收益：
- 能够区分不同模态（graphia、CT、MR、乳房 X 线摄影）中人工智能应用的典型使用区域和模态特定限制
- 能够评估人工智能作为第二读者的作用以及决策阈值在乳腺 X 线摄影和中风 CT 等高影响力领域的临床意义
- 了解当人工智能在每种模式下训练的人群和设备超出范围时，性能可能会下降（分布转移）
人工智能不仅仅是放射学领域的一件事，也是放射学领域的一件事。对于每种模式（成像方法），它都带有不同的工具、不同的功率和不同的限制。胸部 X 射线模型和中风 CT 模型解决完全不同的问题并产生不同的错误模式。在本单元中，我们将涵盖五个最常见的领域——胸部X光检查、CT、MRI、乳房X光检查和中风——以及特定医疗器械的用途和陷阱。目的是在适当的限制下使用每种工具来完成正确的工作。
核心原则没有改变，但在每种模式中都呈现出新的面貌：每个模型都在特定设备、特定协议和特定患者群体上进行训练。当超过这些条件时，性能可能会下降；这称为分布转移。诊断属于放射科医生，他是第一读者，而不是第二读者。
按方式使用和限制
肺X光检查：最丰富的数据在这里；模型生成气胸、实变（肺部炎症充盈）、结节、胸腔积液（胸膜间液）和心脏大小的标记。它的优点是速度和扫描；它的弱点是由于结构重叠（骨骼、血管、乳房阴影）而导致误报率较高，并且容易漏掉小结节。
CT（计算机断层扫描）：由于具有横截面图像，这些模型对于栓塞、出血、结节、骨折、器官体积具有强大的功能。它的强项是三维测量；缺点是对协议/切片厚度和对比相位的高敏感性——性能随不同协议而变化。
MRI（磁共振）：软组织对比度高；有中风扩散模型、前列腺损伤模型、脑损伤模型、软骨模型。它的弱点是设备/序列多样性太多——模型在训练序列之外就会失去可靠性。
乳房X光检查：一个高影响力的领域；这些模型充当肿块和微钙化的第二读者。它的优势在于减少乳腺癌筛查的失误；它的弱点是致密乳腺组织中的性能下降以及误报的召回开销。
中风（脑CT/CT血管造影/灌注）：这是时间紧迫的领域；模型为大血管闭塞 (LVO)、缺血和出血的早期迹象提供快速标记，从而加快治疗（血栓切除术）决策。它的弱点是运动伪影和早期/微弱发现的可靠性有限。
情态
典型的人工智能用法
强势的一面
模态特定限制
肺部X光检查
气胸、结节、积液标志
速度、扫描
重叠，误报率高
信息技术
栓塞、出血、结节、体积
3D测量
对方案/对比相敏感
核磁共振成像
中风扩散、前列腺、大脑
软组织
序列/设备多样性
乳房X光检查
肿块，微钙化（第二位读者）
减少失禁
浓密的乳房下降，回忆负荷
中风CT
LVO、缺血、出血标志
节省时间
神器，早期/微弱发现
第二读者角色和决策阈值
在乳房X光检查和中风等高影响力领域，人工智能通常被定位为第二阅读者：放射科医生阅读，然后审查人工智能标记的内容（反之亦然）。这让我们有机会发现单个放射科医生错过的事情。但存在两个风险。首先，没有被AI标记的区域被认为是“干净的”（自动化偏差）。其次，决策阈值的临床后果：如果乳房X光检查的阈值较低，就会有更多的召回（以及不必要的活检、焦虑）；如果高，泄漏就会增加。该阈值由机构的筛查理念和放射科医生的解释设定；不是工程默认值。
注意：模型在一种模式下运行良好并不意味着它在另一种模式或同一模式的不同设备/协议上也能正常运行。如果模型针对“肺部放射成像”进行训练，则其在便携式重症监护放射成像中的性能可能会有所不同。使用范围始终限于模型已批准的范围。
三个迷你箱子
案例 1 — 乳房 X 线摄影获得第二读者。放射科医生通常会读取筛查性乳房X光照片。 YZ 作为第二个读者标记了一个区域中的微钙化簇。放射科医生回头一看，看到了一个非常微弱的星团；通过额外的成像，可以检测到早期导管原位癌（早期乳腺癌）。人工智能作为“第二只眼”阻止逃亡；放射科医生给出了诊断。
案例 2 — 划水时间增益。在紧急脑 CT 血管造影中，AI 在 2 分钟内标记大血管闭塞 (LVO)，并触发中风团队。放射科医生确认，患者被送往血栓切除术；门到针时间显着缩短。但在同一周，模型错过了微弱的早期缺血；放射科医生通过自己的阅读捕捉到了这一点。人工智能带来了速度，但第一批读者仍然是放射科医生。
