人工智能生成初步报告在放射科工作流程中的整合：一项纵向多读者研究

　　本研究针对多模态AI生成报告在放射科工作流程中的整合问题，通过一项涉及756例胸部X光片的多病例多读者纵向研究，发现AI辅助显著提升诊断效率（阅片时间从25.8秒降至19.3秒）与报告接受率（54.6%升至60.2%），但异常病例的RADPEER一致性评分存在波动，强调复杂影像仍需人工监督。

　　

在当今医疗影像数据量激增的背景下，放射科医师面临巨大的诊断压力和工作负荷。尽管人工智能（AI）技术在医学影像分析领域取得显著进展，但如何将AI生成报告有效整合到临床工作流程中，仍存在诸多挑战——包括诊断效率的提升幅度、报告质量的稳定性以及医师对AI工具的接受度等关键问题。尤其值得注意的是，现有研究多集中于静态的准确性验证，而缺乏对AI工具长期使用效果的动态评估。为此，由Eun Kyoung Hong、Chong-hyun Suh等人领衔的研究团队开展了一项纵向多读者研究，深入探讨多模态AI生成初步报告在放射科工作流程中的整合效果，该研究发表于《Journal of the American College of Radiology》。

研究团队采用了一项多病例、多读者的纵向设计，共纳入756例公开胸部X光片，由五位放射科医师使用基于多模态AI模型生成的初步报告进行解读。研究分为七个连续批次（每批108例），通过测量阅读时间、无修改接受率、报告一致性（采用RADPEER标准）和质量评分（5点Likert量表），并运用统计学方法分析其随时间变化的趋势。

方法

研究使用公开的胸部X光片数据集，由五位放射科医师分七批完成解读。关键技术包括：采用多模态AI模型生成初步诊断报告；使用RADPEER标准（放射科同行评议体系）评估报告一致性；通过5点Likert量表量化报告质量；采用纵向统计分析（包括趋势检验和组间比较）评估时间序列变化。

结果

阅读时间：放射科医师的阅片时间从第一批的25.8秒显著减少至第七批的19.3秒（p< .001），表明AI辅助有效提升了诊断效率。

接受率：报告无修改接受率从54.6%上升至60.2%（p< .001），其中正常胸部X光片的接受率较高（68.9%），异常病例则较低（52.6%），差异具有统计学意义（p< .001）。

一致性与质量：正常胸部X光片的一致性和质量评分中位数保持稳定，而异常病例则呈现显著波动（p< .05），提示复杂病例的AI报告需进一步优化和人工审核。

讨论与结论

本研究通过纵向分析证明，AI生成报告的引入可显著提高放射科工作效率和接受度，尤其适用于正常影像的快速筛查。然而，异常病例的报告质量存在不确定性，凸显了在复杂诊断中仍需放射科医师的监督和干预。该研究为AI在放射学领域的临床应用提供了实证支持，同时强调了人机协作的重要性，对未来工作流程优化和AI工具开发具有指导意义。