乳腺超声AI给出参考病例,也带来了新的核对工作

知影 · 医疗设备决策研究　医疗产业解读

B-RAD提供了可核对的相似病例，也让诊断证据的来源与人工核对的代价变得更重要。

如果AI给出一个BI-RADS类别，同时展示它找到的相似图像、关注的病灶和判断理由，医生就多了一条核对路径。

这个变化有吸引力：接受或推翻AI时，可以指向具体证据，而不只是面对一个分数。问题也随之出现：这些证据靠什么取得可信度，核对之后改变的决策又是否更好？

10月3日，npj Digital Medicine上线已接收、尚待最终编辑的B-RAD乳腺超声研究。

[1] 理解它的临床价值，要把两件事分清：模型能否复现专家的分级判断，以及医生借助它后，是否更妥当地处理了有病与无病的病例。

论文分别提供了线索，不能拼成一个笼统的“准确率提升”。

0.952这张答卷，参照的是谁

独立机构队列包含289例，83.7%属于BI-RADS 4–5。

文中0.952的AUROC对应专家分级的2/3与4/5分流，不能读成以病理恶性为结局的AUC；另一个BUS-CoT外部队列的同项AUC为0.799。[1]

复现专家分级本身可以有价值，尤其是在评估一致性时。但它回答的是“系统如何接近这套判读参照”。

如果要进一步回答哪些患者能避免延误、哪些良性病例可能承受额外检查，就必须换到能够核验这些后果的证据上。参照标准发生变化，指标的临床含义也跟着变化。

另一项100例读者实验，包含35例恶性与65例良性。其四分类准确率仍参照专家BI-RADS，而活检阈值相关的敏感度、特异度等指标才按病理评价。

[1] 这是更贴近决策的一张答卷，但仍是读者实验；它没有直接观察这些建议在真实就诊路径中带来的长期结果。

因此，机构队列不能被悄悄改写成普通筛查人群，读者实验也不能被扩写成已经减少实际漏诊。两组证据合在一起的正确用途，是指出下一步该在哪种病例和哪种决策上试验。

只保留最高AUC，会把这个有用的信息丢掉。

相似病例把黑箱拆开，也可能把错误串起来

B-RAD把检索、定位和分类连起来，利用参考图帮助后续判断；目前处理的是静态二维超声图。

[1] 从使用者角度看，这种设计的潜在价值是让人看见中间环节，从而有机会发现“参考错了”或“看错位置了”。

不过，可见的证据也会影响注意力。如果参考图足够相似，医生可能更容易忽略当前病例中恰好不同、却决定风险的特征；如果初始定位有偏差，后续解释可以围绕错误区域保持连贯。

解释连贯只能说明几个步骤彼此接得上，不能保证第一步就选对了对象。

真正有用的解释，应帮助读者指出差异，而不只是确认相似。核对时值得问的是：当前病灶在哪个关键特征上不符合参考病例，模型又如何处理这个差异？

当系统无法说明时，保留“不适用”应当比努力挑出一张最相似的图更重要。这是对交互设计的评价要求，尚不能当作本研究已经验证的机制。

静态图任务还有一道边界：读者可以检查已有图像，却不能凭参考病例补回采集时没有留下的信息。

把此类工具试用于阅片支持，与用它指导完整超声检查，是不同的应用问题，后者需要自己的证据。

模型接近专家分级，与医生改善病理核验下的决策，是不同的评价问题。图为概念示意。右侧指离线读者实验中的漏判与活检建议，不代表已发生的临床操作或患者获益。

少漏判一些恶性病例，代价由哪一边承担

B-RAD辅助后，四位读者在实验中未建议活检的恶性病例比例均下降；但三位非住培读者把良性病例判为应活检的比例上升，住培读者则下降。四分类准确率的改善只有三位达到统计显著。

[1]

这个分歧很重要。人机协作的结果不能仅用模型能力概括，也取决于原来的读者习惯：有人可能变得更愿意提高警惕，有人可能借参考图纠正原先过于谨慎的判断。

相同界面落到不同使用者手中，未必形成相同的决策代价。

临床价值的判断还需要给不同错误赋予不同权重。决策曲线分析的原始方法研究，正是把假阳性与假阴性的相对后果纳入评价，而不是让AUC独自决定一个模型值不值得用。

[2] 这里引用的是评价原则，B-RAD本研究并没有因此自动获得一个适用于本地患者的净获益结论。

少漏判恶性病例值得重视，良性活检也需要认真对待。两者之间愿意接受多大交换，应结合适用人群、实际后续处置及患者价值取向来讨论。

若只是把增加的活检一概称为“可接受的小代价”，就把最需要证明的临床判断提前做完了。

多花的核对时间，究竟买到了什么

在这项静态病例任务中，B-RAD辅助读片时间为18.0–37.0秒，未辅助时为4.0–7.2秒。

[1] 这些数值不能直接套成完整超声检查的周转时间，却清楚提醒我们：解释需要人来读，参考图需要人来比较。

多花时间未必是坏结果。遇到决策困难的病例，如果更充分核对确实减少错误，它可以是一种合理投入。

问题在于，这笔投入的收益是否来自系统提供的信息，还是主要来自读者获得了更长的重新思考机会。两种解释指向不同的部署选择。

后一种解释应被认真检验。一个有说服力的对照，可以让读者在相近时间内完成结构化复核，或者提供同等数量、但采用不同选择方式的参考材料，再观察B-RAD的增益还剩多少。

阅读顺序、重复见到病例产生的学习、哪些错误建议被接受，也都需要核清。这里提出的是后续研究问题，并非声称这些因素已经解释了论文结果。

任务专门化也是另一个解释。原文的完整流程与通用医学多模态模型并非只有“有没有检索”这一处差别。

[1] 若把整个差距都归功于参考病例，就会跳过训练目标、定位方式和界面等共同变化。要判断哪部分值得医院付出核对时间，应尽量比较一次只改变一个关键环节的方案。

把可解释性做成可追溯的临床试验

对准备试用的科室，值得先确定一个有限问题：哪些现有决策最需要帮助？例如，可以研究它是否有助于处理原本分歧较大的病例，而不是默认让每一例都增加同样的核对步骤。

这样的选择性应用仍是待验证设想，不能借本研究直接宣布有效。

评价记录需要保留AI介入前后的判断与理由。原先正确、后来被带错的病例，和原先错误、后来被纠正的病例，都应进入分析；只记录最终一致率，看不见人机之间错误的流向。

病理或随访结局、良性病例接受侵入性检查的比例，以及人工复核负担，也应沿完整路径观察。

DECIDE-AI强调，早期真实临床评价应交代系统、使用者和实施环境的相互作用，以及安全与人因问题。

[3] 它是报告规范，不是“照着填完就能证明有效”的认证，也不能把离线读者实验变成真实临床验证。对这类可解释系统，解释被谁看、如何被采纳，恰好就是干预的一部分。

如果后续连续病例研究显示，在明确适用人群中，读者确实能利用参考证据纠正错误，同时把额外检查与核对成本控制在可接受范围，B-RAD就有理由向更广的使用范围推进。

若它主要增加了信心，却没有改善决策后果，界面再透明也需要重新设计。把参考病例摆出来，是让判断更可核查的开始；完成这次核查，才轮到讨论临床收益。