第12章：患者筛选与扫描准备优化中的人工智能（Patient Selection and Scan Preparation Optimization: The Role of Artificial Intelligence）

引言

本章由 Matthias Eberhard、Bettina Baessler 和 Hatem Alkadhi 撰写，全文聚焦于一个在 AI 影像应用中相对边缘但临床价值不可忽视的环节：患者筛选（patient selection）与扫描准备（scan preparation）。作者开篇即给出一个反差强烈的对比：人工智能在影像处理、识别与解读领域已积累大量算法，但被专门设计来支持患者筛选和扫描准备的算法，在过去 20 年里仍属少数。造成这种不平衡的原因是，在过去二十年里，开具检查单、安排患者、选择合适的扫描协议，这些流程已从纸质办公迁移到完全数字化的电子流程，电子病历中积聚了医嘱信息、病史、实验室参数以及既往影像结果等海量内容；放射科医生必须在有限时间内通读并筛除噪音，再据此选择或新建扫描协议，这是一项耗时却极重要的任务，一旦遗漏关键信息就会带来临床风险。正是在这一"信息过载 + 协议选择高度依赖个体经验"的环节中，作者认为 AI 算法拥有清晰的切入点来辅助患者筛选与扫描准备。整章随后按临床工作流的五个步骤（图像开单、安排预约、协议设定、患者摆位、图像采集）依次展开，逐一讨论 AI 的现状与潜力，并在结尾给出对未来的展望。

图像开单（Image Ordering）

作者把图像开单定位为整个放射检查链（图 12.1）的第一步，核心任务不仅是依据患者症状选择合适的成像模态，还应尽量保证所选检查能安全、有效地完成。临床决策支持（CDS）系统在这一步可以基于既有病史和当前症状，推荐最有效或最具性价比的成像模态与具体检查。文中以欧洲放射学会（ESR）的在线门户 "iGuide" 为例：该门户以患者数据作为输入，输出建议的影像检查项目、相应的适应证等级、预估费用和预期辐射剂量；可被用于为下腰痛患者权衡检查的成本效益、为长期吸烟者评估肺癌筛查的收益、以及辅助临床医生判断对系统硬化症患者进行肺纤维化和/或肺动脉高压筛查的合理性。Chen 等人在下腰痛患者中评估了一种电子病历最佳实践警示（best practice alert）形式的 CDS 工具，结果显示该工具将影像检查和 MRI 检查的使用率分别降低了 10% 和 15%；在临床医生覆盖掉该警示的情况下，约 60% 给出了非指南支持的理由以证明其决定。整体而言，作者借此例说明此类算法在减少不必要检查方面的现实能力，但同时承认 CDS 在开单环节的临床落地仍处早期。

患者安排（Patient Scheduling）

本节聚焦于患者排期与最优协议选择常因临床信息不完整而受阻的难题。作者指出，CDS 警示可在临床信息缺失时提醒开单医生补全资料；反过来，AI 辅助的自动信息抽取可从电子病历的自由文本笔记中提取临床信息以预填充检查申请单，从而改善开单医生与放射科之间的沟通，提升时间效率和检查申请单的完整度。自然语言处理（NLP）在此扮演关键角色：借助反馈循环和文本中的上下文特征，把任意自由文本翻译为最匹配的临床指征，本书第 10 章会更详细地讨论 NLP；作者也强调，更完整、准确的临床信息将极可能提升扫描协议拟定与图像解读的质量。这一节的篇幅较短，重在说明信息完整性是后续所有环节的根基，AI 在这一节点的贡献是结构化抽取和自动补全。

协议设定（Protocoling）

在临床合适的检查已经开单之后，作者把视线转向 AI 在患者扫描安全上的角色。协议设定阶段的 AI 介入以规则型算法（rule-based）为主：可用于核查患者开单与扫描协议选择中的错误，例如重复检查、给有造影剂过敏史或严重肾功能不全的患者误选了含造影剂的应用方案等。一旦发现问题，AI 算法可减少患者暴露于不必要辐射的机会，并降低造影剂相关并发症的风险。作者坦承，尽管初期研究为 CDS 系统的临床应用提供了乐观的前景，目前真正准备好进入临床使用的软件方案数量仍非常有限。本节末尾，作者还以"图 12.1"的形式重述了临床工作流的完整链条（图示说明：图 12.1 展示了从（1）开单、（2）患者安排、（3）协议选择、（4）患者摆位到（5）图像采集的临床工作流；由 AI 驱动的临床决策支持算法可在每一步上提升诊断成像的有效性并增加患者安全性），与引言中提出的"五步流程"互相呼应。

