人工智能在医学影像中的应用不断增加，但一个值得关注的问题是：模型在实验环境中表现良好，是否意味着它进入医院后就能改善诊断、提高效率并降低医疗成本？
2025年，发表于 eClinicalMedicine 的这篇快速系统性范围综述，检索2020年1月至2025年1月发表的相关研究，从8,013条记录中最终纳入140项研究，系统梳理了放射学AI的实施情况、使用体验、人员认知、诊断效果及成本相关证据。研究不仅关注AI能否提高诊断准确性，还进一步考察其能否融入实际工作流程，以及现有证据是否足以支持临床推广。
研究发现，AI辅助诊断具有改善部分诊断指标、缩短影像判读时间的潜力，但真实世界实施证据相对不足，工作流程效率与成本效益的研究结果也不完全一致。作者因此强调，应将AI视为辅助临床决策的工具，而不是解决所有诊断问题的独立方案。
这篇文章最值得学习的地方是：医学AI的价值不能只用AUC或敏感度衡量，还需要通过临床验证、人机协作、工作流程和实施效果等多层证据加以判断。
论文信息
01 临床问题
现实需求：AI能否真正改善诊疗？
放射学AI已应用于病灶检测、影像分类、定量测量和辅助诊断等任务。理论上，AI可以帮助医师发现容易遗漏的异常、减轻重复性工作，并提高诊断效率。但医院真正关心的问题，不仅是模型能否识别病灶，还包括以下几个方面。
第一，AI是否能够改善医师的诊断准确性，减少漏诊和误诊。
第二，AI能否缩短判读和报告时间，还是会因为警报、复核和系统操作增加额外负担。
第三，不同经验水平的医师是否都能从AI辅助中获益，以及AI是否可能影响医师的独立判断。
第四，AI能否改善患者管理，减少不必要的检查，并最终产生合理的经济收益。
这些问题涉及技术性能、临床流程、人员行为和医疗系统多个层面，单独评价模型的区分能力无法完整回答。
科学难点：实验有效不等于临床有效
第一，研究环境与真实临床环境存在差异。 预设实验通常能够控制数据和阅片条件，而实际医院中的患者构成、设备、医师经验和工作流程更加复杂。
第二，诊断收益与误报风险并存。 AI可能帮助医师发现更多异常，也可能产生额外的假阳性结果，导致不必要的复查或后续检查。
第三，人机协作会影响最终效果。 AI作为辅助提示、第二阅片者或决策支持工具时，其作用方式并不相同。医师经验、对AI的信任以及对错误提示的处理，都可能改变实际结果。
第四，临床收益难以直接转换为经济收益。 诊断准确性提高，不代表患者结局一定改善，也不意味着医疗总成本必然下降。
因此，本文的核心问题并不是开发一个新的分类模型，而是梳理现有研究究竟提供了多少证据，能够支持放射学AI在临床中安全、有效地使用。
02 研究方法
作者检索了MEDLINE-Ovid、PsycINFO、CINAHL Plus和Web of Science Core Collection四个数据库，并补充灰色文献、相关综述的参考文献及专家推荐的研究。检索时间覆盖2020年1月1日至2025年1月31日。
研究共筛选8,013条记录，最终纳入140项研究。纳入内容涉及AI在放射学中的实施、实际使用体验、人员认知、诊断效果和成本相关结果。
与单纯关注算法性能的综述不同，本文还纳入了医务人员、患者及公众对AI的认知与体验，试图从临床应用的多个层面评价AI。
证据分类与质量评价
作者将研究结果按主要主题进行归类，包括实施情况、使用体验、人员认知、定量效果和成本效益。由于部分研究涉及多个主题，各类别之间存在重叠，不能简单相加后视为互斥分组。
在质量评价方面，作者使用Mixed Methods Appraisal Tool评价相关定量、定性及混合方法研究，并采用适用于经济学研究的评价工具审视成本相关证据。
对于诊断准确性、判读时间和临床决策等结局，作者分别开展叙述性综合；由于研究对象、影像模态、AI工具和结局指标差异较大，没有将所有研究强行合并为单一效应量。
利益相关者参与
除了文献检索和质量评价，作者还组织了面向放射科工作人员与公众成员的线上工作坊，讨论综述的初步发现。
这一设计有助于将文献中的效果证据与真实使用者的体验结合起来，解释AI在临床落地时可能遇到的技术、组织和人员方面的障碍。
图 1 系统评价和荟萃分析的首选报告项目 (PRISMA) 流程图
03 研究设计
