第10章：结构化报告与人工智能（Structured Reporting in Medical Imaging: The Role of Artificial Intelligence）

作者：P. D. Filev, A. E. Stillman

ILD-RADS（间质性肺病报告和数据系统）

ILD-RADS 于 2019 年被引入，主要目标是在 UIP 与非 UIP 诊断之间做出尽可能清晰的区分。ILD-RADS 0 对应不完整或无诊断价值的检查，1 对应典型 UIP 模式，4 对应最符合非 IPF 诊断的 CT 表现，中间各档对应不同程度的过渡或不确定性。作者强调其临床意义：以 UIP/IPF 与其他 ILD 相比预后更差，错误的分类（例如将过敏性肺炎误判为 UIP/IPF）会带来明显的预后与治疗后果；而在 CT 影像中准确识别 UIP 模式可以减少肺活检的需求。模板要求报告若干具体的影像学征象——牵引性支气管扩张、蜂窝肺、马赛克衰减、网格影、纤维化的轴向与带状分布——这些征象的组合引导放射科医生在五档 ILD-RADS 中做出选择。模板在单中心学术机构进行了为期 8 周的试点，收集了使用该模板的放射科医生与转诊的肺科医生的反馈。接受调查的肺科医生认为 ILD-RADS 较既往（他们常感到不统一的）报告方式是有意义的改进；放射科医生则反馈 ILD-RADS 提高了对既有 ILD CT 报告指南的依从性。作者将上述结果概括为：结构化报告能减少 ILD 报告中的潜在变异性，提高抵达具体诊断的可能性；同时也有助于让普放放射科医生与放射科培训住院医师熟悉 HRCT 对 ILD 的规范报告方法。文末指出，目前有大量研究正在开发能够对纤维性肺疾病进行自动准确分类的 AI 算法，可与 ILD-RADS 结构化报告联合使用。

CAD-RADS（冠状动脉疾病报告和数据系统）

CAD-RADS 由放射与心脏两个主要学会的多学科专家共识于 2016 年推出，用于为冠脉 CT 血管造影（CTA）提供一致的最终评估报告结构，并据此指导后续管理决策。报告系统要求根据冠脉最大狭窄程度从七档 CAD-RADS 中选择一档：0 对应无狭窄；1 对应 1–24% 狭窄；2 对应 25–49% 狭窄；3 对应 50–69% 中度狭窄；4A 对应 70–99% 重度狭窄；4B 对应左主干 >50% 或三支 >70% 阻塞；5 对应 100% 完全闭塞；N 修饰符则表示检查无诊断价值。每一档都对应着明确的后续管理建议，范围从 CAD-RADS 0 的"无需进一步评估"到 CAD-RADS 5 急性情况下的"加速行有创冠脉造影"。两个常用修饰符 N 与 V 分别表示无诊断价值检查与存在易损高危斑块。一项纳入 287 例患者的前瞻性单中心研究报道，CAD-RADS 对显著 CAD 预测的灵敏度、特异度、准确度在 96.8%–100% 区间内；同一研究中 87% 的转诊医生将 CAD-RADS 描述为对临床决策"相当有帮助"或"完全有帮助"。作者总结其作用：CAD-RADS 应能消除报告中的模糊性，改善读片医生与转诊医生之间的沟通，并简化后续管理建议。Muscogiuri 等人开发并评估了一个深度卷积神经网络（CNN），用于将 CCTA 检查自动分到相应 CAD-RADS 类别——研究纳入 288 例临床指征的 CCTA 患者，将 CNN 的结果与现场有经验的心脏影像医师判读进行比较，CNN 达到 60%–86% 的诊断准确率，并被证明能可靠地区分 CAD-RADS 0 与 CAD-RADS >0。

COVID-19

至 2020 年 3 月，由 SARS-CoV-2 引起的 COVID-19 已扩散至全球大流行阶段。多数主要放射学会不推荐使用 CT 对该病进行筛查，但仍有大量 PUI 因各种原因接受 CT 检查。COVID-19 的 CT 影像特征——与机化性急性肺损伤模式相似——在许多情况下可以与某些其他肺炎相鉴别；但同样的影像特征也常见于吸入性暴露、ILD 急性加重、药物毒性或其他感染等疾病过程，这使得 CT 解读具有挑战性。鉴于 COVID-19 显著的发病率与死亡率，准确的诊断至关重要。为此，在大流行暴发后不久，一个专家小组制定了 COVID-19 CT 报告的结构化报告系统，提供四个主要类别描述影像所见：典型表现（typical appearance）、不确定表现（indeterminate appearance）、不典型表现（atypical appearance）与无肺炎（negative for pneumonia）。每个类别配有建议使用的结构化报告词汇表，并附有相应的 CT 表现清单以指导放射科医生。值得注意的是，与其他结构化系统不同，该系统未给出每种类别对应的肺炎精确概率，因为这一概率被认为还取决于社区流行率、暴露程度与其他危险因素等额外因素；其设计目标被作者概括为减少影像所见报告的变异性与不确定性，并改善后续临床决策。2020 年 4 月，另一个分级系统 CO-RADS 被引入，用于评估胸部 CT 上 COVID-19 肺受累的可疑程度。CO-RADS 为出现中重度 COVID-19 症状的患者设计，提供 1–5 共五档，每一档对应着对肺受累的递增怀疑（CO-RADS 1 为"非常低"，5 为"非常高"，6 为"已证实"）。该系统在 105 例有 COVID-19 样症状并同时接受 RT-PCR 检测的胸部 CT 上进行了评估，由 8 名观察者按 CO-RADS 读片，结果显示 CO-RADS 对 RT-PCR 结果有高区分力（ROC 曲线下面积平均 0.91）。自大流行开始以来，已有多个 AI 系统被开发用于在胸部 CT 上区分 COVID-19 肺炎与其他原因肺炎。COVNet 是其中之一，基于 4356 例胸部 CT 训练，区分 COVID-19 与其他社区获得性肺炎的灵敏度与特异度分别达到 90% 与 96%。但作者也指出，这些模型仍存在显著局限，尚未在临床实践中得到部署。

