收益：
- 能够解释如何在放射图像中建立人工智能支持的检测、分割和优先级工作流程
- 能够将模型输出（热图、概率、测量）与放射科医生的决策分开并将其定位为支持角色
- 能够验证图像模型输出的敏感性/特异性、误报负担和临床背景
放射学是人工智能在生物医学工程中最成熟的应用领域。 X射线（X射线）、计算机断层扫描（CT；英文CT，结合从不同角度拍摄的X射线切片）和磁共振（MR；英文MRI，利用强磁场和无线电波对组织进行成像）每天都会产生数百万张图像。放射科医生需要多年的专业知识才能解读这些图像。人工智能通过检测（引起对发现的注意）、分段（绘制结构的边界；用英语进行分段）和优先级排序（将紧急情况放在队列的开头；用英语进行分类）为这一过程做出贡献。在本单元中，我们将了解如何设置这些工作流程，以及最重要的是如何将输出定位为放射科医生决策的输入，而不是替代。
作为一名工程师，您的工作通常是开发模型、集成、验证模型并与临床团队一起监控其性能。放射科医生做出诊断。 AI不诊断；引起注意、采取措施、分类。
放射人工智能工作流程的步骤
步骤 1 — 数据和预处理。图像采用 DICOM（医学数字成像和通信；医学图像的标准文件和通信格式）。预处理；其中包括加窗（调整图像对比度）、重新采样（将切片大小调整为标准大小）和降噪。此步骤安全且适合自动化。
第 2 步 — 检测和分割。该图案标记了与肺结节、骨折或出血相对应的区域。输出通常采用概率得分和热图（用颜色显示模型注意力集中区域的层）的形式。在分割中，模型绘制器官或病变的像素边界；这用于体积测量。
第 3 步——确定优先级。如果发现紧急情况（例如脑出血），该病例就会在工作清单中提出。这里的目的不是更换放射科医生，而是确保更早地看到危重病例。
第 4 步 — 放射科医生评估。模型输出作为推荐层呈现给放射科医生。放射科医生接受、拒绝或改变。最终报告和诊断属于放射科医生。
第 5 步 — 验证和监控。一旦模型投入使用，其性能就会受到持续监控；不同设备和患者组的假阳性和假阴性率分别进行跟踪。
敏感性、特异性和假阳性负担
图像模型评估有两个基本指标。灵敏度是指真正患病者的检出率：灵敏度高意味着漏检的情况更少。特异性是指我们准确消除真正健康者的速度：高特异性意味着更少的误报。这两者之间有一个平衡；如果降低阈值并检测到更多发现，错误警报就会增加。
诊所中的一个关键概念是误报的负担：如果模型过于频繁地表示“可疑”，放射科医生必须每次都排除这些标志，并且在一段时间后不会认真对待警报（警报疲劳）。因此，不仅应该评估模型的敏感性，还应该评估实际工作流程中的误报数量。
三个迷你案例：从数字来看
案例 1 — 通过优先级划分节省的时间。一家医院实施了脑部 CT 出血优先模型。放射科医生首次看到出血病例的平均时间从 28 分钟减少到 8 分钟。然而，该模型未能捕捉到遗漏的少量蛛网膜下腔出血；因此，所有病例再次接受放射科医生的全面解读。该模型加快了排序速度，但并没有消除阅读。
案例 2 — 误报负担。当以较低阈值运行时，肺结节检测模型平均会产生每个患者 6 个“可疑”迹象，将灵敏度提高到 94%；其中大部分是血管切片和良性病灶。两周内，放射科医生开始忽视这些迹象。当重新调整阈值并且每个患者的标记数量减少到 1.5 个时，该模型再次变得有用。
案例 3 — 场转移。在 A 医院的数字 X 射线机上，骨折检测模型的灵敏度为 91%，但在 B 医院使用不同制造商的便携式设备时，灵敏度下降到 72%。图像质量和定位不同。如果没有在每个设备和使用该模型的人群上进行进一步验证，就不能认为该模型是可靠的。
