第11章：人工智能的临床相关性与工作流（Artificial Intelligence: Clinical Relevance and Workflow）

作者：W. Moore, J. Ko

Worklist Prioritization and Turnaround Time（工作列表优先级与报告周转时间）

已有商业化的 ML 系统改变了传统工作流范式，转而按 ML 系统的实时结果对工作列表进行排序和组织。实现这一功能的关键前提是 ML 系统的准确性（该问题其他章节另有讨论）。ML 算法在影像判读显著滞后的资源不足地区可以提供帮助。Annarumma 等 [39] 开发了一个 CNN，分析该系统对报告周转时间（TAT）的潜在影响。该研究聚焦胸片上的 15 类异常（与 [40] 类似），其中包括空气腔混浊/实变；每一类映射到正常、非紧急、紧急、危急四个优先级之一。研究先用基于 NLP 的自动化语言映射系统从报告中提取影像所见作为放射片 ML 训练标注，再用训练后的 ML 算法从胸片提取影像所见并自动映射到优先级类别。研究将实际 TAT 与模拟的 ML 优先级 TAT 做了对比，预计异常胸片的 TAT 由 11.2 天降至 2.7 天。美国 FDA 已批准若干 ML 工具用于识别异常影像并改变检查在工作列表上的优先级；最早一批放射相关的 ML 算法即以图像优先级作为适应症获得 FDA 批准。

ML in Structured Reporting and Improved Follow-up Recommendations（结构化报告中的 ML 与改进随访建议）

放射学报告在书写与判读两端都存在显著的观察者间和观察者内变异。已有尝试（如 RadLex/RadReport [41]）致力于在影像报告中创建一致的措辞；术语词汇已被提出，胸放射领域 Fleischner 学会以其术语表 [42] 占据明确的主导地位。然而即便如此，报告的变异性仍然显著，这种变异性会让临床医生（尤其是患者）理解报告时面临挑战。鉴于 2020 年计划发布的立法 [43] 要求所有就诊笔记与报告（包括放射影像报告）立即发布，这一问题变得尤为迫切。已有研究评估了 NLP 作为分析放射报告并把内容输出为对医务人员（甚至外行）有意义文本的方法。Spandorfer 等 [44] 发现 NLP 系统能在 96% 的自由文本报告中正确区分 CTA 肺栓塞检查报告的阳性与阴性结果。Kang 等 [45] 用开源 NLP 系统在非结构化胸部 CT 报告中识别"lung nodule"一词，获得 91.1% 的灵敏度与 82.2% 的特异度。这些结果提示 NLP 对影像报告具有鲁棒解读的潜力。未来的应用包括 NLP 基于指南自动为某项所见（例如结节）建议合适的随访；这类技术有望提升报告与建议的一致性。Kang 等 [45] 还在同一研究中观察到，判读放射科医生仅在 75.0% 的肺结节报告中遵循了 Fleischner 学会指南——这一低依从率可由 NLP 系统建议结构化随访而得到缓解，让放射科医生有机会调整自己的推荐，能够实现这一目标的系统可以改善患者安全 [46]。许多医疗系统及现在的联邦法律要求把影像报告直接发布给患者，NLP 可以帮助患者理解这些影像报告的含义。一项关于现有 NLP 系统的 meta 分析 [47] 显示其灵敏度（>90%）与阳性预测值（>80%）都很高。NLP 的一项潜在应用是创建面向患者的报告，向其解释影像报告的含义。尽管 NLP 结果优异，对于把有限版报告直接发布给患者仍有许多顾虑——这些系统尚不完美，即便在最理想的场景下，也没有人能向患者解释报告结果的含义，更不必说下一步的计划。

ML System Development (Issue Around Fragility and System Integration)（ML 系统开发——脆弱性与系统集成的问题）

