【患者安全】AI时代放射学报告：对患者安全的影响

Radiology reporting in the age of artiffcial intelligence:  implications for patient safety

编译自：Toker I,et al.BMJ Qual Saf 2026;0:1–6.doi:10.1136

【放射学报告作为患者安全关键系统】

      放射学报告是临床决策的核心组成部分，也是患者安全领域的关键系统。放射学报告为诊断提供依据、指导治疗决策、维系多学科沟通；影像发现的记录方式、结构化程度或沟通形式存在缺陷，会直接对患者诊疗造成连锁不良影响。

      尽管具备核心地位，放射学报告仍长期面临已被充分证实的安全风险。报告结构不统一、术语使用不一致、关键发现遗漏、表述模糊不清，都会降低报告解读准确性，增加诊断误解或处置延误的概率。已有研究证实，非结构化或结构不一致的报告会引发沟通失效，在高风险诊疗场景中进一步增加临床决策难度。

      这些安全隐患早在人工智能（AI）应用于放射学之前就已存在。报告格式杂乱、内容不完整，一直是威胁患者安全与临床沟通的突出问题，也推动了早期标准化报告的探索与实践。

      将放射学报告界定为患者安全系统，核心是凸显其将影像专业判断转化为临床诊疗行动的接口作用。若这一接口脆弱、表述模糊，即便影像解读准确，也无法落实为恰当的患者管理措施。在 AI 应用场景下，这一缺陷的影响更为显著 —— 算法输出会通过报告传递，非但无法弥补原有短板，反而可能放大现有漏洞。

      临床AI系统并非抽象运行，而是生成具体、可落地的输出结果，直接影响影像解读与后续临床决策。放射学领域常见的 AI 输出类型见表1，包括分诊警报（如 “疑似颅内出血”）、概率风险评分（如 “肺栓塞可能性：0.82”）、自动定量测量、病灶分割、检查队列优先级提示、报告草稿及结构化字段建议等。无论以置信度分数、高亮区域还是诊断建议形式呈现，这类输出都会显著影响放射科医生撰写报告的逻辑，以及临床医生依据报告采取的诊疗措施。尽管各国落地模式存在差异，AI生成的相关内容正越来越多地融入现代放射学工作流程。

表1 放射学中 AI 输出示例

1.分诊与检查队列优先级警报

二分类或类别标记（如疑似颅内出血、肺栓塞），用于优先处理急诊检查。

2.自动化定量测量

病灶大小与体积测量（肺结节）、冠状动脉钙化评分、心室比值、出血量计算等。

3.检测与定位输出

边界框、热图、分割掩码，用于标注可疑异常区域。

4.结构化严重程度/风险评分

算法生成评分，如 ASPECTS 评分（阿尔伯塔卒中项目早期 CT 评分，10 分制评估急性卒中早期缺血改变）、病灶恶性概率评估。

5.纵向对比分析

自动匹配既往检查，识别病灶进展、新发病灶或病情稳定。

      上述输出在放射学报告中的展示形式、记录方式、正式纳入程度，在不同医疗机构间差异显著。

【AI 是风险倍增器，而非万能解决方案】

      当前 AI 常被视作破解放射学长期痛点的方案，宣称能提升检出率、保证定量结果一致性、加快工作流程。但 AI 系统本身不做临床决策，也不承担患者诊疗结局的责任。其输出的分类、测量值、概率评分等结果，必须由临床医生解读并执行后续处置。因此，AI 对患者安全的影响，核心取决于其输出结果如何融入临床工作流程与病历记录。

      在现有多数工作流程中，AI 输出并未整合至报告系统，而是单独显示在独立应用中（如 AI阅片器、影像归档与通信系统（PACS）插件、检查队列工具）。

      放射科医生需通过改写、手动录入关键数值、复制粘贴摘要至自由文本的 “影像发现” 或 “诊断结论” 模块，将 AI 信息手动录入报告。这一手动操作会丢失核心上下文信息，例如 AI 识别的出血具体亚型、置信度分数、决策阈值、系统标注的解剖位置，以及放射科医生是否采纳或否决 AI 建议等。举个例子：某 AI 工具提示“疑似颅内出血（置信度 0.91）”，并高亮左侧颞叶局灶性高密度影；若最终报告仅简化为 “少量颅内出血”，未记录 AI 输出来源与处理意见，后续阅片者无法还原哪些信息由 AI生成、AI 如何影响最终解读。由此可见，AI 输出脱离结构化记录时，下游使用者极易误解其临床价值。

      可追溯性缺失的影响远超个体解读层面。临床质量管理的核心，是能够回溯诊断结论的形成过程、所用信息来源、分歧解决方式。若 AI 输出被随意嵌入自由文本报告，未结构化记录其来源、置信度、处理结果（采纳 / 修改 / 否决），就无法回溯 AI 系统是否及如何影响最终报告。这会导致质量管控失效、不良事件核查困难，在诊断分歧或失误时出现责任界定模糊。

