文献速递技术与安全

放射学中人工智能的实施:转诊医师的视角

Implementation of AI in radiology: the perspective of referring physicians.
PubMed 文献 · Insights Imaging · 2025-10-31

该前瞻性调查研究对德国169名经常转诊至放射科的医师(内科、外科、全科)进行在线问卷调查,评估其对放射学AI的态度。60%受访者对AI提升诊断准确性持正面评价(均分3.7±1.2),模型透明性(56.3%)是最重要的信任因素,其次为法律责任明确(25.0%)和数据保护(11.7%),透明性评分显著高于其他因素(p<0.001)。首选应用为病灶检测、研究数据分析和流程管理,障碍包括AI「黑箱」性质、责任不清和数据隐私担忧,亚组分析未发现专科间信任因素显著差异(p=0.21)。

要点

  • 转诊医师最看重AI模型的透明性(56.3%),其次为法律责任明确(25.0%)和数据保护(11.7%)。
  • 病灶检测、研究数据分析与流程管理是转诊医师优先看重的AI应用领域。
  • AI「黑箱」性质、责任归属不清和数据隐私是转诊医师采纳AI的主要障碍。

核心结论

  • 医师认为AI是放射学中有前景的工具,但强调需要更高的透明性、明确的法律责任和安全的数保护。
  • 通过可解释AI模型、法律框架和稳健的数据保护措施解决这些关切,对于建立信任和促进AI成功融入临床实践至关重要。

研究设计与样本

  • 前瞻性研究,经法兰克福大学医院机构审查委员会批准,调查德国169名执业医师(68名内科医师、41名外科医师、60名全科医师)。
  • 通过系统审查医院和诊所网站招募,按德国16个联邦州和专科分层随机抽样,共筛选2195名医师联系方式,随机选取453名邀请,完成率约37%(169/453)。
  • 使用结构化在线问卷,包含多选题、单选题、Likert量表(1=非常负面至5=非常正面)和开放式问题,评估信任因素、首选应用和采纳障碍。
  • 统计分析使用R软件(版本2023.06.0+421)和Python(版本3.12.6),采用t检验、Mann–Whitney U检验、卡方检验和Kruskal–Wallis检验,显著性定义为p<0.05。

诊断标准与关键数值

  • 在145名受访者中,36.6%对AI用于放射诊断评分为4分(中等正面),23.5%评分为5分(非常正面),平均评分3.7±1(1至5分制)。
  • 9.7%的受访者持负面看法(评分为1或2),30.3%评分为3分(中立或略正面)。
  • 信任因素中,模型透明性占56.3%,法律责任明确占25.0%,数据保护审计占11.7%,其他因素占7%(p<0.001)。
  • 应用领域优先级评分(1最高至6最低):病灶检测总分254分,研究及大数据分析219分,流程管理207分,自动图像质量控制与自动肿瘤体积测定各199分,自动器官体积测定158分(60名参与者)。
  • 亚组分析显示各专科间信任因素无显著差异(p=0.21),各专科AI总体评分平均3.6±1(p=0.12)。

临床应用与阅片要点

  • 作者认为,解决透明性和责任关切以及确保稳健的数据保护是培养对AI系统信心的关键步骤。
  • 作者认为,关注直接影响诊断准确性的AI应用(如病灶检测和流程优化)可能加速AI技术在临床环境中的接受。
  • 作者建议通过清晰的法律框架、更好的AI算法可解释性和更强的数据保护来获得医疗提供者的信任。

局限性

  • 研究聚焦德国医师,可能限制研究结果对其他医疗系统或文化背景的普适性。
  • 依赖自我报告数据可能引入应答偏倚,参与者可能提供社会期望的答案或遗漏关键信息。
  • 调查使用预设回答选项可能限制参与者充分表达细致观点的能力,可能影响数据收集的深度。
  • 研究纳入较大比例的助理医师,这些早期职业专业人员对AI的经验和期望可能与更资深医师不同。
  • 研究主要聚焦内科医师、外科医师和全科医师,可能未充分捕捉其他专科(如皮肤科医师或儿科医师)的视角。
全文中译11 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Insights Imaging. 2025 Oct 31;16:238. doi: 10.1186/s13244-025-02120-4

引言

近年来,由于医疗数据的激增,诊断影像领域显著扩展。例如在美国,计算机断层扫描(CT)的数量从1990年每年1300万次CT扫描增长到2006年的6200万次CT扫描[1]。

人工智能(AI)已成为放射学领域的一项变革性技术,在提高诊断准确性、效率和工作流程优化方面具有显著潜力。AI的使用通过利用模式识别有助于识别更多异常。AI可以作为一种有价值的工具,补充新手和经验丰富的放射科医生的专业知识,减少报告时间并提高正确分类扫描的比例[2]。被称为“搜索满足感”的现象描述了放射科医生在识别初始发现后可能遗漏其他病变的情况[3]。使用AI作为辅助工具可能有助于检测这些遗漏的病变。特别是,一项研究表明,AI模型可以比六位经验丰富的放射科医生更准确地检测肺结节[4, 5]。在急诊放射学中,AI可以立即识别危重病例,如卒中或肺栓塞,并优先处理以确保尽可能最快的治疗[6]。AI一个不太广为人知但同样重要的目标是减少辐射暴露。深度学习后处理算法能够在较低辐射剂量下实现高图像质量[7]。此外,AI算法为评估肿瘤大小变化提供了客观且一致的方法[8–10]。鉴于肝脏体积的CT容积测量耗时较长,AI算法可以简化流程并增强临床应用。肝脏体积测量对于移植、切除和评估肝纤维化具有临床意义[11]。