患者摆位（Patient Positioning）

摆位一节把 AI 引入到一个非常具体且能量化的环节：通过优化 CT 扫描中的患者中心化（centering）来影响扫描准备。作者给出关键定量论据：在 CT 扫描中，垂直方向上仅 ±20 mm 的偏离等中心（isocenter）即可因定位像（localizer radiograph）对患者尺寸的高估或低估而显著改变胸部器官的辐射剂量。在儿科患者中，Euler 等人的工作进一步显示，垂直摆位对器官剂量和图像噪声都有显著影响，且影响机制因身体区域而异：头部 CT 主要受 bowtie 滤波器影响，胸腹联合 CT 则同时受自动管电流调制（automatic tube current modulation）和 bowtie 滤波器的双重影响。作者随后详述了一种近期由 Siemens Healthineers 引入、结合彩色/深度信息的 3D 相机方案：相机使用红外光与飞行时间（time-of-flight）原理测量物体到相机的距离，再由机器学习算法从相机数据中检测解剖标志，并在训练人群数据基础上拟合出"最可能的虚拟患者化身（avatar）"模型；为设定垂直床位高度，先在选定扫描范围内计算该化身外壳的几何中心，再把 3D 相机采集定位像时所在的床高调整到虚拟化身与 CT 等中心对齐的位置。Saltybaeva 等人报告，使用该 3D 相机的自动摆位在胸腹 CT 中实现了 (5 ± 3) mm 的中心化精度，显著优于手工摆位的 (19 ± 10) mm；Boji 等人则显示，对于头、胸、腹 CT，3D 相机在等中心处的中位偏差为 5–10 mm，而 CT 技师手工摆位的中位偏差为 12–15 mm；在不使用固定辅助的儿童人群中，3D 相机也优于放射技师，尤其在头部 CT 上把中位床高偏差从技师的 16 mm 降至相机的 4 mm。作者强调，此 AI 应用已在临床上投入使用，能减少不必要辐射并提高图像质量；基于所检测的解剖标志，系统还可在患者摆位与所选扫描协议不一致时（例如头先位而非脚先位）提醒操作员，并能自动建议扫描范围（例如胸部扫描的范围）。关于心胸放射学中的未来方向，作者设想 3D 相机将用于 ECG 电极放置的虚拟引导、基于已获取的患者体表标志将既往扫描虚拟融合到当前检查、以及通过虚拟融合体表标志与定位像为肺活检提供针向引导；要实现"虚拟定位像（virtual topogram）"以取代传统定位像并节省剂量，系统还需要学习正确识别内脏位置，以便针对患者独特解剖进行合理的剂量调制。作者最后交代，3D 相机已商业化并在多家机构临床应用，并提示读者参阅本书第 21 章。

小结

作者在结尾再次强调，迄今为止被开发来支持患者筛选与扫描准备流程的 AI 算法仍很有限，但 AI 在这一医学影像的重要环节中蕴含巨大潜力，主要因为它具备快速分析大规模复杂数据集的能力；他们预期，未来基于 AI 的算法将在效率、时间节约、成本控制和安全、以患者为中心的成像方面带来全面提升。本节因此给出一个相对乐观但审慎的展望，把本章节中分散在开单、预约、协议设定、摆位各环节的现状与潜力收束为一句判断：现在算法少、潜力大，未来可期。

本章个人批注

本章是全书"AI 在工作流与图像采集上游的应用"这一主题的代表性章节，所讨论的问题（CDS、摆位）与放射科日常运营紧密耦合，但作者明确承认这条线索上的算法数量远不及图像后处理和诊断辅助方向——这一不对称本身就是一个值得记住的判断：AI 应用的热点并不天然等同于临床痛点最强的环节。3D 相机那一段是技术细节最密集的部分，把"飞行时间 + 训练集 avatar"和"机械对齐"串成了一条完整的"AI 决策—执行"链，对做影像设备或图像引导算法的读者而言是一个可借鉴的闭环设计示例。CDS 降低下腰痛 MRI 10–15% 那一段引用 Chen 等人的数据，但 60% 医生覆盖警示时给出非指南理由的细节是值得一记的旁注：算法提示要落地，还得跨越临床医生"覆盖决策合理化"这一行为障碍。

与上下章的衔接（一段话）

第 11 章讨论了 AI 在临床相关性与工作流整体上对放射科的赋能，而本章则把视角上推到了患者进入机房之前、属于工作流最上游的环节（开单、预约、协议、摆位），紧扣第 11 章"工作流"主题并将其具象化为五个可被 AI 增强的步骤；接下来第 13 章起会转入"图像增强与重建"主题，从患者端的工作流优化切换到图像采集端的数据层面（k-space、深度学习重建），与本章形成"流程上游—采集下游"的对称关系，而第 10 章的结构化报告与第 11 章的工作流优化则是本章的同侪主题，三者共同把放射科的工作流纳入 AI 改造的视野。