纳入研究的整体构成
最终纳入的140项研究中，74项涉及人员对AI的态度与认知，53项评价AI的定量效果，14项关注实际使用体验，7项研究AI实施过程，6项涉及成本相关结果。部分研究覆盖多个主题，因此这些数量存在重叠。
从发表时间来看，2020年纳入13项研究，2021年27项，2022年25项，2023年35项，2024年38项，2025年1月有2项。这表明AI在放射学中的研究持续增长，但研究数量增加并不等于临床证据已经充分。
研究覆盖不同国家、影像模态和诊疗场景，涉及胸部X线、CT、MRI、超声、乳腺影像等，也涉及肺部疾病、卒中、骨折和其他疾病的诊断任务。
需要注意，这些统计反映的是纳入文献的分布，而不是不同国家、疾病或影像模态的AI效果排名。
不同层级的证据回答不同问题
本文将AI的技术表现与临床实施问题分开分析。
诊断准确性研究主要回答AI能否改善敏感度、特异度或其他诊断指标；人机协作研究进一步考察医师使用AI后是否获得额外收益；工作流程研究关注判读时间、报告时间和诊疗过程；成本相关研究则尝试分析技术投入与医疗收益之间的关系。
这种设计的意义在于，避免将不同性质的结局混为一谈。例如，判读时间缩短不能直接证明患者等待时间缩短，诊断准确性改善也不能直接证明成本效益提高。
表1 影响人工智能应用的相关因素概述
04 主要结果
诊断准确性：整体具有改善潜力，但结果并非完全一致
在53项定量效果研究中，33项评价了AI的诊断准确性。作者发现，AI辅助总体上具有减少部分错误阳性或错误阴性诊断的潜力，但效果受到研究设计、临床实施方式、影像模态和阅片者经验等因素影响。
在评价敏感度的25项研究中，19项报告敏感度提高，5项报告无明显变化，1项报告敏感度下降。
在评价特异度的23项研究中，13项报告特异度提高，7项报告无明显变化，3项报告特异度下降。
这些结果说明，AI辅助可能改善某些诊断指标，但并非所有研究都能观察到一致的收益。敏感度提高可能有助于发现更多阳性病例，而特异度下降则可能增加假阳性，因此应结合具体任务综合判断。
此外，部分研究提示，AI对经验较少的阅片者可能具有更明显的帮助。但这种优势并非适用于所有场景，仍需要结合不同阅片者、疾病类型和临床环境进行验证。
表2 衡量诊断准确性和读者经验影响的研究数量。
临床决策：AI会影响决策，但影响不一定都是正面的
部分研究发现，AI辅助可能改变最终影像报告、后续检查建议和患者管理方式。AI对决策的影响可能与病变严重程度、临床紧迫性和医师经验有关。
但决策发生变化并不自动意味着决策质量提高。如果AI提供了错误提示，医师也可能受到影响，作出不恰当的判断。
因此，评价AI的临床作用时，除了观察医师是否采纳AI建议，还需要分析采纳后是否改善诊断，以及AI错误是否导致新的错误判断。
临床实施：技术、人员和组织因素同样重要
作者发现，AI在临床应用中面临多方面障碍，包括技术要求较高、缺乏明确实施指南、人员培训不足、透明度有限，以及临床专家和组织支持不足。
与此同时，将AI整合进已有影像系统、加强培训、提高决策透明度并获得临床人员支持，有助于改善应用条件。
潜在风险包括医师过度依赖AI、错误结果影响判断、专业技能退化、成本增加，以及责任归属、隐私保护和患者安全等问题。
这些结果说明，AI的实际价值不仅由算法性能决定，也取决于它如何进入工作流程、由谁使用，以及医疗机构是否具备相应的技术和管理条件。
研究质量与证据缺口
作者指出，部分研究存在抽样偏倚、混杂因素控制不足和阅片者样本有限等问题。由于诊断结果可能受到阅片者经验和个体判断影响，阅片者数量过少也可能降低结论的稳健性。
此外，真实世界实施、长期医疗结局、患者与公众体验、系统层面影响及成本效益方面的证据仍然有限。
因此，本文并未得出AI已经普遍改善放射学诊疗的结论，而是认为AI具有应用潜力，但现有证据仍不足以支持过度乐观的判断。
05 学习借鉴
方法借鉴：从单一性能指标走向多层次评价
本文最值得借鉴的方法，是将AI的区分能力与临床实施、工作流程和成本效益分别评价。
对于预测模型研究，可以根据研究阶段逐步增加评价层次。模型开发阶段应关注区分能力、校准和内部验证；独立验证阶段应重点检验模型在新数据中的表现；进入临床应用评价阶段后，再进一步考察AI辅助是否改善医师诊断、工作效率和患者管理。
