收益：
- 能够定义人工智能在放射线照相、超声和细胞学图像的预筛选、优先级排序和报告起草中的作用
- 能够根据临床背景、标准定位和专家（放射科医生/病理学家）评估来验证 AI 标记的结果
- 能够理解基于图像的人工智能无法提供明确的诊断，类型/位置/质量差异具有误导性，并且最终解释权在于医生。
成像是将兽医的眼睛带入体内的一个窗口。放射线照相（X 射线；用 X 射线对内部结构进行成像）、超声波（用声波对软组织进行成像）和细胞学（在显微镜下检查细胞样本）是日常实践中不可或缺的部分。近年来，人工智能 (AI) 在这些图像的模式识别方面取得了迅速发展：它可以在射线照片中标记可能的质量，对一组图像进行优先级排序，起草报告。但这里最危险的误解是：人工智能不会根据图像做出明确的诊断。位置、曝光（光束剂量）、类型和叠加（器官重叠）的差异很容易误导人工智能。在本单元中，您将学习如何安全地使用基于视觉的人工智能作为预筛选和优先级划分工具。最终解释权始终属于医生，必要时还属于放射科医生或病理学家。
人工智能在成像领域能做什么、不能做什么
人工智能的合法作用是：预筛选（标记需要检查的区域）、优先级排序（提出看似紧急的案例）、测量辅助（计算标准测量值，例如心脏/胸部比率）和报告起草（将结果以简洁的文本形式呈现）。 AI做不到的：明确诊断、明确恶性/良性诊断、治疗决策、替代检查。
基于视觉的人工智能最隐蔽的陷阱是，它主要是根据人类数据或有限物种数据进行训练的。狗的胸部和猫的胸部、灰狗和斗牛犬的胸部的解剖结构是不同的。人工智能可以混淆这些差异，并将正常变异标记为病理，反之亦然。
注意：人工智能标记一个发现并不意味着“那里有东西”；意思是“看这里”。每个标记区域都应根据临床背景和标准定位成像进行验证；未标记的区域也应由医生检查。
双向错误：假阳性和假阴性
图像人工智能会犯两种类型的错误。假阳性：标记不存在的发现（例如，误认为是叠加的质量）。这会导致业主不必要的检查和焦虑。假阴性：错过了真正的发现（例如错过了小转移）。这是更危险的，因为它可能导致医生产生错误的信心。因此，仅仅因为人工智能说“干净”并不排除病态；医生必须用自己的眼睛评估整个图像。
一步一步：利用 AI 进行图像预评估
- 获得高质量的图像。没有标准的位置、正确的曝光、清晰的图像，任何解读都是不可靠的。
- 添加临床背景。将物种、年龄、投诉和检查结果提供给人工智能。
- 请求预筛选。要求人工智能“标记要查看的区域”，而不是“做出诊断”。
- 验证标志。使用标准图像和临床背景检查每个体征。
- 寻找那些逃脱的人。自己检查一下人工智能没有标记的区域。
- 咨询专家。如果出现可疑或关键的发现，请获得放射科医生/病理学家的评估。
- 让医生批准报告。最终解释权及签字权归医师所有。
三个迷你箱子
案例 1. 一只 9 岁狗的 AI 标记出右尾肺叶可能存在结节。医生使用标准的两位置拔牙检查该区域；他看到该标记实际上是肋骨和静脉的重叠阴影（误报）。 AI 引起了注意，但医生纠正了诊断。
案例 2. 在繁忙的紧急轮班期间累积的 14 张 X 光照片。人工智能根据紧急程度对图像进行排序，并提出可能存在游离腹液的情况。医生使用这个顺序作为优先提示，但仍然自己评估每个图像。优先排序节省了时间；决定是医生的。
案例 3.AI 表示，肿块的细胞学样本“可能有炎症”。医生注意到样本质量较差（细胞少，血液污染），采集了新样本并发送给病理学家；结果不同了。这个案例说明，如果样本/图像质量较差，AI输出也是不可靠的。
对比图
状态
人工智能的作用
医生的角色
图像质量较差
不靠谱，警告
重拍/样品
发现已标记
“看这里”线索
使用标准图像进行验证
没有发现任何结果
不排除病理性
自己检查一下
关键/有问题的发现
报告草稿
咨询放射科医生/病理科医生，确认
四个可复制模板
角色：图像预筛选助手（你不诊断，你引起注意）。上下文：类型[...]、年龄[...]、投诉[...]、镜头类型[...]位置。任务：列出该图像中需要仔细查看的区域以及原因。给出“明确诊断”；为每个项目写上“医生验证”。
任务：根据以下放射学检查结果（技术质量/检查结果/建议的解释）创建结构化报告草案。规则：用“可能”的语言写下解释，不要做出明确的诊断。最终解释权属于医师。调查结果：[...]
