收益：
- 了解 PACS、RIS、DICOM 和工作列表链的工作原理以及 AI 输出（标记、测量、优先级）添加到此流程的位置
- 能够理解人工智能结果如何显示为单独的系列/标记、原始图像不应被修改以及审计跟踪的重要性
- 集成安全性，能够在患者匹配不正确和系统中断的情况下设计安全默认行为
在放射科中，图像从“捕获的那一刻”到“报告的那一刻”都通过一条看不见的管道。在不了解这条管道的情况下将人工智能连接到此流程就像在墙上打洞而看不到电线一样：将其连接在错误的位置，您可能会损坏原始图像，将结果添加给错误的患者，或者永远不会考虑系统崩溃时会发生什么。在本单元中，我们将解释该链——RIS、PACS、DICOM、工作列表——并展示人工智能输出将添加到该流程的何处以及采用哪些安全规则。
核心原则是AI输出添加到原始诊断图像中，而不是取代它。原始 DICOM 图像从未被修改； AI 标记、测量和优先级存储为单独的系列/层，每个步骤都写入审计跟踪。放射科医生应该能够随时看到原始数据。
让我们来认识一下链条
- RIS（放射信息系统）：管理检查订单、预约、患者人口统计和报告工作流程的系统。 “谁、什么时候、哪次检查”的信息到此为止。
- PACS（图像存档和通信系统）：存储、显示和分发图像的系统。放射科医生通过 PACS 读取图像。
- DICOM（医学数字成像和通信）：医学图像的标准文件和通信格式。 DICOM 文件包含图像像素和标题，例如患者姓名、ID、检查类型、日期、设备。
- 工作清单：放射科医生将阅读的检查清单；它由 RIS 和 PACS 提供支持。
- 模态：产生图像的设备（CT、MRI、X 射线、超声波）。图像以 DICOM 形式从模态传输至 PACS。
流程通常如下：临床医生在 RIS 中请求检查→患者退出，模态 DICOM 将图像发送到 PACS→检查落入工作列表→放射科医生在 PACS 中读取→将报告写入 RIS→报告到达临床医生。人工智能在三个典型点进入这一流程。
人工智能入口点
什么是
如何储存
安全规则
拍摄后（分类）
生成优先级分数
工作清单标志
不取消考试，改变顺序
读取期间（CAD/测量）
标记、测量
单独的串行/层/SR对象
不取代原来的
报告期间
案文草稿
RIS 草图空间
放射科医生验证并签名
在 DICOM 世界中，有一些用于 AI 输出的特殊对象：例如 DICOM SR（结构化报告）测量；分割对象病灶边界；它带有单独的系列标记。共同点：这些都是添加到原始图像旁边，而不是覆盖。
为什么原装的永远不会被替换
有以下三个原因。首先，诊断完整性：放射科医生应该能够看到人工智能未标记的区域并访问原始数据；如果标记被永久覆盖在原件上，该标记将会丢失。其次，可区分性：标记应该在单独的层上，并且可以打开和关闭，以便AI输出不会干扰真实的解剖结构。第三，审计跟踪：谁、何时、使用哪个人工智能版本生成了什么输出——该日志对于错误检查、问责制和质量至关重要。当稍后审查假阴性时，“模型那天看到了什么，放射科医生确认了什么”这个问题的答案就在跟踪记录中。
注意：将 AI 标记永久“烙印”到原始诊断图像的像素上会不可逆地污染诊断数据。标记应始终是单独的图层/系列，并且原始图像应保持不变。
集成安全：三个关键风险
患者匹配不正确：如果人工智能输出与错误的检查/患者相关联，则一名患者的发现可能最终会出现在另一名患者的报告中。应始终使用强 ID 进行匹配（登录号 - 研究访问号、研究实例 UID - 研究唯一 ID）；不应依赖名称相似性。
系统中断和安全默认：如果AI服务崩溃会发生什么？正确的设计可以“自动防故障”：如果人工智能输出没有到达，检查仍然会落入工作列表中，放射科医生会按正常顺序读取它。人工智能崩溃绝不应该导致研究丢失或未读。
版本和变更管理：当模型更新时，其行为可能会发生变化；应该监视哪个版本产生哪个输出，更新之前应该进行本地验证（这与单元 8 和 10 连接）。
三个迷你箱子
情况 1 — 单独的系列保存。 CAD 系统在乳房 X 光照片上标记出三个微钙化点。标记作为单独的图层添加；放射科医生关闭图层并检查原始图像，评估其中两个标记为真实标记，一个标记为伪影。由于原始图像保持不变，放射科医生能够进行自己的独立读取。由于该层处于打开/关闭状态，因此 AI 输出不会干扰真实的解剖结构。
