2026年6月，国家数据局发布的《关于推进行业高质量数据集建设行动的实施方案》中，有一个动作值得所有关注医疗AI的人注意——"标注攻坚行动"被列为六大专项行动之一，医疗被明确列为重点领域。
这是国家层面第一次将数据标注作为独立的政策环节来部署。
此前，数据标注在各类政策文件中始终处于"被顺带提及"的位置——讲AI的时候提一句"需要高质量标注数据"，讲数据要素的时候提一句"完善标注体系"。它从未作为主角出现在政策舞台上。这次不同。标注被单独拎出来，不是因为它的体量，而是因为它的瓶颈效应——标注供给不足正在拖慢整个高质量数据集建设的节奏，而数据集又直接划定了AI模型能力的上限。
本文聚焦一个核心问题：这项"标注攻坚行动"，在医疗领域到底怎么落地？从"人海战术"到"人机协同、专家参与"的转型路径，究竟面临哪些卡点、有哪些可行的突破口？
一、为什么标注突然"被看见"了？
理解这个政策动作，需要先理解一个基本矛盾：医疗AI的模型架构正在快速趋同，但标注供给的瓶颈始终没有被突破。
先看几组数字。
需求侧：以中文电子病历命名实体识别（NER）为例，一份住院病历核心文本约2000至5000字。按CMeEE级别的9类实体标注细度，一个有医学背景的标注员一天只能完成3至5份。单份病历四道工序（初标、二审、争议仲裁、抽检）下来，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在5000万元量级。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，仅中国市场的训练数据标注需求就在50至100亿元人民币量级。
供给侧：中国每年医学本科毕业生约30万人，溢出到非临床领域的不足10万，其中愿意从事数据标注工作的比例极低——不是薪酬问题，是职业认知问题。数据标注行业在公众心智中仍与"劳动密集型低端工作"绑定，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。
这就是矛盾的核心：需求端上百亿量级，供给侧连"能做这件事的人"都找不到足够的数量。标注不是"贵"，是"根本没有足够的人能做"。
这个矛盾此前一直存在，但为什么到2026年才被政策正视？原因有两个。
第一，大模型时代的到来让高质量标注数据的价值被放大。大模型架构趋同（Transformer基座 + 大规模预训练 + 微调），模型性能差异越来越依赖训练数据的质量和领域覆盖度。标注数据不再是"锦上添花"的优化项，而是"有没有"的准入门槛。
第二，医疗AI从"实验室刷榜"进入"临床落地"阶段后，训练数据的标注质量问题暴露得更加充分。根据AMIA于2011年发表的一项经典研究，在临床文本NER中，两个合格的医学标注者面对同一份病历，IAA（标注者间一致性）仅稳定在75%左右。这意味着约四分之一的标注结果存在分歧，而这些分歧集中分布在实体边界最模糊、临床意义最关键的"灰色地带"——恰好是模型最需要学习的那部分信息。
当AI模型在公开评测集上的成绩越来越好看，但在真实临床场景中的表现差强人意时，人们终于将目光投向了一个被长期忽视的环节：标注本身。
二、当前困局：医疗标注为什么还在"人海战术"阶段？
如果把"标注"拆开来看，会发现它不是一道工序，而是三道工序的复合：标注规范的制定、标注行为的执行、标注质量的质控。这三道工序对人员能力的要求完全不同，但在当前的医疗标注实践中，它们被压进了同一群人的工作量里。
通用标注行业——自动驾驶、人脸识别、电商评论——之所以能实现规模化，是因为这三道工序被充分解耦了：标注规范由AI公司的算法团队制定（"什么是行人"边界清晰），标注执行由经过数周培训的标注员完成，质量控制通过抽检和IAA量化管理。人机协同在这里意味着AI做预标注、人做复核修正，整体效率较纯人工提升60%以上。
医疗场景在这三道工序上同时遭遇了障碍。
标注规范制定：需要临床专家参与。
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。"高血压3级"，是合并标注为完整的诊断实体，还是拆分为"疾病——高血压"和"分级——3级"？这不是一个语言学问题，是一个临床知识表达问题。每一套标注规范，本质上是某一专病领域临床知识的结构化表达——制定规范的人，必须同时懂临床和懂AI。这样的人才在国内极其稀缺。