Data Mining（AI 与结构化报告的整合：数据挖掘）

随着向结构化报告范式的转变，AI 在医学影像中的应用也取得了巨大进展。机器学习算法需要通过多轮 train-test 迭代开发与调优，依赖海量训练数据。既往放射学报告看似可作为可挖掘的大型数据池，但作者指出，从非结构化报告中挖掘数据可能很具挑战性。作者以一个简化的机器学习算法开发模型加以说明：一个假想的分类算法被训练用于区分 UIP 与结节病 CT 影像。模型需要大规模输入影像（训练集），且训练影像必须满足两点要求：（1）影像含有适当的特征集合——即"支气管扩张""蜂窝肺""结节"等征象应能代表不同疾病类别，使 AI 系统学习如何在它们之间做出区分；（2）每例训练样本必须被准确且无歧义地标记为某一诊断类别（此处为 UIP 或结节病）。准确清晰的标签是训练"金标准"，标签错误将导致分类器被训练为有缺陷；类似"非特异性纤维化，可能为 UIP 或结节病"这样的模糊标签对算法训练价值有限。在结构化报告系统（如 ILD-RADS）中，关键影像征象的存在与否以清晰的二元方式标注——这大幅简化了收集含有合适征象的训练影像的过程；ILD-RADS 同时要求对每例给出最终的 ILD-RADS 类别诊断（如 ILD-RADS 1 典型 UIP），为该样本提供了无歧义标签，便于在训练中使用。然而，现实中绝大多数放射学报告仍是非结构化的叙事性文本，关键数据元素散落其中；要在这一报告库中挖掘数千例含合适征象且标签准确的样本可能极为费时，加重工作流负担。作者的结论是：结构化报告显然是未来医学影像 AI 发展的更优平台。

Enhancing Workflow（工作流增强）

结构化报告系统也更容易与已开发的实用性强的 AI 算法结合。以心脏 MRI 报告为例，目前已有非常有效的深度学习算法可一键完成心腔的自动分割，并据此快速计算多种重要临床参数——心腔直径、容积与射血分数——这相比传统人工分割心室已节省大量时间。结构化报告在这一场景下进一步提供显著增量价值：典型的心脏 MRI 结构化报告主体中包含一个标准化的字段部分，规定每项测量的填写位置。AI 算法可以同步地自动填入这些数据元素，免去逐项口述测量的繁琐。同样地，AI 后处理可被用于晚期钆增强（LGE）的评估——当 AI 系统与结构化模板结合时，可以按标准的 17 节段模型自动生成报告中的 LGE 描述部分。这一思路显然可推广到 CT 等其他模态：例如 CT 钙化积分可被自动填入结构化报告的相应数据字段，免去口述。

Clinical Decision Support（临床决策支持）

随着医疗保健模式的持续演变，对医疗性价比的需求日益增长。临床决策支持（CDS）是帮助医生选择最合适、与该范式相一致的管理方案的软件。CDS 对放射科医生的主要价值在于通过报告过程提供恰当指导。更具体地说，ACR 资助开发了一个计算机辅助报告与决策支持（CAR/DS）框架，旨在嵌入报告环境中。CAR/DS 再次凸显了 AI 与结构化报告整合的重要性。在经典 CAR/DS 系统中，放射科医生向结构化报告输入数据元素——例如在肺癌筛查报告中填写结节大小、结节位置与结节类型（实性 vs 磨玻璃）。CAR/DS 进化的下一阶段是混合型 CDS-AI 系统，其中报告软件同时接受来自 AI 算法与放射科医生的输入：自动 AI 肺结节检测器可定位并测量肺结节，但放射科医生可能仍需评估结节的放射密度。最先进的系统是完整的 CDS-AI 集成——报告中所有数据元素都通过 AI 输入自动填入，由放射科医生在签署前进行审阅。作者认为，AI 在其持续演化中可显著改进适用于临床影像的 CDS。

