当AI成为放射科医生的“第二双眼睛”

2026年5月，一篇发表在《Radiology: Artificial Intelligence》上的研究给出了一个耐人寻味的数字：在一款FDA批准的肺栓塞AI工具辅助下，放射科医生检测肺栓塞的灵敏度达到了99.2%，超过了算法单独运行时的表现。同一项研究中，在AI和医生意见不一致的病例里，最终确认放射科医生判断正确的比例是88.7%。

这两个数字放在一起，勾勒出医疗影像AI在2026年的真实位置：它已经足够有用，但它的用处不在于“取代”，而在于改变人和图像之间的关系。

从“看得见”到“看得早”

医疗影像一直是计算机视觉最自然的应用场之一。图像本身是数字化的，诊断任务有相对明确的视觉依据，而放射科医生长期面临的工作量压力，使得任何能够加速或辅助判读的工具都具有天然的吸引力。但早期AI在医疗影像中的角色，大多停留在“辅助检测”的层面：在图像上画一个框，提示“这里可能有问题”。

2026年的进展，正在把AI的角色向前和向后同时拉伸。向前，是更早的分诊。Harrison.ai获得FDA清关的非增强CT脑梗分诊工具，针对的是一个放射学中公认的难点：急性脑梗在非增强CT上极难识别，而大多数卒中AI系统依赖的是后续的CTA血管造影，这意味着患者要等到影像流程的较晚阶段才能被识别出来。Harrison.ai的方案直接分析第一道影像检查，在六个血管 territorie 上评估脑组织损伤，把疑似缺血性卒中的病例提前推到队列前面。在薄层CT上，其灵敏度达到89.2%。

向后，是更完整的定量输出。DeepHealth的乳腺超声AI在FDA提交研究中将病灶定位准确率做到98%以上，同时把癌症检测灵敏度提升了8%，并将放射科医生进行BI-RADS分类和解读的时间缩短了37%。Eyonis的肺癌筛查软件则把结节检测和恶性风险评分整合进同一个产品，在低剂量CT上实现了0.904的患者层面AUC，并在放射科医生阅片时提供了统计上显著但幅度不大的性能提升（AUC增加0.016）。

这些数字的共同特征是：提升是真实的，但往往是“边际性”的。AI把灵敏度从某个水平推到另一个水平，把阅片时间压缩一定的百分比，把风险分层做得更标准化。它很少制造戏剧性的“从0到1”，它做的是在已有的临床流程中，消除一部分摩擦和遗漏。

人机协作的微妙算术

肺栓塞研究中最值得细看的部分，不是99.2%这个总数，而是它在不同病例类型上的分布。AI与放射科医生的 agreement 在急性和中心型栓塞上最高，而在慢性和外周型栓塞上明显下降。这恰好与工具的“分诊”定位一致：它最可靠的地方，正是临床上最紧迫、最不能漏掉的地方。而在那些判断更微妙、更需要综合临床背景的病例上，医生的独特贡献仍然不可替代。研究中15%的阳性病例仅由放射科医生识别，AI单独抓到的仅占0.8%。

这组数据指向一个比“AI超过人类”或“人类不可替代”都更细致的结论：AI和人类在不同的错误模式上各有短板。AI擅长的是在高工作量下保持稳定的敏感度，不漏掉那些“应该看到”的明显异常；人类擅长的是在模糊、非典型、需要跨模态整合的情境中做出判断。协作的价值不在于任何一方单独更强，而在于两种错误分布不完全重叠。

AEYE的糖尿病视网膜病变筛查数据提供了另一个维度的证据。其便携式设备在非散瞳、单张图像条件下，对超过轻度糖尿病视网膜病变的灵敏度为92%—93%，特异性为89%—94%，而对严重病例的灵敏度达到100%。整个筛查流程可以在初级诊所由没有眼科成像经验的工作人员操作，一分钟内完成。这里的意义不在于AI比眼科医生“更准”，而在于它把筛查能力从专科诊室释放到了患者所在的地方。当超过60%的糖尿病患者错过年度眼科检查时，可及性本身就是一个临床结果。

自动化的另一面

医疗AI的叙事如果只停留在准确率数字上，会遗漏一个在2025—2026年的文献中越来越突出的问题：自动化偏见。

自动化偏见指的是人类操作者倾向于过度信任自动化系统的输出，即使有冲突信息存在，也倾向于将判断权让渡给机器。在放射学中，这表现为一种微妙的认知位移：当AI标注了“阴性”，医生可能花更少的时间去独立搜索；当AI标注了“阳性”，医生可能围绕AI的发现来组织自己的判读，而忽略AI没有提及的区域。在脑血管动脉瘤的AI辅助检测研究中，这种效应已经被实验观察到。

自动化偏见的风险不在于AI“出错”——任何工具都会出错。风险在于AI的错误和人类的错误开始相关。如果医生的独立判断在不知不觉中被AI的输出锚定，那么“人机协作”在统计上就可能退化为“人机共错”。肺栓塞研究中88.7%的分歧由医生纠正，这是一个令人安心的数字，但它也提示着另外11.3%的分歧中，AI的判断被维持了下来——那些病例中医生最初的怀疑是否被AI的“自信”压下去了，是一个无法从聚合数据中回答的问题。

另一个需要冷静看待的维度是假阳性。AI提升灵敏度的同时，往往伴随着更多的提示和更多的下游检查。Eyonis肺癌筛查明确将“减少假阳性”作为目标之一，但即使AUC达到0.904，在低患病率的人群中，阳性预测值仍然会受到基础概率的严重制约。一个在临床试验中表现良好的工具，进入真实筛查流程后，其收益和负担的平衡取决于人群选择、阅片流程、以及后续确诊路径的设计，而不仅仅是模型本身的指标。

工具的位置

2026年FDA清关名单上的医疗影像AI，覆盖了卒中分诊、肺栓塞、乳腺癌超声、肺癌筛查、糖尿病视网膜病变、关节积液和脱位等多个方向。它们的共同点不在于“比医生更聪明”，而在于各自切入了一个特定的临床摩擦点：一个太容易在平片上被漏掉的早期征象，一个需要排队等待的阅片环节，一个因为专科资源不足而无法触达的人群。

这些工具正在成为放射科和临床科室日常基础设施的一部分，而不是一个需要被反复惊叹或恐惧的“外来者”。它们改变的是工作流的形状：什么先被看，什么被量化，什么从“凭经验”变成“有参考”。而那个在每张图像前做出最终判断的人，仍然需要决定在多大程度上信任屏幕上的标注，以及在标注之外，还有什么值得再看一眼。