在医疗系统内实施 ML 系统可能问题重重。首先是算法"脆弱性"这一概念，它指将新数据加入既有算法时，算法在新数据上的表现可能不再保持其在初始数据集上的水平 [48]。目前研究集中于缓解这一风险，越来越多研究关注 ML 系统在图像中究竟用了什么做出判断。例如 Besse 等 [49] 评估了一个经典的 ML 挑战——区分狼与哈士奇；其中一个算法异常鲁棒，团队发现 ML 系统实际上依据图像背景而非动物本体做出判别。使用 ML 系统时需要严密监控其结果。Lui 等 [50] 描述了一个颅内出血识别系统在胸部 CT 的左侧腋窝区域报告了"出血"。尽管各家销售 AI 系统的公司都在尽量控制送入算法的图像，"离群点"造成意外结果的可能性始终存在。各公司采用了不同策略来控制送入 ML 算法的图像流。起初的思路是利用 DICOM 标准把图像路由到相应的算法，但很快发现该路径并非可行方案——DICOM 标签在不同机构间差异极大，会导致基于计算机的系统结果显著不一致 [51]。因此，多数 AI 公司已经转向，让 ML 算法自身充当"守门人"。举例而言，用于评估肺栓塞的算法可部署在所有 CT 都送入一台服务器的环境，服务器先检测该图像是否包含待评估肺栓塞的解剖结构，而无论其命名约定如何；这样一来，颈部增强 CT 的最下层图像和腹部 CT 的最上层图像都可被纳入肺栓塞评估，从而能在任何含对比剂的检查中评估肺栓塞。尽管这些系统已被证明是稳健的，错误仍可能发生（如 [50] 所述）。随着 ML 系统被部署到大型实践机构，工作流上的考量包括结果的周转时间（TAT）、差异性报告以及结果的展示方式。第一，ML 结果的 TAT 差异很大，取决于系统设计——例如一个仅分析一张图像、返回一个用于排序的数值的胸片系统，会远快于一个需评估 1000 余张 CT 图像并向 PACS 返回热图结果的系统。评估 ML 系统时的另一个考量是阳性与阴性结果的处理方式。多数 ML 系统阴性预测值很高（部分源于疾病患病率），但阳性预测值（PPV）往往较低，如 Yoo 等 [52] 所示。公司已制定策略以应对较低的阳性预测值：一种策略是 ML 系统返回阳性结果后，把数据送入第二个甚至第三个算法以提高返回真正阳性结果的概率。在大数据集上，这一过程会显著拖慢结果返回，有时可达十几分钟；在急诊场景下，这可能导致判读延误，甚至在 ML 结果尚未到位时就已发出判读。临床实践中对 ML 算法的评估可通过建立"差异性报告"来实现，即比较放射报告与 ML 算法结果的差异。这些报告需要鲁棒的 NLP 系统集成到语音口述系统中。目前已有部分系统能够把 ML 结果与影像报告的差异自动发送给判读医生或上级放射科医生。这些系统的实际表现差异很大，且高度依赖 ML 结果的阳性/阴性预测值（NPV）以及 NLP 系统的准确性。最后，关于如何展示 ML 结果，目前仍有较大争议。部分方案支持热图（图 11.1），向放射科医生显示感兴趣区域——热图由 ML 算法生成，标出该算法输出概率最高的区域（如图 11.1 中胸部放射片所示，热图所示区域就是 ML 系统判定该患者有较高气胸概率时主要使用的区域）。在 ML 算法广泛使用之前，针对肺栓塞诊断 [53] 的计算机辅助检测（CAD）系统研究显示其假阳性率很高，限制了这类系统的广泛应用，因为假阳性率过高。偏见风险（尤其是在经验不足的判读者中）较高。尽管这些结果来自 CAD，但同样适用于 ML 算法；不过随着 PPV 和 NPV 的改善，这一风险会得到缓解。ML 公司采用的另一种展示策略是不显示热图、而是重排工作列表，从而告知放射科医生存在一处需要处理的结果，但避免热图带来的偏见——系统会自动执行下一步，并把热图结果保留到放射科医生主动调用之时。这些展示方式的选择本质上是局部偏好问题，截至目前监管机构对此几乎没有给出明确指引。

Conclusion（结论）

AI 算法在心胸影像的放射学领域正处于开发、改进与部署的多个阶段。尽管许多系统最初以计算机辅助检测/诊断系统为设计原型，如今已出现多种工作流选项，可以改善放射学从开单到最终报告判读的各环节。这些系统的后端设计对其部署方式与部署位置具有显著影响。ML 在影像中的未来无疑广阔，但或许不再局限于图像判读本身，而是扩展到工作流优化层面。

本章个人批注

本章是 De Cecco 全书中"AI 临床工作流"的代表性章节，作者 Moore 与 Ko 把讨论的重心放在"AI 系统如何嵌入放射科日常工作流"——而非"AI 在图像上的精度提升"。这一选题本身很关键：在 2022 年的临床实际中，AI 落地的瓶颈往往不是算法精度，而是它能否与 PACS、RIS、语音口述系统、报告模板和工作列表排序这些"周边基础设施"无缝衔接。