任务：给出该图像/样本的技术质量检查表（位置、曝光、移动、样本充足性）。如果质量较低，则会突出显示“评论不可靠，必须重新发布”警告。上下文：[...]
任务：列出以下发现需要转诊至专家（放射科医生/病理学家）时的危险信号标准。决定权属于医生。发现：[...]
弱提示/强提示
弱者：“这张X光片里有什么，诊断一下。”
Güçlü：“一只 10 岁猫主诉咳嗽的左右胸部 X 光片。列出需要仔细检查的部位和原因；不要做出明确的诊断，每一项都写上‘医生必须验证’。如果您发现图像质量有问题，请先说明。”
强力提示下，AI的作用仅限于预筛查，优先控制质量，禁止诊断。
常见错误
- 将标志误认为是识别。 AI 说“看这里”，而不是“这个就是那个”。
- 用低质量的图像发表评论。人工智能和人类都会在低质量图像上犯错误。
- 相信“干净”的输出并放弃审查。假阴性是一个真正的风险。
- 绕过流派/立场差异。经过人类或其他类型数据训练的人工智能会产生误导。
- 延迟专家转诊。对于关键/可疑的发现，放射科医生/病理学家的评估至关重要。
信任门槛与“黑匣子”问题
基于视觉的人工智能工具通常会返回一个概率分数：“观众可能很高”或百分比。这个数字会产生一种误导性的确定感；然而，通常无法看到模型如何在后台做出决策。这称为黑匣子问题：系统产生结果，但没有以人类可以控制的方式解释其推理。医生不应该对他看不到合理性的结果盲目相信。如果训练该模型的数据和条件与您的患者相似，那么高分就有意义；如果涉及不同的物种、不同的设备或不寻常的位置，分数很快就会变得不可靠。
经验法则是，无论人工智能分数如何，请亲自查看并将其与临床背景相匹配，以找到任何会改变您决定的发现。高分可能会引导您进行测试，但测试和检查才能做出诊断；低分不应让您放心，因为假阴性总是可能的。此外，在不同条件（新位置、不同曝光）下重新评估同一图像可以减少您和人工智能的误差幅度。视觉人工智能是一种引导经验丰富的眼睛注意力的工具，而不是替代品；最终解释权始终在于医生。
综上所述
基于视觉的人工智能是预筛选、优先级排序和报告起草的有力辅助；但它并不能做出明确的诊断。将它们的标记作为“看这里”的提示，用标准图像和临床背景验证每个标记，并亲自检查未标记的区域。如果图像/样本质量较差，则输出不可靠。如果发现重要发现，请咨询放射科医生或病理学家。最终解释权和责任归医师所有。
应用任务
将三张图像（一张放射线照片、一张超声切片、一张细胞学图像）预扫描到 AI 中。对于每个：（1）用标准图像验证人工智能标记的区域，（2）评估是否存在误报或漏报，（3）注意哪种情况需要专家转诊。还创建质量检查表并在诊所中使用。
清单
- [ ] 我收到了具有标准位置和正确曝光的高质量图像。
- [ ] 我向 AI 提供了临床背景（类型、年龄、主诉）。
- [ ] 我要求AI进行预筛查，而不是诊断。
- [ ] 我用标准图像验证了标记的区域。
- [ ] 我自己也检查了未标记的区域。
- [ ] 我就关键/可疑的发现咨询了专家。
- [ ] 作为一名医生，我批准了最终报告。