标注执行：需要医学知识背景。
识别"高血压""糖尿病"这类显性实体不需要医学学位，但识别"发热3天，伴寒战"中的"寒战"是症状、识别"无明显诱因"中的"无明显"是阴性修饰、识别"考虑诊断为XX"中的"考虑"表达的是一种不确定性——这些需要的不是培训，是临床经验。通用标注公司的核心能力——"通用标注员+短期培训"的规模化供给——在医疗场景中恰好失效。
质量控制：需要的不仅是核查标注结果对不对，更是判断"灰色地带"怎么裁量。
当两个合格标注者之间的分歧高达25%，而分歧集中在临床意义最关键的区域时，质控本身就成为一项需要高级临床判断力的工作。这解释了为什么单纯的"增加标注员数量"无法线性提升标注产能——每增加一个标注员，就增加了一个分歧来源，质控的复杂度随之增加。
说到底，"人海战术"在医疗标注中失效的根因是：医疗标注的知识密集属性，决定了标注员之间不是可替换的标准化零件。每增加一个标注员，带来的边际产能收益在递减，但边际质控成本在递增。
三、从"纯人工"到"人机协同"：三条技术线正在改变格局
"标注攻坚行动"明确的转型方向是"从纯人工向人机协同、专家参与的标注模式转型"。这里的关键不在于"AI替代人做标注"——至少在医疗领域，短期内不可能——而在于重新定义"人"和"机"的分工边界。
目前有三条技术线正在推动这个分工边界的移动。
技术线一：大模型预标注能力跃升。
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NER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"。
这个转变的本质是：标注员的时间从"识别和标注"转移到"审核和修正"。前者是一个创造性的认知工作（从无到有），后者是一个判断性的认知工作（对/错/模糊）。后者的效率天然更高——在多个实践中，人效可提升2至3倍。
但这里有一个重要的限制条件：AI预标注的准确率在不同实体类型上差异显著。对于高频、定义清晰的实体（如"高血压""糖尿病"），准确率可达90%以上；对于低频、边界模糊的实体（如"不典型胸痛""可疑占位"），准确率可能骤降至60%以下。这意味着标注员的角色在可以预见的未来不会消失——只是从"标注者"变成了"仲裁者"。
技术线二：主动学习筛选高价值样本。
在通用标注中，"标得越多，模型越好"的直觉大致成立。但在医疗领域，由于标注成本极高，选择性标注——只标对模型提升最大的那部分数据——的经济价值就变得非常大。
主动学习算法的核心逻辑是：优先筛选出模型"最不确定"的样本（即信息量最大的样本），让标注员集中精力对付这些"硬骨头"。研究表明，通过主动学习优先筛选，可缩减标注数据需求量约10%以上。在标注预算严重受限的医疗场景中，10%的缩减意味着可以省出一个新适应症的数据集。
技术线三："边界自由"标注方法。
JMIR Medical Informatics于2024年7月发表的一项研究提出了"边界自由"（Boundary-Free）标注方法：标注者不再需要精确划定每个实体的起止位置，而是只需标注实体是否存在及其大致位置。这个简化带来的收益是：标注时间缩短最高25%，标注者间一致性提升10个百分点。代价是下游NER模型的性能仅轻微下降。
这个思路值得关注，不是因为它的技术有多复杂——恰恰相反，是因为它够"务实"。在标注供给严重不足的约束下，用"够用但不够完美"的标注换效率，是一个理性的折中。这种思路与"标注攻坚行动"强调的"务实推进"基调一致：先解决"有没有"，再优化"好不好"。
三条技术线的共同指向是：标注员的"动作"减少了，但"判断"增多了。AI承担了标准化程度高的识别工作，人承担了边界模糊的仲裁工作。这恰好对应了"标注攻坚行动"中的"人机协同、专家参与"八个字——"人机协同"解决了效率问题，"专家参与"解决了质量问题。
四、"链主"来了：标注从"市场自发"到"统筹牵引"
如果说技术线解决的是"怎么做"的问题，制度线解决的是"谁来组织做"的问题。
2026年6月9日，国家数据局授予中国联通"医疗卫生行业高质量数据集建设链主单位"，中国联通同时宣布设立超1亿元医疗行业高质量数据集专项支持资金。
这个动作的深层逻辑值得拆解。
