ARTICLE · 1118860
AI 时代,放射科医生真正的价值是什么?
AI 时代,放射科医生真正的价值是什么?
插图： CHATGPT 5.6 sol 最近遇到一个肠系膜上动脉压迫综合征的病例时，我又想到了这个问题。 人工智能正在越来越多地参与图像识别、病灶测量、定量分析和报告生成。那么未来的放射科医生，应该往哪个方向努力？ 答案不是“看更多的片子、写更快的报告”，甚至也不只是“把疾病诊断出来”。 我们真正应该努力的，是尽可能利用影像和医学知识，为患者的诊断、治疗、评估和预后提供有价值的信息，帮助临床做出更好的决策。 换句话说： 完成报告只是基本要求。真正重要的是：这次检查需要解决什么问题，而我们有没有尽可能把它解决好。
这个患者做胃肠道造影时，可以看到十二指肠水平段在肠系膜上动脉经过的位置出现典型狭窄，也就是所谓的“笔杆征”，狭窄近端扩张并伴明显逆蠕动。 如果只是完成报告，写一句： “考虑肠系膜上动脉压迫综合征。” 似乎已经足够。 但如果目标不是完成报告，而是真正解决患者的问题，就可以再往前走一步。 患者有没有明显消瘦？进食以后症状是不是加重？俯卧位能不能缓解？既往增强计算机断层扫描上，主动脉与肠系膜上动脉之间的夹角和距离是不是确实减小？十二指肠在相应位置有没有受压？ 把这些信息结合起来，我们回答的就不再只是： “这里有没有狭窄？” 而是： “这个狭窄能不能真正解释患者的症状？” 还可以再多想一步。 肠系膜上动脉压迫综合征和左肾静脉受压具有相似的解剖基础。如果既往增强检查同时发现左肾静脉明显受压、近端扩张或者侧支循环形成，就应该提醒临床关注有没有血尿、蛋白尿等情况。 我以前遇到过另一个肠系膜上动脉压迫综合征患者，通过复习病历和实验室检查，发现在三年的随访过程中逐渐出现血尿和蛋白尿。 当然，单纯影像学看到左肾静脉受压，只能说明存在胡桃夹现象；只有结合相应临床表现，才能进一步考虑胡桃夹综合征。 同样一次检查，如果只是看到“十二指肠狭窄”，和进一步解释它为什么发生、能否解释症状、有没有相关异常、下一步还应该关注什么，能够给患者带来的价值显然不同。
后来我越来越觉得，这件事情可以归结为一个简单的问题： 在这次检查能够回答的边界之内，我们有没有把它所能提供的价值尽可能发挥出来？ 具体来说，可以反复问自己三个问题。 第一，能给的信息，我们是不是已经给了？ 不仅仅是有没有病变。如果现有影像能够进一步判断病变的性质、范围、严重程度、分型、分期、并发症、治疗反应或者预后风险，就应该尽可能提供。 这并不是说报告写得越长越好。 真正重要的是，对这个患者有价值的信息有没有遗漏。 第二，临床需要回答的问题，我们是不是尽力回答了？ 一个结节、一处狭窄、一个异常强化，本身只是影像发现。 更重要的是：它意味着什么？能不能解释患者的症状？会不会影响治疗？几个异常之间有没有联系？当前最需要临床关注的是什么？ 第三，现在回答不了的问题，我们有没有提供下一步方向？ 任何检查都有边界。 如果现有检查不能解决问题，是需要补充增强扫描、磁共振、超声、实验室检查、病理，还是结合既往影像或者随访？ “目前不能明确，但接下来应该怎么解决”，本身也是很有价值的信息。
我们可能需要多问几句病史，需要和临床医生沟通这次检查究竟想解决什么问题，也可能需要翻病历、看实验室结果、其他检查、病理，或者重新调出几个月甚至几年前的影像。 这无疑会增加工作量。 但这些并不是影像诊断之外的“额外工作”，很多时候，它们本身就是诊断的一部分。 2024 年《Radiology》发表的一项前瞻性研究纳入了 240 名接受腰椎磁共振检查的患者。研究发现，当放射科医生获得患者症状信息以后，对于致痛病灶类型、节段和侧别的判断，与脊柱专科医生的一致性明显提高；放射科医生自己的诊断把握度也从平均约 61 分提高到了约 80 分。[1] (RSNA Publications) 这说明： 影像从来不是脱离患者独立存在的。 同一张片子，知道和不知道患者的病史，我们对它的理解可能完全不同。 当然，现实中放射科工作量很大，不可能把每个患者都研究半个小时。更实际的做法，是把更多时间放在重症患者、诊断有疑问的患者、影像与临床不符的患者、可能影响治疗方案的患者，以及那些让你觉得“事情可能没有这么简单”的患者身上。 有疑问，多翻一次病历；信息不够，多问一句；当前诊断解释不了全部症状，就再想一下有没有第二个问题。
我以前遇到过一个一岁多的食管异物伴喘鸣患儿。 夜班医生诊断食管异物，这个诊断本身没有错。但是无法解释为什么会有喘鸣，继续观察，可以发现患儿还存在双主动脉弓，形成完整血管环，对气管和食管造成压迫。 如果只诊断食管异物，异物取出后，这次诊疗可能就结束了。发现双主动脉弓以后，患者正的解剖异常才被找到，后续诊疗方向也完全不同。 这个病例一直提醒我： 影像上最显眼的异常，并不一定是患者最重要的问题。 有时候不能只问： “我发现了什么？” 还要继续追问： “它能解释患者的全部问题吗？为什么会发生？后面还有没有更根本的原因？” 我自己做多枚磁体吞咽研究时也有类似体会。 如果只是完成报告，我们可以告诉临床有几枚磁体、位于哪里。但临床真正关心的是：有没有夹住不同肠袢？有没有造成肠壁损伤？并发症风险有多高？还可以继续观察，还是应该尽快干预？ 因此，我们后来关注的重点也从单纯发现多枚磁体，进一步转向磁体总长度、边缘模糊、间隙征、连续影像是否继续前进，以及这些征象能否帮助预测并发症。 这代表了同一种变化： 从描述影像，走向风险判断；从诊断疾病，走向支持临床决策。
