式发放。这不是钱的问题，不是人的问题，是"还没有一个被认可的规则框架"的问题。这是制约第三方标注服务市场发展的最大的单一制度性障碍
四、2025-2026：三线突破
尽管障碍结构性强，2025到2026年间，技术、制度和产业三个方向上同时出现了足以改变格局的突破信号。
技术线：AI辅助标注不再只是论文里的概念。
大模型预标注能力的跃升是最直观的变化。以字节跳动MedXIAOHE为代表的大规模医疗预训练模型（预训练语料约6400亿Token，其中280B来自授权医学书籍和论文），在中文医学命名实体识别任务上的零样本表现已显著超越早期通用BERT模型。标注员的工作模式正在从"从零开始逐句标注"转变为"审核和修正AI的预标注结果"，人效可提升2至3倍。
JMIR Medical Informatics于2024年7月发表的研究提出了"边界自由"标注方法——标注时间缩短最高25%，标注者间一致性提升10个百分点，下游NER模型性能仅轻微下降。在标注供给严重不足的约束下，这个精度换效率的折中是务实的。主动学习方向也在推进：通过算法优先筛选最有标注价值的样本，可缩减标注数据需求量约10%以上。
制度线：标注首次成为独立政策议题。
国家数据局2026年6月发布的《关于推进行业高质量数据集建设行动的实施方案》，将"标注攻坚行动"列为六大专项行动之一，明确提出推动数据标注从"纯人工"向"人机协同、专家参与"转型，并首度将医疗列为重点领域。这是国家层面第一次将数据标注作为独立政策环节来部署。
中国联通于2026年6月9日宣布设立超1亿元医疗行业高质量数据集专项支持资金，并被国家数据局授予"医疗卫生行业高质量数据集建设链主单位"。注意这个动作的逻辑——不是发笔钱让大家自由申报，而是指定一个"链主"统筹投放方向和标准制定。这标志着医疗数据集建设从"市场自发"走向"链主牵引"的模式切换。
产业线：资本开始布局垂直标注。
2025年，景联文科技完成数千万元Pre-A轮融资（杭州金投领投），明确将医疗列为核心方向，与华为合作推出AI数据湖方案。尚跃智能科技先后完成Pre-A轮和Pre-A+轮融资，其超声影像医学数据集已应用于生成式AI影像诊断模型研发——一个成立不到三年的标注公司，能把单一模态的医学标注数据集做成产品并找到下游应用方。在美国，Arintra于2025年8月完成2100万美元A轮融资（Peak XV Partners领投），方向是以大语言模型自动完成诊断编码和手术编码的结构化标注，编码准确率声称达96%，已处理超过10亿美元医疗费用数据。Nimblemind.ai于2025年3月完成250万美元种子轮，方向是将非结构化临床数据结构化为AI可用的训练语料。
Arintra和Nimblemind的路径指向同一个趋势：医疗数据标注正在从"人工服务"向"AI驱动的工具化平台"演进。未来赚的不是"雇佣医生做标注"的服务费，而是"用AI自动完成标注、医生仅做审核"的平台订阅费。这个商业模型的切换，将彻底改变标注市场的成本结构和规模天花板
五、三个判断
判断一：通用标注巨头不太可能在医疗赛道复制其规模优势。
通用标注公司的核心能力——规模化标注员招聘、培训和管理——建立在标注任务高度标准化的前提上。医疗标注的非标准化属性——标注规范的专病定制、标注质量的临床专家依赖、合规资质的稀缺性——恰好瓦解了这个前提。医疗赛道的胜出者，更大概率是从医疗场景内部生长出来的实体：与顶级医疗机构深度绑定的独立标注服务商，或者大型医院集团/专科联盟内部孵化、获得第三方运营资质的标注运营单元。
判断二：标注的竞争力锚点正在从"人力规模"漂移到"专家密度"。
AI预标注能力的持续提升改变了标注工作的性质——从"动手"转向"动脑"。标注员不再从零开始画实体边界，而是审核AI的判定、仲裁边界模糊的案例、为长尾场景设计新的标注规范。团队竞争力不再由"拥有多少标注员"定义，而是由"拥有多少能判断AI标得对不对的临床专家"定义。10个高年资主治医师组成的临床顾问网络，对标注质量的提升作用，远超100个通用标注员。
判断三：合规资质在中期内将成为定价权的来源。
海外市场已提供参照：符合HIPAA标准的标注服务可获得30%至50%的溢价。这不是因为标注质量更高，而是因为合规本身是一种稀缺担保。在中国，最后一步是国家数据局和卫健委正式发放第三方医疗数据治理与标注服务资质。一旦落地，获牌机构将享受显著的"合规溢价"——医院的合规部门只会选择有资质的服务商，而资质在发放初期必然稀缺。医疗数据标注服务的定价权，最终取决于"谁被允许合法合规地做这件事"
六、结语
医疗数据标注的直接市场规模——标注服务费加工具采购费——全球口径下到2030年代初期约一百多亿美元，中国市场在百亿人民币量级。称它为"千亿市场"是修辞上的夸大，也是对行业真实位置的误判。
但医疗数据标注正在撬动的东西，属于另一个量级。每一款获批的AI医疗器械、每一个部署到临床的辅助诊断系统、每一个参与多中心药物临床试验的AI患者筛选工具——它们的性能上限，在大模型架构快速趋同的今天，本质上由训练数据的标注质量划定。医疗数据标注是医疗AI产业基座的基座。它不是一个"千亿市场"，而是一个决定了数万亿医疗AI产业能否真正起飞的底层基础设施。
参考来源
[1] Mordor Intelligence, Healthcare Data Collection And Labeling Market Size, Share & 2031 Growth Trends Report, 2025.
[2] Fortune Business Insights, Healthcare Data Collection and Labelling Market Size, Share, 2034, Report ID: 107165.
[3] 恒州诚思（YHResearch），《2026年全球及中国医学标注工具行业头部企业市场占有率及排名调研报告》，2026年3月。
[4] CBLUE/CHIP, CMeEE（Chinese Medical Entity Extraction）数据集，9类实体。
[5] AMIA/JAMIA 2011, Constructing Evaluation Corpora for Automated Clinical Named Entity Recognition. IAA F值约0.68-0.71，经培训后稳定于75%。PMC3128403
[6] Andrade, Yada, Aramaki, Is Boundary Annotation Necessary? JMIR Medical Informatics, 2024;12:e59680. DOI: 10.2196/59680
[7] 国家数据局，《关于推进行业高质量数据集建设行动的实施方案》（国数科基〔2026〕25号），2026年6月。
[8] 人民邮电报，《中国联通发布高质量数据集亿元支持计划》，2026年6月13日。
[9] 36氪，《景联文科技获数千万元Pre-A轮融资》，2025年5月28日。
[10] 36氪/投资界，《尚跃智能科技完成新一轮Pre-A+轮融资》，2025年6月。
[11] YourStory/CNBC TV18, Arintra raises $21M in series A round led by Peak XV Partners, August 2025.
[12] Finsmes/HIT Consultant, Nimblemind.ai Raises $2.5M in Funding, March 2025.
特别声明：智慧医疗网转载其他网站内容，出于传递更多信息而非盈利之目的，内容仅供参考。版权归原作者所有，若有侵权，请联系我们删除。
凡来源注明智慧医疗网的内容为智慧医疗网原创，转载需获授权。
