AI 在医院影像科到底走到了哪一步
医疗影像 AI 是 2026 年 AI 应用里最矛盾的一类：一边是”假阳性过多被诟病”、一边是”肺部 CT / 乳腺癌筛查多个 RCT 表现出色”。本篇拨开噪声，看清楚哪些场景真的有用，哪些还只是 demo。
三类场景，三个真实情况
场景 1：肺结节 / 肺结核筛查（最成熟）
- 现状：多家厂商的肺结节检测模型在临床场景里已经稳定运行，多数是”AI 第一道初筛 + 医生复核”。多中心研究显示 AI 能把医生读片时间缩短 30-50%，敏感度 ≥96%。
- 边界：对磨玻璃结节的良恶性判断仍是难点；假阳性 5-10% 还在，需要医生把关。
- 真实价值：基层医院、影像医生资源稀缺的医院受益最明显。
场景 2：乳腺癌筛查（辅助而非替代）
- 现状：瑞典 MASAI / 美国 McKinney 等团队多年的跟踪数据显示 AI 辅助下医生召回率持平、癌检出率小幅上升。
- 边界：AI 不能独立签字报告——监管要求”医生最终判断”。
- 真实价值：减少医生工作量、减少漏诊，特别是混合密度腺体组织（钼靶最难的一段）AI 比医生更稳。
场景 3：急性卒中（脑梗死）识别
- 现状：时间就是大脑——发病后每分钟损失约 190 万神经细胞。AI 在急诊 CTA / CTP 影像里识别大血管闭塞的模型已经做到 5 分钟内出结果，准确度 90%+。
- 边界：对后循环卒中、小梗死灶的敏感度仍然不如医生。需要”AI 报警 → 医生确认”的协作模式。
- 真实价值：基层医院在缺乏神经放射科医生的情况下，能”先 AI 识别、转诊大医院”的桥接模式被验证有效。
三个被高估（虽然资本很爱）
1. 全身多病种”万能”诊断平台
很多厂商喊”AI 全能影像医生”。现实：没有任何一个模型的泛化能力足以跨多个解剖部位。专项训练加细分场景是 2026 年的主流路线，”通用”路径被多个失败案例证伪。
2. 自动报告生成（含 GPT 类 LLM）
LLM 写医学报告在 2025 年风很大，但可靠性≠可读性。真实落地场景仍是“AI 给出结构化草稿 → 医生签名”。独立签字的”AI 医生”在监管层面没戏。
3. 病理切片 AI（数字病理）
病理被誉为 AI 影像的”最后战场”。但切片颜色标准化、像素级标注的成本极高，模型在罕见病种上仍然很差。比影像诊断难 3 倍不止，现在还远没到”标配”水平。
真正能让 AI 影像落地的 4 个条件
- 从单一适应证开始，不要追求”全科”。
- 与 PACS / RIS 系统深度集成，AI 结果直接写进医生工作流；
- 建立反馈闭环：医生的”对/错/不确定”标记回流到模型训练数据；
- 把假阳性成本算清楚：每多一次”假警报”会让医生疲劳→真警报被忽略。这个反噬是最可怕的。
趋势：2026 年到 2027 年的三件事
- 多模态融合成主流：CT + MRI + 病理 + 临床特征联合训练，模型开始真正”看全”患者。
- 基础模型（foundation model）冲击：像 RadFM、Med-PaLM 2 这类医疗影像 + 文本基础模型开始取代单点模型。
- 监管趋严：FDA / NMPA / CE 会要求”持续性能监控”——上线只是开始，长期监控才是真护城河。
给关注者的最后一句
不要问”AI 影像能不能替代医生”，要问“哪些医院、哪些科室、哪些病例类型，今天已经因为 AI 而改变”。答案是：基层医院的肺 CT、三甲医院的乳腺钼靶、急诊的脑卒中——这三个场景已经是事实，不是 PPT。
其它场景，2026 年还在”研究阶段”，离临床稳定至少 2-3 年。
