全栈的AI感知技术（分类、检测、分割、关键点、跟踪）对超声图像的像素级组织特征分析，实现对超声图像的模式、画面质量、器官、解剖结构、测量点、占位病灶、弥漫性质、标准面等层级的语义信息精确识别、增强和量化。

通过视频自监督学习、多任务学习、视觉语言模型学习等方式，结合时序的超声影像视频组织特征分析能力和机器人的关节传感器输入，实现多模态的状态抽象和表达，是实现机器人自主扫查（autonomous robotic ultrasound）决策的“大模型”基础。

使用阳性病例主动挖掘技术和基于非监督学习的AI算法从海量动态数据中提取高价值数据，通过“Code+Model+Data”的持续集成、持续部署、持续训练和持续监控，加快数据的利用效率，迅速提升算法的准确率。

针对嵌入式硬件优化的算法模型部署框架，可高效实现不同任务模型的动态切换，并从底层代码上对复杂的网络模型进行计算优化，充分挖掘硬件潜力，提高视频处理效率，最终实现300%以上模型推理效率提升。