      仅提升算法准确率，无法保障临床决策更安全。算法性能指标仅反映其独立运行状态，无法体现输出结果对真实临床行为的影响。若缺乏强制要求清晰、完整、可追溯的报告框架，AI 结果在不同病例、医生、机构间的整合会杂乱无章。

      从这一角度而言，AI 嵌入不完善的报告体系时，会成为风险倍增器。原本存在的沟通断层、记录模糊、责任不清等问题，会随患者数量与诊断量的增加被进一步放大。因此核心挑战并非 AI 独立运行效果好坏，而是承载 AI 的临床系统能否安全、规范地承接其输出。图 1 展示了 AI 输出碎片化整合与结构化整合的结构差异。

图 1 放射学报告中 AI 输出的碎片化整合 vs 结构化整合

碎片化工作流程（左侧）：AI 输出单独显示在 AI 阅片器、PACS 插件等独立系统，手动录入自由文本报告，可追溯性与质量管理能力受限。

结构化报告体系（右侧）：AI 输出录入指定数据字段，记录处理结果，留存相关元数据，支持审计核查，实现 AI 与临床决策的可追责整合。

【临床案例说明】

      为直观展示整合缺口对下游决策的影响，以1例胸部 CT检查患者为例：AI 系统自动检出肺结节，测量病灶大小8.4mm，完成体积评估并提示恶性风险 6%，上述结果仅显示在独立应用中。

      最终报告中，放射科医生仅记录：“约 8mm 肺结节；建议随访”，未记录体积测量值、恶性风险评估结果，也未标注是否采纳或调整 AI 测量数据。

      患者后续在另一机构复查，病灶手动测量为10mm，诊疗方案升级。回溯时无法明确差异源于病灶真实生长、不同医生测量偏差，还是 AI 辅助测量与手动测量的固有差异。

      该案例并非算法故障，而是凸显AI 生成测量数据及处理意见缺乏结构化记录，会产生医疗机构无法管控的诊疗偏差。长此以往，这类无记录的偏差会以不可系统评估的方式干扰临床决策。

【核心缺口：AI 应用中的报告基础设施】

      当前 AI 临床落地的研究与实践，多集中于算法研发、验证及监管分类。这些环节固然重要，却遗漏了关键问题：AI 衍生输出如何纳入诊断推理记录与后续临床决策。

      真正缺失的并非额外接口或流程优化工具，而是能完整记录 AI参与诊断全过程的结构化报告与记录体系。该体系需明确标注：是否使用 AI系统、生成何种输出、输出结果如何解读、临床医生采纳 / 修改 / 否决情况，同时留存置信度、决策阈值、模型版本等关键元数据。若无此类结构化记录，AI 在诊断中的参与度始终处于隐性状态。诊断结论可能融入 AI 建议、定量数据、风险评分，却无透明痕迹追溯来源与影响。最终，医疗机构无法客观评估人机交互模式、校准 AI 依赖度、核查院内规范执行情况，也无法开展有效质量管理。

      简言之，缺失的是患者安全关键记录层—— 让 AI 参与常规临床报告的过程可看见、可追溯、可追责。若无这一层面，算法性能的提升反而可能因临床系统承接能力不足，引发新的安全风险。

【结构化与引导式放射学报告：患者安全关键基础设施】

      结构化报告（SR）与引导式报告（GR）是当前 AI 辅助诊断流程中缺失的核心基础设施。二者不仅是记录工具，更规范了包含 AI 输出在内的诊断信息，在病历中的组织、语境关联与沟通方式。由此，报告成为 AI 转化为可追责临床行动的核心接口。

      结构化报告（SR）搭建了这一接口的技术底座。通过预设数据字段、标准化术语、统一报告版式，SR 减少格式差异，确保核心诊断信息被系统收录。这一设计提升报告清晰度、保证可重复性，让 AI 输出直接嵌入指定报告模块，而非以无格式文本随意附加。

      引导式报告（GR）是 SR 的进阶形态。SR 聚焦报告格式与术语标准化，GR 则将语境敏感型决策逻辑直接嵌入报告流程。GR 并非静态模板，而是根据临床指征与实时发现动态调整，提示放射科医生填写预设的决策相关变量，并完成结构化记录。

      例如，疑似肺栓塞患者行 CT 肺血管造影时，引导式报告会提示明确记录栓子位置与范围（中央型 / 节段型 / 亚节段型）、急慢性血栓栓塞性疾病特征、右心室劳损征象（左右心室直径比、造影剂反流至下腔静脉与肝静脉）、高危征象（如鞍状栓子）。通过系统引导与结构化记录，GR 能减少遗漏错误，提升临床可操作性报告的一致性。

       在 AI 整合流程中，GR 能帮助医生将算法发现与整体临床情况结合分析。

      单一的结构化或引导式报告，无法实现 AI安全落地。无引导的 SR 易沦为静态检查表，无结构化数据支撑的 GR则缺乏一致性与可追溯性。二者结合，能让 AI衍生发现以可追溯、可编辑、带语境的方式融入报告，在保留人工审核的同时，降低遗漏与沟通失误风险。