Summary

作者总结：结构化报告契合当前价值导向医疗的趋势，带来诸多重要裨益。多种研究已显示，结构化报告系统可提升放射学报告的整体质量，减少报告中的歧义——这改善了放射科医生与转诊医生之间的沟通；同时，结构化报告也促进了对共识指南的遵循，包括对重要发现的分类与恰当的管理建议的给出。在心胸影像领域，已有多个具影响力的结构化报告数据系统被引入，包括 Lung-RADS、TI-RADS、CAD-RADS、ILD-RADS 与 CO-RADS。这些系统的设计允许 AI 算法（如自动肺结节检测器）的集成，可在结构化报告中自动填入相应的数据元素。结构化报告也是开发新 AI 系统的平台——可提供清晰标注的数据用于进一步训练 AI 算法。最后，CDS 工具在提升医疗质量与可负担性方面承担了重要角色；结构化报告与持续演化的 AI 算法的组合，有望生成强大的 CDS 工具；结构化报告是医学影像中新兴 AI 整合的宝贵平台。

本章个人批注

本章是 De Cecco 全书中"结构化报告"这一主题的专章，作者 Filev 与 Stillman 选择把章节定位在"结构化报告与 AI 的相互成就"这一交叉点上。读完后我有几点感受比较深。

第一，作者对 RADS（报告和数据系统）系列工具的呈现方式是"案例驱动"——围绕 ILD-RADS、CAD-RADS、CO-RADS 三个具体系统展开，并在每个系统上叠加 AI 应用或潜力。这种写法的好处是具体，但代价是缺乏统一的"RADS 系统的设计原则"抽象——读者在读完三个 RADS 之后会感到它们都长得差不多（"若干档 + 每档对应管理建议 + 可选修饰符"），但没有一段把这一共性抽离出来。考虑到全书是参考书性质的章节汇编，这种"案例集合 + AI 角度重读"的写法或许是被刻意选择的，但读者如果想获得"如何设计一个 RADS"的方法学，就需要去原始文献（如 Lung-RADS 文档、TI-RADS 文档、CO-RADS 论文）自行寻找。

第二，作者在 ch10 中关于"结构化报告对 AI 数据挖掘的贡献"那一段（Data Mining 小节），用 UIP vs 结节病的假想案例清楚地展示了"清晰标签 + 二元特征标注"为什么是训练样本的"金标准"——这与 ch9 Waller 在"两类文化"框架下讲的"机器学习的目标是预测"在思想上是连续的：Waller 强调"对预测有用即可，不必因果"；Filev 与 Stillman 在这里具体展示了"什么样的报告格式才能让数据被高效地用于预测"。ch9 与 ch10 形成了从哲学到方法的承接。

第三，本章的弱点在 CAD-RADS 那一段——Muscogiuri 等人的 CNN 准确率"60%–86%"，跨度很大，作者没有解释为什么会有这么大的区间，也没有和人类专家的判读准确率做对照。这与 ch7（放射组学）、ch14（深度学习重建）那种"指标表 + 数值精度"的写作风格相比，明显偏弱。如果精读本书是为了"理解 AI 在心胸影像中的应用全景"，ch10 的这一段更像是"AI 已经被研究过，方向是可行的"的宣言，而不是有定量说服力的实验展示。

最后是 ch10 在全书中的位置：它是 Part II 中专门讨论"结构化报告"的一章，而结构化报告是 AI 在临床落地的关键基础设施之一——没有结构化报告，再好的 AI 输出也只能以自由文本形式被非结构化地记录，丢失训练价值。本章为后续 ch11（AI：临床相关性与工作流）做了铺垫。

与上下章的衔接（一段话）

ch9（Waller 的"两类文化"框架）作为方法学过渡章节，把读者的注意力从"如何训练 AI"提升到"统计学与机器学习的目标、评价差异"，ch10 紧随其后，把这一框架应用到"结构化报告"这一具体场景上：结构化报告既是"减少诊断歧义"的临床工具，也是"提供清晰训练标签"的 AI 数据基础设施。ch10 之后，ch11（Moore 与 Ko 的"AI：临床相关性与工作流"）将进一步把视角拉远到 AI 在整个放射检查流程中的应用——从检查开单、协议设定、扫描器调度到图像质量评估——而 ch10 是这一系列临床工作流章节的"前置基础设施"：没有结构化报告与数据系统，ch11 中讨论的"自动填字段""AI 辅助决策"都难以落地。从这一意义上看，ch10 在 Part II 中扮演"承上（ch9 方法论）启下（ch11 工作流）"的角色，其讨论的 ILD-RADS / CAD-RADS / CO-RADS 又分别与 ch12（肺部感染 AI）、ch17（冠脉 CTA 应用）、ch18（COVID-19 实施）等后续章节构成主题上的对位。