AI写影像报告真的省时间吗?101项研究揭示效果、安全与工作流真相

LLM、多模态LLM和视觉语言基础模型已开始生成影像、病理和内镜报告，但是否安全、是否真正减轻医生工作量仍缺少统一证据。

综述检索至2026年5月15日，纳入101项同行评议研究，按有效性、安全性和工作流负担评估，并区分自主生成、人机协作起草和编辑/结构化支持。

没有研究被评为低偏倚风险，也没有主要结局可以Meta分析。部分场景提高专家接受度或缩短阅读时间，但遗漏、幻觉和额外编辑负担仍存在。

这篇综述评估的是临床能不能用

医学影像报告生成过去常用BLEU、ROUGE、CIDEr、BERTScore等文本相似度指标评价，但一份语言流畅、与参考报告相似的文本，仍可能漏掉重要异常、加入不存在的发现，或增加医生修改成本。

作者因此把主要结局分成三类：有效性看专家接受率和盲法偏好；安全性看临床重要错误、遗漏错误和新增错误，其中遗漏指漏掉临床相关发现，新增错误指报告加入缺乏依据或幻觉式内容；工作流负担看报告时间、修改次数、编辑距离和编辑负担。

研究还把AI在工作流中的角色分开：自主生成是模型先独立生成报告，再由医生评价；人机协作起草是医生在写报告过程中使用AI文本；编辑或结构化支持则发生在已有检查所见、报告草稿或原始文本之后。作者没有把这三类任务视为等价干预，因为医生参与程度和错误传播方式不同。

101项研究主要集中在胸片和自主报告生成

检索覆盖PubMed/MEDLINE、Embase、Web of Science、Scopus和Cochrane Library，时间范围为2016年1月1日至2026年5月15日，并补充Europe PMC、OpenAlex和参考文献追溯。初始检索获得6,936条记录，最终纳入101项研究。

其中68项为回顾性或技术验证研究，28项为非随机比较、读片者或工作流研究，只有5项属于前瞻性、真实世界工作流或验证研究。

胸片是最大模态组，共36项；混合模态20项；CT、CTA或PET/CT共11项；MRI 10项；超声6项；内镜5项；病理5项。任务方面，61项直接由图像生成报告，29项进行报告起草或结构化，11项根据已有所见或报告生成诊断印象。66项研究属于自主生成，15项属于人机协作起草，20项用于编辑或结构化支持。

图2｜研究筛选流程（原文Figure 1）：数据库检索、去重、全文评估及最终纳入101项研究。

图3｜模态、生成任务和AI角色的对应关系（原文Figure 2）：证据主要集中在胸片、图像到报告和自主生成流程。

研究数量增长很快，但临床结局报告仍不统一

论文显示，2023年后相关研究快速增加，但评价仍明显偏向自动化文本指标。101项研究中，只有36项至少报告了一项临床相关的人类评价、安全性、工作流、报告质量、接受度或时间指标；作者最终从中选出21项具有较清晰临床可解释结局的研究用于核心证据总结。

这种不平衡直接限制了证据合并。不同研究使用的任务、输入、比较对象、医生参与方式、病例单位和统计分母差别很大。有的按患者计算，有的按报告计算，有的按“读片者-病例”重复评分计算；安全结局也常以不同阈值、不同定义或不可重建的形式呈现。

因此没有任何预设的有效性、安全性或工作流结局满足Meta分析条件。问题是至少两项研究都找不到足够一致的定义、任务结构和可分析数据来形成可靠的合并效应量。

图4｜研究增长、评价信号与偏倚风险（原文Figure 3）：研究数量快速上升，但临床安全和工作流指标报告不足，多个偏倚领域风险较高。

专家愿意接受AI报告，不等于报告已经足够安全

一项大规模胸片研究中，AI生成初步报告的接受率为70.5%（6,047/8,580），放射科医生报告为73.3%（6,288/8,580），两者接近。但AI报告的假阴性评分为18.5%，放射科医生报告为17.8%；假阳性评分也略高于人工报告。

另一项医生与视觉语言模型协作的胸片研究中，在两个数据集上，AI报告被评为“等同或优于医生报告”的比例分别为77.7%（233/300）和56.1%（170/303）。这些结果支持AI文本在部分受监督场景中具有可接受性，但同一研究仍观察到临床重要错误。

这也是作者反复强调的区分：专家偏好、可读性或语言自然度不能替代病例级安全评价。报告看起来合理，并不能证明其中没有关键遗漏、无依据新增内容或生成失败。

AI有时能省时间，也可能把时间转移到修改环节

工作流结果没有出现一致方向。一项脑MRI读片研究中，AI辅助将平均阅读时间从61秒降至53秒，并改善了诊断表现，初级放射科医生获益更明显。

另一项放射学诊断印象起草研究得到相反结果：模型生成草稿后，医生平均编辑时间从12.20秒增加到18.29秒，平均修改词数从5.74增加到12.32。AI虽然提前生成了文本，但医生需要投入更多时间核查和修改。

因此“生成更快”与“完成最终报告更快”不是同一个终点。真正决定工作流价值的是AI进入哪一个环节、医生还需要核对多少内容，以及最终报告是否减少了总劳动量。

当前证据质量不足以支持自主替代医生

101项研究中，没有一项被评为低偏倚风险；15项为中等风险，72项为高风险，14项为严重风险。常见问题包括回顾性病例选择、缺乏独立外部验证、读片者未充分盲法、训练和测试边界不清、提示词和模型处理不透明，以及生成失败未完整报告。

在作者针对68项技术验证研究使用的AI验证框架中，生成失败处理是最突出的问题：66项被评为高风险，另外2项为严重风险。GRADE框架下，专家接受度、盲法偏好、安全性和工作流负担四类临床重要结局的证据确定性均为“极低”。

作者给出的临床定位很明确：现阶段LLM报告系统更适合作为医生监督下的辅助工具。真正进入临床前，需要在本地病例、本地报告模板、本地医生审核流程和实际IT环境中重新验证，并同时报告遗漏、新增错误、生成失败、修改负担和最终报告质量。

小结

这篇系统综述把医学报告生成的评价重点从“模型能不能写出像样的报告”转向“报告是否安全、医生是否愿意使用、最终工作量是否下降”。101项研究说明LLM和视觉语言模型已经能够进入多种影像报告任务，但现有证据仍以回顾性和技术验证为主，临床结局定义高度不统一。

目前最合理的应用方式仍是受监督辅助：AI可以起草、结构化或提供初步报告，医生负责核查和定稿。下一阶段的关键不再只是提高BLEU或ROUGE，而是用病例级、可重建、可比较的安全和工作流终点评价实际临床价值。

原文信息

Title：Effectiveness, Safety, and Workflow Burden of Large Language Model–Based Medical Report Generation: Systematic ReviewJournal：Journal of Medical Internet ResearchPublished：2026年9月9日Authors：Jie-Lin Huang, Ji-Qing Zhu, Xiao-Guang NiDOI：10.2196/97007Article type：Systematic ReviewStudy design：系统综述；遵循PRISMA 2020、PRISMA-S和SWiM；未进行Meta分析

研究团队

研究由中国医学科学院肿瘤医院/国家癌症中心内镜科完成，作者为Jie-Lin Huang、Ji-Qing Zhu和Xiao-Guang Ni，通讯作者为Xiao-Guang Ni。研究聚焦医学报告生成的临床有效性、安全性与工作流评价。