首先，"链主"不是"发钱的人"。这笔1亿元专项资金的投放方式，不是公开申报、自由竞争，而是由中国联通作为"链主"统筹投放方向和标准制定。这意味着医疗数据集建设正在从"市场自发"走向"链主牵引"的模式切换。
这个切换有它的必然性。医疗数据标注市场过去几年的发展已经充分说明，纯市场自发模式无法解决三个核心问题：
第一，标准缺失。不同医院、不同AI公司、不同标注服务商各用各的标注规范，标注结果之间不可互认、不可复用。一套在协和医院病历上训练出的NER模型，换到华西医院的病历上可能性能骤降——不是因为模型不行，是因为两家医院的数据标注规范不同，或者说两家医院的临床书写习惯本就不同。要解决这个问题，需要一个有协调能力的"中立方"来推进标注规范的标准化。
第二，供需错配。需求方（AI公司）找不到合格的标注供给，供给方（有医学背景的标注员）找不到稳定的需求——市场两端的信息极不对称。"链主"可以承担供需匹配的平台功能，整合分散的需求，形成足够大的"标注订单"来吸引供给端的组织化投入。
第三，合规真空。标注公司不能直接从医院获取原始病历——涉及患者隐私。标注工作必须在"数据不出院"或"合规脱敏后出院"的授权通道内完成。单个标注公司去跟医院谈合规通道，几乎没有议价能力。但如果"链主"牵头搭建合规通道，医院就愿意坐下来谈。
其次，"链主"模式的意义不限于这1亿元。更深层的意义在于：它为"国家数据局+行业链主+标注服务商+医院"四方协作提供了一个可复制的组织模板。如果联通在医疗卫生领域的"链主"模式跑通了，接下来在自动驾驶、金融、农业等领域也会复制。标注将从一个分散的、不可见的后台工序，变成一个被组织起来的、可量化的产业环节。
但"链主"模式也有它的风险：如果链主的统筹变成垄断，如果标准的制定被单一利益方主导，如果资金投放只惠及少数头部机构——那么这个制度创新就可能变成新的瓶颈。这需要国家数据局持续发挥监管和协调作用，确保"链主"是赋能者而非守门人。
五、资本信号：垂直标注赛道正在被重新定价
政策不是孤立发生的。2025-2026年，资本在垂直标注赛道的布局动作，与政策节奏高度同步。
国内方面：
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，把单一模态的医学标注数据集做成了可销售的数据产品。
海外方面：
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的路径清晰地指向一个趋势：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。未来的收入模型不是"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两个核心参数：
成本结构——从"线性增长"变为"规模收益递增"。人工标注的成本与数据量成正比，平台化标注的成本结构中，AI预标注的边际成本趋近于零。
市场天花板——从"有多少人能做标注"变为"AI能覆盖多少种实体类型"。当前医疗标注市场的天花板由"能招到多少医学背景标注员"划定，平台化后则由"AI预标注在多少种实体类型上达到可接受的准确率"划定。后者的天花板显然更高。
六、落地路径：2026-2027年可以期待什么？
综合政策、技术和资本三条线的信号，"标注攻坚行动"在医疗领域的落地，未来12-18个月内最可能在四个方向上产生实质性进展。
第一，标注规范的专病标准化。
不是搞一套"统一的医疗标注标准"——这在操作上不现实，因为不同专病的标注需求差异太大——而是在若干高价值专病（肺结节、糖尿病视网膜病变、乳腺癌等）上，由"链主"牵头组织临床专家和AI公司，联合制定一套可复用的标注规范。这套规范一旦发布，标注结果在不同AI公司之间可以互认，同一套标注数据可以支撑多个模型的训练，标注数据的经济价值将被显著放大。
第二，标注工具的垂直化。
当前市面上的标注工具（LabelStudio、Doccano等）是通用型的，没有内置医学知识模块。未来的垂直标注工具将集成专病知识图谱、AI预标注引擎和医学知识校验模块——标注员在使用过程中，工具会自动提示疑似标注错误、自动建议实体边界、自动标记"灰色地带"案例交由专家仲裁。联通"链主"模式下的资金支持，有相当一部分可能投向这类垂直标注工具的开发。
第三，临床专家网络的制度化。