      在此框架下，AI 输出可与来源、置信度、对最终解读的影响等元数据同步记录。这种透明度让 AI 的作用可看见、可核查、可审计，同时放射科医生保留最终报告的全部责任。

      将 SR/GR 重新定义为患者安全关键基础设施，能让 AI应用从单纯追求算法性能，转向系统层面的整体设计。核心判断标准不再是 AI 独立运行效果，而是报告体系能否支撑 AI 安全、规范、可追责地临床使用。若无这一基础设施，仅靠算法性能提升，无法转化为更安全的诊疗服务。

【安全作用机制：SR/GR 如何降低 AI 整合流程风险】

      SR/GR 通过多重机制降低 AI 整合风险，精准应对诊断错误、沟通失效、系统整合不规范等已知安全隐患。

1.减少报告差异与信息遗漏
      SR 通过强制统一核心诊断要素的记录，保障报告完整性。临床实施数据证实：启用偶然发现肺结节标准化报告模板后，完整记录 6 项核心结节特征的报告占比从 12% 升至 47%（p<0.001，实施前后各 400 份样本）。

2.规避人为因素导致的诊断错误
      GR 通过提示后续检查、鉴别诊断、关联征象，减少认知偏差与过早下结论的问题。一项大样本颈椎 CT 观察研究显示：1832 份无检查表支持的报告中，紧急非骨折征象（韧带、软组织损伤等）漏诊率为 28.3%；514 份启用结构化检查表的报告中，漏诊率降至 9.3%（p=0.01）。同时能有效对抗自动化偏倚—— 避免临床医生过度依赖 AI 建议、忽略其他影像线索与临床背景。

3.规范 AI 输出录入，减少转录错误
      AI 结果直接嵌入 SR/GR 模块，可避免手动转录失误与语境丢失；而手动录入自由文本易引发解读偏差、选择性记录、定量数据丢失。急诊血管影像数据验证：下肢 CT 血管造影采用结构化模板后，核心项目完整率（9 项中完成 8 项 vs 7 项，p=0.016）、临床实用性评分（7 分 vs 4 分，p=0.029）显著提升，报告时长无变化，督导时长从10.6 分钟降至 6.2 分钟。

4.实现透明化与责任可追溯
      SR/GR 可明确记录放射科医生对 AI 结果的处理方式，让人机交互过程可看见、可核查。创伤 CT（患者安全高风险场景）前瞻性队列研究（n=408）显示：常规启用结构化报告后，整体错误率从12.6% 降至 8.4%，高年资医生错误率从 8.8% 降至 2.7%；1 小时内完成报告的比例从 55.1% 升至 68.3%。

5.优化跨科室沟通，支撑及时决策
      清晰、可重复的放射学报告能改善与临床科室的沟通效率，保障临床决策及时推进。在 AI 整合流程中，这一下游安全效应尤为关键。

【对临床实践、质量管理与监管的启示】

      将放射学报告视为患者安全关键基础设施，其意义远超流程优化。

      临床实践层面：SR/GR 为 AI 应用提供规范框架，在不弱化专业责任的前提下使用 AI。AI 输出嵌入受控报告体系，放射科医生可有效把控算法结果对解读与沟通的影响，减少模糊性，让 AI 定位为辅助工具而非隐性决策主体。

      医疗机构层面：基于 SR/GR 的 AI 整合，能实现自由文本报告无法达到的透明度。诊断推理与 AI使用的结构化记录，支持医疗机构开展系统质量管控与报告审计，这是患者安全管理的核心 —— 可回溯决策、从接近失误与不良事件中总结改进。

      质量管理层面：人工判断与 AI 输出的交互必须可看见、可追责。SR/GR 提供了 AI 辅助诊断中，可落地执行可追溯性、可解释性、责任界定的记录支撑，明确 AI 结果如何融入最终报告，清晰划分责任。这一优势在多 AI 工具分段参与诊断的场景中尤为突出。

      监管政策的更新，也凸显了报告基础设施的重要性。新兴监管框架愈发强调人工审核、透明度、可回溯自动化系统对临床决策的影响，这些要求均以 AI 参与过程可标准化、可核查记录为前提。若无结构化记录，对监管原则的遵守易流于形式，损害患者安全与公众信任。

      综上，放射学领域的 AI 应用需重新定位：AI 对患者安全的影响，不只取决于算法复杂度，更取决于 AI输出融入病历、影响诊疗的体系是否完善。将放射学报告作为患者安全关键基础设施，能让技术创新与患者安全目标对齐，为负责任的 AI 落地提供可复制路径。归根结底，报告的规范程度，最终决定 AI 在放射学实践中是提升安全，还是带来隐患。

翻译：祝炳钊 重庆医科大学泌尿外科2026硕士研究生

审校：赵庆华 肖明朝 

重庆医科大学附属第一医院护理研究中心