这种思路能够避免将AUC作为唯一的模型价值指标，也能让每一项实验对应明确的研究问题。
实验设计借鉴：重视人群差异与错误结果
原文提示，AI的收益可能受到阅片者经验、影像模态和具体任务影响。因此，模型研究可以考虑预先设定有临床依据的亚组，分析不同疾病类型、严重程度或风险人群中的表现差异。
同时，应开展错误病例分析，了解假阳性和假阴性来自哪些场景。若涉及解释性分析，还需要区分特征重要性与因果机制，不能仅凭SHAP结果就认定某个特征具有独立的病理生理意义。
结果表达借鉴：如实呈现局限与不一致结果
本文没有只强调AI改善诊断准确性的结果，也呈现了特异度下降、判读时间增加、工作流收益不一致和成本效益不足等发现。
这种写法更有助于建立可信的证据链。医学AI论文应明确哪些结果已经验证，哪些仍属于探索性发现，哪些结论需要独立数据或前瞻性研究支持。
对胸腺病变分类研究的启发
结合增强CT鉴别胸腺囊肿与胸腺上皮肿瘤的研究，这篇综述提示三个重点。
首先，测试集AUC接近1.00，需要进一步核查数据与标签的关系、特征定义、潜在信息泄漏以及手术病例选择带来的谱偏倚，并尽可能通过独立中心验证确认模型表现。
其次，SHAP解释可以展示模型如何利用输入特征，但不能单独证明这些特征在其他中心同样可靠，也不能证明AI已经改善医师诊断。
最后，如果希望进一步说明模型的临床价值，可以考虑在条件允许时比较医师单独阅片与AI辅助阅片的表现，并评价敏感度、特异度、错误类型和判读时间。如果暂时没有相关证据，文章应保持在模型开发与内部测试的定位，不宜直接宣称已经实现临床获益。
06 专科迁移
以下为根据本文评价框架提出的研究构想，并非原文已经完成的专科研究。
胸部影像：肺结节与纵隔病变鉴别。可借鉴本文的多层次评价思路，比较临床特征、影像特征和融合模型，开展独立中心验证、错误病例分析，并在条件允许时设计医师阅片对照研究。
神经影像：卒中与颅内病变辅助识别。可借鉴本文对诊断效果与工作流程的区分，除敏感度和特异度外，进一步记录判读时间、关键病例处理情况和错误AI输出带来的潜在风险。
乳腺影像：筛查与诊断辅助。可借鉴本文对临床决策和成本效益的评价框架，预先定义诊断阈值，分析召回与误报情况，并在条件允许时评价AI辅助对后续检查和诊疗路径的影响。
腹部影像：肝脏与胰腺病变分类。影像模型和融合模型，并通过外部验证确认泛化能力。在具备条件时，还可以进一步评价AI对医师诊断和后续管理的增量价值。
原文与复现入口
[1] Lawrence, R., Dodsworth, E., Massou, E., Sherlaw-Johnson, C., Ramsay, A. I. G., Walton, H., O'Regan, T., Gleeson, F., Crellin, N., Herbert, K., Ng, P. L., Elphinstone, H., Mehta, R., Lloyd, J., Halliday, A., Morris, S., & Fulop, N. J. (2025). Artificial intelligence for diagnostics in radiology practice: a rapid systematic scoping review. EClinicalMedicine, 83, 103228.
参与瓴智医工协作：
希望发挥专业能力、参与项目协作，可通过「医工中心—入驻申请」提交专业背景与合作意向。
有科研问题、需要技术支持，可通过「业务合作—发布需求」描述研究目标与现有基础。
提交后由团队联系沟通。入驻申请不代表审核通过或保证获得项目。
编辑：陈宣辰
审核：吴朝
ICML 2026｜PathwayLLM 把临床轨迹与结构化路径接入大模型
Nature Communications｜多模态AI评估阿尔茨海默病标志物，顶刊证据链怎么搭？
Nature Biomedical Engineering（一区，IF=26.3）NeuroSTORM：面向功能磁共振 fMRI 的通用基础模型
Science（一区 ，IF=47.3）DAMO‑RADAR：面向腹部 CT 的专家级通用多模态诊断大模型