第一，本章第一节（Worklist Prioritization and TAT）通过 Annarumma 等的工作给出一个具体的 TAT 缩减预期——异常胸片 TAT 从 11.2 天降到 2.7 天——这是一个相当戏剧性的数字，但作者也提醒读者，这一缩减是"模拟 TAT"而非真实部署后的结果。FDA 优先级的早期批准本身就是 AI 商业化路径的一个标志性事件：算法精度不必达到放射科医生水平，只要能"把异常片顶到工作列表的最上面"就有临床价值。这与 ch10 中 CAD-RADS、ILD-RADS 的逻辑一脉相承——"减少变异"比"提升精度"更容易实现，也更早被监管接受。

第二，本章对 NLP 的讨论是"双面"的：既展示了高灵敏度/特异度的乐观数据（96% PE 报告区分、91.1%/82.2% 肺结节识别、>90%/>80% meta 分析），又指出"向患者直接发布报告"在 NLP 不完美的前提下会带来新的医患沟通风险。这一两面性是 ch11 与 ch10（Filev/Stillman 强调结构化报告的诸多裨益）之间一个有趣的对比——ch10 几乎全是结构化报告的好处，ch11 在结构化报告与 NLP 之上加入了"对患者解释"这一新的脆弱性维度。读这两章时要注意：结构化报告 + NLP 既改善了医生之间的沟通，也可能把目前由医生口头解释承担的负担转嫁给不完美的算法。

第三，"算法脆弱性"（algorithmic fragility）与系统集成是本章最有方法学价值的部分。Besse 等的"狼 vs 哈士奇"实验是一个经典的解释性 AI（XAI）案例：算法精度很高，但判别依据完全错误（用背景而非动物本体）。这与 ch7（放射组学）、ch9（Waller 的两类文化）形成完整的方法学链条——ch7 强调特征的可重复性，ch9 强调"预测 vs 因果"，ch11 用 Besse 的例子具体展示了"高精度但基于错误特征的算法"在临床上会怎样。Lui 等关于颅内出血系统在腋窝报告"出血"的案例则是该方法学风险的临床具象化。读到这里时我意识到，AI 在临床落地需要的不只是算法精度数字，而是"算法基于什么做出判断"的可解释性与监控机制——这一观点在 2026 年的监管讨论（如 EU AI Act）中已经成为焦点，但 ch11（2022 年出版）已经把这一议题放在了核心位置，足见作者的前瞻性。

第四，本章关于"差异性报告"（variance report）的讨论指出，临床实践中 ML 算法的实际表现高度依赖 NPV/PPV 与 NLP 系统准确性。但作者没有给出具体的差异性报告自动化方案的厂商案例或试点数据，这是本章的一个空白——读者只能基于"原理可行"来推断，而非看到部署后的实证效果。同样，"热图 vs 重排工作列表"之争至今没有监管机构给出明确指引——这是一个到 2026 年仍未解决的开放问题，ch11 把这一不确定性诚实地呈现给读者，反而比强行下一个"哪个更好"的结论更有价值。

最后是本章在全书中的位置：ch10 把"结构化报告"作为 AI 落地的基础设施，ch11 紧接着把"AI 嵌入工作流"作为下一个层次。ch12（Patient Selection and Scan Preparation）将继续推进这一"AI 在放射检查流程前段的应用"主题——从开单、调度、协议选择到患者定位。ch11 与 ch12 的衔接关系紧密，前者讨论 AI 已经在放射科内部工作流的部署现状，后者讨论 AI 在检查前段的应用潜力；二者合在一起构成 Part II "临床相关性"的完整图景。

与上下章的衔接（一段话）

ch10（Filev/Stillman 的"结构化报告"）作为 Part II 中"AI 临床相关性"主题的基础设施章节，把 AI 的落地前提——结构化报告模板——讲透。ch11（Moore/Ko 的"AI：临床相关性与工作流"）紧随其后，把视角从"报告本身"扩展到"放射科完整工作流"——工作列表排序、TAT 缩减、报告变异减少、NLP 辅助解读、ML 系统的脆弱性与集成问题、结果展示方式。ch11 之后，ch12（Eberhard/Baessler/Alkadhi 的"患者选择与扫描准备优化"）将工作流视角进一步前移，从"放射科内"扩展到"检查前的开单、调度、协议选择与患者定位"。三章构成一条"从结果端 → 工作流 → 前段流程"的链，ch11 居中，承担"把 AI 嵌入现有放射科流程的所有现实问题集中呈现"的角色。ch11 与更前的方法学章节（ch7 放射组学、ch9 两类文化）也形成承接——ch7/ch9 提供 AI 精度的统计与方法学视角，ch11 转入"精度之外的工程化问题"（脆弱性、集成、结果展示），从"做对"转向"用对"。