弱提示/强提示
注意：以下提示用于配置文本报告或工作流程，而不是用于解释图像本身。图像诊断是经过验证的临床软件和放射科医生的工作。
弱提示：
看看这张X光报告，告诉我病人是否生病了。[报告]
强力提示：
您的角色：您是放射学工作流程助理（您不是诊断）。匿名放射学报告文本的结构如下： - 将发现、测量和解剖位置制成表格。 - 保持模糊/否定的陈述（“不能排除”）不变，不要做出最终决定。 - 不要添加文本中没有的任何发现。 - 在单独的部分中收集“推荐/后续”句子。 - 最后，列出放射科医生应确认的 3 点。匿名举报：[文]
强大的提示模型，让模型远离解释，专注于配置；保持模糊性是可取的，因为在放射学语言中，“不能排除”和“可用”之间的区别至关重要。
四个可复制模板
1）报表配置：
将以下匿名放射学报告分为以下标题：适应症、技术、结果、结论、建议。坚持正文，不要添加评论。报告：[文本]
2）测量一致性检查：
列出本报告中的所有数值测量值（毫米、厘米、HU）并标记冲突或非生理值。报告：[文本]
3）模型评估计划：
为图像检测模型编写评估计划草案：敏感性、特异性、假阳性/患者、亚组（设备、年龄）分析、外部验证集。单独标记临床批准点。
4) 误报分诊注意事项：
将以下检测输出列表分类为“放射科医生优先级高/低”；写下每堂课的理由。说明您将决定权留给放射科医生。列表：[输出]
模型的角色：按发现类型分类
查找类型
人工智能贡献
关键性
验证
紧急出血优先顺序
高
非常高
放射科医生完整阅读
肺结节检测
高
高
阈值+跟踪协议
骨龄/测量
高
中等
专家掌控
器官体积分割
高
中等
手动样品验证
报告配置（文本）
高
低
放射科医生确认
提示：评估显示模型时切勿依赖单一准确率百分比。一起询问敏感性、特异性、假阳性负担和亚组表现； “您在哪些设备和患者组上测试了模型？”问题揭示了大多数问题。
注意：热图不能保证模型“为什么”做出这样的决定；它只是显示您的注意力集中在哪里。有时，模型会出于错误的原因给出正确的答案（例如，通过查看图像中的标记）。可解释性输出也需要验证。
常见错误
- 依赖单一指标。高整体准确度可能掩盖关键子组中的低敏感性。
- 不测量误报负载。产生过多信号的模型会造成刺激疲劳并被放弃。
- 在单个设备上验证模型并在任何地方使用它。场漂移是图像 AI 失败的最常见原因。
- 将热图误认为证据。注意力图不是一种解释；而是一种解释。正确的答案可能是基于错误的原因。
- 消除放射科医生。该模型优先级和标记；诊断和报告属于放射科医生。
总之
- 放射人工智能；它通过检测、细分和优先级排序来产生价值，并且不会取代诊断。
- 敏感性和特异性之间存在平衡；假阳性负担是诊所的一个关键指标。
- 模型必须在将使用它们的每个设备和人群上进行外部验证（域转移）。
- 热图显示注意力，但不保证解释；不能作为证据。
- 最终诊断和报告属于放射科医生； AI是一个支撑层。
应用任务
选择现有的（或假设的）图像检测场景。为此模型编写一个评估框架：指定您将使用哪些指标（敏感性、特异性、假阳性/患者）、哪些子组（设备、年龄、性别）以及哪个外部验证集。然后标记工作流程中放射科医生做出决定的确切点，并在一段中解释如何将模型的输出输入到该决定中。
清单
- [ ] 我可以区分放射人工智能的检测、分割和优先级角色。
- [ ] 我可以一起评估敏感性、特异性和假阳性负担。
- [ ] 我知道什么是场转移以及为什么需要外部验证。
- [ ] 我意识到热图不是解释，需要验证。
- [ ] 我可以将模型输出定位为放射科医生决策的输入，而不是替代它。