标注攻坚行动中"专家参与"这四个字，实际操作中需要回答"专家从哪来、怎么付费、怎么质控"。目前来看，最可行的模式不是每个标注公司去搭建自己的专家顾问团——成本太高、规模太小——而是通过"链主"或第三方平台，建立一个可复用的"临床专家标注顾问池"。专家不是被雇佣做标注，而是被调用做仲裁——当AI预标注和普通标注员的判断出现重大分歧时，由专家级顾问做出最终裁决。
这个池子的经济模型是共享的：10个高年资主治医师组成的临床顾问网络，可以被10家AI公司同时使用，而非每家AI公司各自养2个专家。共享模型让专家的单位时间被复用，大幅降低了每家公司的专家使用成本，同时提升了专家对标注工作的参与意愿——因为工作变得"更像会诊，不像流水线"。
第四，合规资质的有序发放。
国家数据局和卫健委双重认可的第三方医疗数据治理与标注服务资质，是标注市场从"灰色"走向"规范"的最后一关。目前资质尚未正式发放，但"标注攻坚行动"将医疗列为重点领域，大概率会加速这个进程。资质发放的节奏可能是"先试点、后铺开"——在联通"链主"机制下的几个试点区域先行发放，验证合规通道的可行性后再全国推广。
◇ ◇ ◇
七、结语
"标注攻坚行动"本质上是在做一件事：把数据标注从一个"后台工序"变成一个"产业环节"。
从后台到前台的区别是什么？
当标注是后台工序时，它被嵌入在每家AI公司、每家医院各自的内部流程中，不独立核算、不独立定价、不独立融资。它的供需缺口无法通过市场价格信号来调节——因为根本没有一个统一的价格信号。
当标注成为产业环节时，它会拥有独立的标准（专病标注规范）、独立的定价（标注服务费+审核费+仲裁费）、独立的平台（标注工具+标注员网络）、独立的合规资质。它的供需缺口可以通过专业化分工和资本投入来填平。
这个过程不会一蹴而就。但从2026年6月的一系列政策信号来看——标注攻坚行动入列、链主单位授牌、亿元专项资金到位——医疗数据标注正在完成它的"被看见"。"被看见"是解决问题的第一步，而这一步，已经迈出去了。
对于医疗AI公司而言，一个值得关注的策略窗口正在打开：标注产能的组织化建设正在启动，但尚未完成。在这个窗口期内，谁先参与到标注规范的制定中（而非被动接受别人制定的规范），谁就在未来的竞争格局中占据了一个定义权的位子。标注规范本身，正在成为医疗AI行业的新型竞争壁垒。
参考来源
[1] 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。
[2] 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。
[3] Mordor Intelligence, Healthcare Data Collection And Labeling Market Size, Share & 2031 Growth Trends Report, 2025.
[4] Fortune Business Insights, Healthcare Data Collection and Labelling Market Size, Share, 2034, Report ID: 107165.
[5] 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。
[6] CBLUE/CHIP, CMeEE（Chinese Medical Entity Extraction）数据集，9类实体。
[7] 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
[8] Andrade, Yada, Aramaki, Is Boundary Annotation Necessary? JMIR Medical Informatics, 2024;12:e59680. DOI: 10.2196/59680
[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.
[13] 字节跳动，MedXIAOHE医疗大模型（预训练语料约6400亿Token），2025。
◇ ◇ ◇
— — — — — — — — — —
（全文约5200字 | 2026年7月8日 | 数据经独立核实）
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。