情况 2 — 匹配错误。有一天，工作清单中有两个“Mehmet Yıldız”。通过姓名而不是登录号进行匹配的弱整合规则即将将一名患者的分诊标记与另一名患者的检查相关联。质量控制意识到应该使用研究实例 UID 进行匹配并纠正规则。与名字相符可能是一起患者安全事故。
案例 3——人工智能崩溃时，业务并没有停止。一天晚上，AI 分诊服务在更新过程中崩溃了。由于安全默认设计，检查仍然到达 PACS 并且工作清单正常运行（到达顺序）；放射科医生不间断地继续阅读。班车早上回来。在没有人工智能的情况下，没有任何考试丢失，因为系统给出的是“正常名单”而不是“空名单”。
弱提示/强提示
这里人工智能文本助手用于设计集成规则或安全默认场景（不是图像处理）。
弱提示：
我们将把AI连接到PACS，简单告诉我们如何去做。
没有上下文，没有安全要求；一个普遍而危险的答案出现了。
强力提示：
您的角色：放射科 IT/集成团队的助理顾问。决策;制作清单和风险警告。我们将分类 AI 连接到 PACS/工作列表流程。逐项列出安全要求：(1) 应使用什么强身份来进行患者/检查匹配，(2) AI 输出应如何与原始图像分开，(3) 如果 AI 服务崩溃，安全默认行为应该是什么，(4) 跟踪日志中应保留哪些字段。为每个项目添加“原因”和“如果做错了的风险”。
坚强意志的作用阐明了安全维度和基本原理。
可复制的提示模板
集成安全检查模板您的角色：集成顾问（助理）。将 AI 打印输出添加到 PACS/RIS 流程时，生成有关以下主题的清单：患者/检查匹配 ID、原始图像的保存、单独的批次/层存储、安全默认行为、跟踪记录字段、版本管理。为每个项目添加风险说明。上下文：[write]
安全默认场景模板将为您提供人工智能故障场景（服务崩溃、延迟、失败）。对于每种情况，定义系统的安全默认行为：是否仍会读取检查、如何将其报告给放射科医生、是否会丢失数据。原则：人工智能失败决不应该导致研究丢失/未读。脚本：[写]
匹配验证模板将为您提供与人工智能输出的审核匹配。评估匹配是使用强 ID（登录号、研究实例 UID）还是弱 ID（姓名、出生日期）进行，并警告不匹配的风险。上下文：[写]
跟踪日志（审核）草稿模板生成应为 AI 辅助阅读事件维护的跟踪记录字段草稿：检查 ID、AI 模型和版本、输出类型和分数、时间戳、放射科医生 ID、放射科医生的批准/拒绝决定。目的：事后审查和问责。上下文：[写]
常见错误
- 将 AI 标记永久写入原始图像。诊断数据被污染；标记应该是一个单独的层。
- 将患者与姓名相匹配。同名患者容易混淆；应使用强身份（UID/登录）。
- 不考虑安全默认。如果人工智能崩溃时分析丢失，患者安全就会受到损害。
- 不保留跟踪记录。人物、事件、时间记录对于错误调查和问责至关重要。
- 不监控模型版本。更新改变行为；应该知道哪个版本产生什么。
提示：在设计集成时，请在每一步问一个问题：“如果人工智能不存在，这份审计报告会被安全地阅读吗？”答案应该始终是“是”。人工智能是加速器；系统的安全运行不应依赖于此。
总之
放射图像在由 RIS、模态、PACS、工作列表和 DICOM 格式组成的链中流动。 AI 在三个点进入此流程：拍摄后分类（工作列表标记）、读取期间的 CAD/测量（单独的批次/层）、报告期间的草稿。黄金法则是原始诊断图像不得更改； AI输出存储为单独的层/系列/SR对象，并且每个步骤都写入跟踪寄存器。集成安全性具有三大支柱：具有强身份的患者匹配、AI 故障安全默认行为以及版本管理。人工智能是加速器；系统的安全运行不应依赖于它。
应用任务
绘制您的单位（或样本组织）的图像流程：RIS → 模态 → PACS → 工作清单 → 报告。标记将分类 AI 添加到此流程的位置。然后，使用“安全默认场景”模板，编写系统针对三种故障情况（服务关闭、响应延迟、输出错误）应执行的操作。最后，使用“跟踪日志草稿”模板列出您将在人工智能阅读活动中保留的字段。
清单
- [ ] 我已确保原始 DICOM 图像从未被修改过。
- [ ] 我将 AI 输出存储为单独的串行/层/SR 对象。
- [ ] 我使用强 ID（UID/登记号）进行了患者/测试匹配。
- [ ] 我定义了 AI 故障时的安全默认（扫描仍读取）行为。
- [ ] 我将模型版本、分数、时间和放射科医生的决定保留在跟踪记录中。
- [ ] 我正在跟踪模型版本更改。
- [ ]“即使没有AI，也能安全读取吗？”我可以对这个问题说是。