2020 年，美国放射学会、北美放射学会、欧洲放射学会等多个专业组织联合发表了关于价值导向医疗时代放射学的专家声明。 其中一句话直接点出了这个问题： “患者想要的并不是一次超声、计算机断层扫描或者磁共振检查，他们想要的是一个临床问题的答案。”[2] () 这份声明进一步把放射学创造的价值延伸到疾病诊断和分期、临床决策支持、治疗方案选择、疗效监测和预后判断等整个诊疗过程中。(RSNA Publications) 而人工智能的发展，只会让这个方向更加重要。 2025 年《Radiology》的一项研究显示，在胸片阅片中，使用人工智能生成的初步报告后，放射科医生平均阅片时间由 34.2 秒下降至 19.8 秒；同时部分报告质量和异常识别指标有所改善，但不同病变和不同阅片者的获益并不完全一致。[3] (RSNA Publications) 未来，病灶检出、测量、比较、结构化信息提取和报告生成中，越来越多重复、机械的工作可能得到人工智能的帮助。 那么，人工智能节省出来的时间拿来做什么？ 如果只是让一个医生从每天写 100 份报告变成写 150 份报告，我觉得这并不是技术最有价值的方向。 更重要的是，把医生从机械工作中释放出来，让我们把更多注意力放回患者和临床问题本身。 2026 年，美国放射学会理事会主席 Christoph Wald 在讨论放射科医生与人工智能的未来时，也提出了类似观点：随着人工智能越来越擅长检测、测量、分诊、模式识别和报告起草，放射科医生更需要发挥临床判断、处理不确定性、整合信息、提出建议以及与临床医生和患者沟通的能力。[4] (美国放射学会) 说到底，这些能力背后的核心就是： 临床思维。 面对真实患者，抓住主要问题，整合病史、实验室和影像信息，判断哪些证据支持、哪些证据反对，认识现有检查的边界，并据此做出尽可能合理的医学判断。 我觉得，这才是医生最核心的能力之一。
我的老师曾经反复告诉我们： “病人是我们最重要的老师，要认真对待并感恩每一个病人。” 以前我更多把它理解成一种职业态度。现在越来越觉得，它也是一种重要的学习方式。 当我们为了一个患者去问病史、翻病历、查文献、看手术和病理结果、追踪后续变化时，看起来是为这个患者多花了一些时间，实际上也在完成一次扎实的学习。 今天为了一个患者多走的那一步，往往会变成下一次面对类似患者时的能力。 当我们的目标只是“完成报告”时，每天面对的可能是一幅幅图像、一份份待处理的检查。 但当我们开始思考： 这个患者为什么来做检查？ 他究竟遇到了什么问题？ 我能够为他的诊断和治疗提供什么帮助？ 屏幕背后就不再只是一堆图像，而是一个个活生生的病人，以及属于他们的病史、经历和故事。 我们做的，也不再只是“看片、写报告”，而是在真正参与一个患者的诊疗。 这件事情很可能无法直接增加收入，或者带来额外的物质回报。但当自己的诊断真正帮助临床解决了问题，甚至改变了患者后续的诊疗路径时，那种职业成就感和价值感，是单纯“又完成了一份报告”无法获得的。 所以，我现在越来越愿意把放射科医生理解为： 一个以医学影像为主要工具，参与患者诊断和治疗决策的医生。 报告只是传递医学判断的一种形式，而不是工作的最终目的。 对于真正重要的病例，我们可以不断问自己： 这次检查真正需要解决什么问题？ 能回答的，我是不是已经尽可能回答了？ 不能回答的，我有没有清楚认识它的边界，并给出下一步方向？ 我想，这就是人工智能时代，放射科医生值得长期努力的方向。 完成报告，只是基本要求。 通过影像真正帮助诊治患者，才是我们的价值所在。
参考文献 Balza R, et al. Impact of Patient-reported Symptom Information on the Interpretation of MRI of the Lumbar Spine. Radiology. 2024;313(1). doi:10.1148/radiol.233487. Brady AP, et al. Radiology in the Era of Value-based Healthcare: A Multi-Society Expert Statement from the ACR, CAR, ESR, IS3R, RANZCR, and RSNA. Radiology. 2021;298(3):486–491. doi:10.1148/radiol.2020209027. Hong EK, et al. Value of Using a Generative AI Model in Chest Radiography Reporting: A Reader Study. Radiology. 2025;314(3). doi:10.1148/radiol.241646. Wald C. Radiologists Will Adapt — Embracing New Technology Is What We Do. ACR Bulletin. Published June 10, 2026.