AWS SageMaker AI 助力 Henry Schein One 实现牙科 X 光实时质量审核，11 个月覆盖 1 万诊所

一句话看懂

Henry Schein One 基于 Amazon SageMaker AI 构建 Image Verify，在牙科诊所实时评估 X 光质量，从概念到覆盖 1 万+诊所仅用数月，已处理超 1100 万张影像。

详细发生了什么

牙科保险理赔中，高达 20% 的初始申请因图像质量不佳被拒。传统流程里，X 光质量需人工事后审核，发现问题时患者已离开，导致返拍、延误和成本增加。

Henry Schein One 的 Image Verify 系统嵌入诊所工作流：技师拍摄 X 光后，系统在 3 秒内返回 1-5 分质量评分。低分图像可当场重拍，避免患者返诊。系统从 2025 年秋季概念提出到 2026 年 4 月覆盖超 1 万家诊所，处理 X 光超 1100 万张，周均 150 万张，并计划扩展至全球 4 个区域共 4 万家诊所。

技术架构上，Image Verify 完全基于 AWS 构建：应用层运行在 Amazon EKS，推理层使用 SageMaker AI 异步推理，包含图像分类、质量评估（清晰度、对齐、完整性）和分数聚合三个阶段。端到端中位数延迟 1.4 秒，P90 延迟 2.2 秒，错误率仅 0.01%。团队通过从 ml.g6e.4xlarge 迁移至 ml.g7e.4xlarge 实例，将 GPU 实例数从 15 减至 10，延迟反而降低。

中文圈视角

Image Verify 对中文医疗 AI 行业有直接参考价值：

1. 场景痛点相通：国内医疗影像质控同样依赖人工，返拍率高。类似系统可应用于 CT、MRI 等场景，但需注意国内医疗数据不出院区的合规要求，云端部署可能受限。

2. 技术路径可复制：SageMaker AI 异步推理加多模型流水线架构，国内云厂商（阿里云 PAI、华为云 ModelArts）均有对标服务。但 GPU 成本优化经验（如实例选型、A/B 测试）值得借鉴。

3. 监管差异：Image Verify 明确声明“非诊断工具”，规避了 FDA 审批。国内若用于质控，需按医疗器械软件分类管理，审批周期更长。

4. 国产替代可能性：国内牙科诊所软件（如牙医管家、轻松牙医）可集成类似 AI 模块，但需解决模型训练数据（中文标注）和本地化部署（边缘计算）问题。

几条值得记住的细节

• 系统从概念到 1 万家诊所仅用 6 个月，周均处理 150 万张 X 光。
• 端到端延迟中位数 1.4 秒，P90 2.2 秒，错误率 0.01%。
• 通过迁移至 ml.g7e.4xlarge 实例，GPU 数量减少 33%，延迟反而改善。
• 采用 SageMaker AI 异步推理，基于队列深度自动扩缩容。
• 零停机部署模式支持每日优化迭代，A/B 测试验证变更。

一句话总结

Image Verify 证明：AI 实时质控在医疗场景可落地，关键在于延迟、成本和合规的平衡，中文医疗 AI 可借鉴其架构思路。