在乳腺癌领域，AI辅助筛查与早期诊断的技术已经逐渐成熟，帮助越来越多的患者实现精准诊断。然而，随着筛查能力的提高，一个核心问题随之而来：确诊后的长期治疗管理由谁负责？中国乳腺癌的发病率以每年约3%至4%的速度递增，其中大约70%的病例为激素受体阳性（HR+），需要进行5到10年的内分泌辅助治疗。尽管确诊通常在短短数天内完成，围手术期也只有几周，但患者在接下来的数年中需要面对长期的治疗。一项由中国抗癌协会乳腺癌专业委员会牵头的多中心研究发现，国内有39.1%的乳腺癌患者未能坚持五年的规范化内分泌辅助治疗。这表明，每十位原本可以从长期治疗中受益的患者中，几近四位在过程中选择了放弃。这一现象并非因为医学决策错误，而是由于在日常管理中缺乏有效的支持。
确诊后，患者最难的是在漫长的治疗中找到一种确定感。刘女士在不到四十岁时被确诊为HER2阳性浸润性乳腺癌，此后她经历了完整的治疗流程，包括新辅助化疗、保乳手术、辅助化疗和靶向治疗，尽管治疗顺利，长达多年的内分泌辅助治疗却带来了关节僵硬和情绪波动的困扰。再看另一位确诊九年的陈女士，她面临着不同的挑战：九年间积累的检查报告已塞满两个文件袋，每次复查前她都要翻阅这些文件，努力回忆上一次某项指标的情况。治疗信息、用药变更、历次检查结果，九年的“账”使她依然无法理顺。尽管她们的具体处境不同，但在漫长的治疗旅途上，困扰她们的共同问题是：渴望相对稳定和舒适的生活。令她们焦虑的，不是重大的决策时刻，而是每天反复出现、无人解答的小问题。某乳腺癌患者曾表示：“我并不是不相信医生，只是很多问题还没到需要看医生的程度，但我真的需要有人帮我判断一下。”早晨手指的僵硬感是药物的副作用还是典型的关节炎？复查报告上某项指标比上次高了0.3代表什么？患者渴望管理的需求显而易见，但这些看似琐碎又无法忽视的问题，实际上成了她们的心病。
传统的患者管理方式试图解决这一矛盾，但始终面临三角矛盾的困境：人力模式虽然能够进行深入陪伴，但无法实现规模化；而内容推送虽然覆盖用户广泛，却无法做到个性化。近年来，随着AI大模型的出现，行业找到了可能的突破口，但单靠接入大模型并不能简单解决患者管理的问题。大多数泛健康应用往往不能深入，虽然可以讨论许多话题，却无法满足患者的个性需求，且很快患者就会发现AI并不真正理解自己的病情，更无法提供针对性的答案。因此，AI患者管理必须解决一个根本问题：如何使AI既具备“医学上不能出错的深度”，又能对特定患者产生“切实有效”的个性化效果。这既不是简单的选择题，而是一个必须面对的挑战。单靠更大的模型和更全面的语料库无法同时满足这两个要求，所需的是一整套覆盖数据源与临床闭环的系统设计。
在过去几年里，行业内逐步涌现出一些企业开始进行深度探索，深至科技便是其中之一。面对这一三角矛盾，这家公司认为患者管理并非单纯的算法问题，而是一个需要系统解决方案的问题——一个必须同步考虑数据来源、管理主体与效果验证的复杂系统性问题。
深至科技创始人朱瑞星曾提到一个转折性的问题：经过六年的智能超声推广，这家公司实现了覆盖近700家等级医院与30000多家基层医疗机构的广泛使用，每月新增3000多个乳腺BI-RADS 3类及以上用户。但随着筛查深入，公司逐渐发现患者虽已被筛查出来，但随后的管理则成了难题。这一转折反映出的，是贯穿整个患者管理链条的系统性缺口：间接的管理不是某一环节缺失，而是环节之间的衔接问题。虽然AI辅助诊断和早期筛查的覆盖率提高，但患者一旦确诊后，便往往面临一个无管理空白期：筛查报告提示需要进一步就医，进入治疗通道，但治疗后的长期随访管理又出现断裂，即使有随访，这些生成的数据通常也散落在各个系统中，难以有效回流来支持诊疗决策。筛查、诊断、治疗、随访与疗效验证之间，缺乏连续的数据流与管理逻辑，导致患者在“接缝”处反复流失。对于需要长时间管理的乳腺癌患者来说，这一缺口带来的代价尤为严重。
深至科技正是站在这一缺口的起点上。自2018年起，该公司积极发展基层智能影像设备，至今已覆盖全国约3.8万家基层医疗机构，日均活跃设备约1.5万台，诊断报告日均出具约5万份，设备活跃率达42%。这组数据重要性不在于其商业规模，而在于它形成了一种结构性优势：拥有设备源头，使得筛查出来的患者自第一天起就携带完整的影像数据进入管理体系——AI从第一天起就“认识”他们，了解BI-RADS分级、病灶位置及特征，后续治疗信息、用药记录及随访数据在使用过程中不断累积，确保数据的连贯性，从而形成完整的管理链条。
深至科技团队意识到，要解决这个系统性的缺口，不能依赖单一工具。一个随访应用无法解决数据断裂，一个AI问答机器人无法满足管理的深度，单一的数据看板也无法承担疗效归因。因此，真正有效的解决方案必须在系统层面进行深耕，而不是停留在单点工具的开发上。