案例 3 — 分布变化。胸部 X 光模型在大型医院的固定设备上完美运行。当同一模型用于重症监护病房的便携式设备时，误报会爆发：不同的曝光、质量差和重叠的设备阴影会混淆模型。该团队意识到他们在便携式图表上使用该模型而没有进行本地验证，因此缩小了范围。教训：当设备/协议发生变化时，性能也会发生变化。
弱提示/强提示
弱提示：
这个MRI模型好吗？我们应该使用它吗？
没有方式细节、顺序、人群和预期用途；一个普遍而危险的答案出现了。
强力提示：
您的角色：特定模式人工智能选择的共同顾问。决策;提出我应该问什么问题。我们正在考虑前列腺 MRI 病变模型。考虑：（1）模型训练的序列/设备/磁场强度，它是否与我们的相匹配，（2）它在哪些人群中得到了验证，（3）它是第二阅读器还是诊断辅助工具，（4）它在密集/非典型病例中是否处于已知极限，（5）是在没有本地验证的情况下使用它的风险。最终决定权在于该机构。
强烈的提示质疑特定模式的合规性、人群和本地验证。
可复制的提示模板
模态合规模板您的角色：助理。我会给你一个人工智能模型和我们自己的设备/协议信息。将我们的模型与训练模型的方式、设备、序列/协议和人群进行比较；列出存在分布漂移风险的差异，并评估是否需要本地验证。决定权在机构内。信息：[写]
第二读者纪律模板 为我制作一份清单，以在使用第二读者人工智能时维持我的阅读纪律：我应该先阅读自己吗？如何保护人工智能未标记的区域，如何确认人工智能标记，如何避免自动化偏差。形式：[写]
决策阈值结果模板将为您提供某种模式（例如乳房 X 线摄影）的决策阈值场景。解释降低/提高回忆阈值、不必要的活检、逃避和焦虑的临床后果。提醒我们，门槛是由机构的筛选理念设定的。脚本：[写]
模态限制提醒模板将为您提供模态和 AI 任务。列出该模式特有的典型错误来源（例如，胸部 X 射线重叠、MRI 序列差异、中风 CT 中的伪影）以及放射科医生应特别注意的要点。方式/任务：[写]
常见错误
- 在另一种情况下使用特定于模态的模型。固定设备模型在便携式设备中的表现有所不同；必须保留范围。
- 第二位读者没有标记的部分算作“干净”。自动化偏差；他们的阅读应该受到保护。
- 将决策阈值误认为是工程设置。阈值是临床平衡；它是通过扫描哲学来调整的。
- 忽略序列/协议差异。 MR/CT 模型在其接受训练的协议之外会失去可靠性。
- 未经本地验证而传播。分布漂移会默默地降低性能。
提示：在使用新的特定于模态的模型之前，问三个问题：“这个模型是在什么设备/协议/人群上训练的？我们的看起来像吗？我们是否用自己的数据验证了它？”如果三者都不能令人满意，那么该模型就不是加速器，而是隐藏的风险。
总之
人工智能在每种模式中都是不同的工具：胸部 X 光检查快速筛查，但由于重叠而出现误报；强大的 3D 测量功能，但 CT 中的协议敏感性；软组织强度但 MRI 序列多样性；第二读者减少了绑架，但回忆了乳房X光检查的负担；行程时间增加但伪影限制。在乳房X光检查和中风等高影响力领域，人工智能成为第二读者，但第一读者始终是放射科医生，决策阈值是临床平衡。当训练每个模型的设备、协议和群体移出范围时，其性能会下降（分布偏移）；因此必须维护范围并执行本地验证。
应用任务
选择您的常规检查方式（放射线检查、CT、MRI、乳房 X 光检查或中风）。使用“模态限制提醒”模板，写下至少三个特定于该模态的典型 AI 错误来源以及放射科医生的额外注意点。然后使用“Modality Fit”模板评估您正在考虑用于该模态的模型：训练的设备/协议/人群是否与您的匹配，是否需要本地验证？如果有第二读者的角色，请将“第二读者纪律”列表调整到您的日常工作中。
清单
- [ ] 我了解了模型训练的方式、设备、协议和人群。
- [ ] 我评估了与我自己的条件的兼容性（分布漂移的风险）。
- [ ] 我仅在已批准的范围内使用该模型。
- [ ] 我以第二读者的角色保持自己的独立阅读。
- [ ] 我了解决策阈值是临床平衡，由筛选理念设定。
- [ ] 我考虑典型的特定于模态的误差源（伪影、重叠、序列差异）。
- [ ] 未经本地验证，我不会在新条件下传播。