尽管具有优势,AI在临床放射学中的整合仍面临重大挑战,特别是与转诊医生的信任和接受度相关。研究表明,虽然许多临床医生认识到AI的潜在益处,但对AI驱动诊断的可靠性和可解释性存在担忧,特别是在人类监督可能有限的情况下[1, 12]。在放射学中,这一挑战通常被称为“黑箱”问题,即AI模型决策背后的推理过程在大多数机器学习情况下是不透明的,且不易被人类解释[13, 14]。信任仍然是一个关键因素,尤其是随着AI系统不断演进并在不同成像模态中表现出不同水平的准确性[15]。

AI在临床常规中的整合引发了各医学专科的广泛讨论。然而,在评估这些不同意见方面存在显著的研究空白。因此,本研究旨在更深入地了解转诊医生对在放射学诊断中采用AI的看法,最终确定在放射学中成功整合AI的关键障碍和促进因素。

材料与方法

参与者选择

本前瞻性研究经法兰克福大学医院机构审查委员会批准,研究对象为德国持有执业资格的医疗专业人员,具体包括外科医生、内科医生和全科医生,这些人员在日常诊疗中经常使用放射学服务。纳入资格要求受访者提供人口统计学信息并至少回答一个主要调查问题。排除标准包括退休医生、在常规诊疗中很少申请放射学评估者,以及未完成人口统计学部分和任何关键调查问题者。

参与者通过系统审查德国各地公开可查的医院和私人诊所网站进行识别,以确保来自城市和农村环境中不同机构的均衡代表性。为确保全国代表性,参与者招募在德国全部16个联邦州进行分层,涵盖大都市地区和农村地区。采用分层随机抽样策略,以实现不同医学亚专业和地理区域的均衡分布。

共筛选了2195名医生联系人。从中随机选取453人并邀请其参与,遵循反映德国医学专业和区域覆盖比例分布的分层标准。

纳入的医生来自不同职业阶段,包括住院医师、专科医师、高级顾问和科室主任。电子邮件地址从机构和诊所网站公开来源收集。符合条件的候选人被随机选取并通过电子邮件邀请参与。邀请函概述了研究目的,强调了调查的匿名性和自愿性,并提供了在线问卷链接。参与前,所有受访者均提供了知情同意。由于调查仅收集医生意见,无需伦理批准。研究遵循伦理指南,所有分析符合当地数据保护法规。研究设计见图1。

图1 参与者纳入流程图 查看原图 ↗

问卷

采用结构化在线调查评估医生对人工智能(AI)整合于放射学的看法。问卷专门设计以考察三个关键维度:(1)影响对AI系统信任的因素,(2)AI的首选临床应用,(3)感知的采用障碍。

问卷为自行设计,包括多选题、单选题、李克特量表评分(范围从1=非常消极到5=非常积极)和开放式问题。为进行比较分析,回答按执业环境(私人诊所 versus 医院)和医学专业进行分层,特别关注全科医生、外科医生和内科医生之间的差异。这种分层使我们能够识别AI认知中的专业特异性模式。为在医生工作繁重的情况下鼓励参与,问卷刻意保持简洁省时。该方法旨在降低参与门槛并减少完成问卷的潜在障碍(图S1)。

统计分析

数据使用R软件(R Foundation for Statistical Computing;版本2023.06.0 + 421)和Python(版本3.12.6)进行分析。

采用描述性统计(包括均值、中位数、众数、标准差等指标)对样本特征进行总结。为检验组间差异,应用了多种统计检验,包括t检验、Mann–Whitney U检验、卡方检验和Kruskal–Wallis检验,统计学显著性定义为p < 0.05。对于排序问题,根据每个条目在排序中的位置赋予加权分数,从而更清晰地解读参与者的优先次序。该方法使研究者能够更细致地理解受访者对不同因素的优先级排序。

结果

参与者选择与特征概述

在最初确定纳入研究的211名医生中,因各种原因进行了一些排除:20名医生不常规使用放射学服务,12名仅填写了调查的人口学部分而未回答任何核心问题,10名被发现已退休。最终,169名参与者符合纳入标准:68名内科医生、41名外科医生和60名全科医生。基于受邀样本计算,完成率约为37%(169/453)。所有全科医生均就职于私人诊所,而内科医生和外科医生则就职于医院。在109名医院医生中,包括87名助理医师、20名高级医师和1名主任医师(图1和表1)。

表1 参与者的专业与经验 查看原表 ↗

参与者人口学特征

剔除异常值后,平均调查完成时间记录为10分钟。受访者平均拥有9.8年的专业经验(中位数:5年,众数:3年),表明大多数参与者处于职业生涯相对早期,经验范围从不足1年到42年不等。平均而言,内科医生拥有6.9年经验(中位数:3年),外科医生拥有11.5年经验(中位数:6年),而全科医生的经验明显更为丰富,平均为19.2年(中位数:18.5年,p < 0.05)。

医生对人工智能用于放射学诊断的认知

调查显示,医生对人工智能用于放射学诊断总体持积极认知。在145名受访者中,大多数人给予人工智能正面评价,其中36.6%选择了4分(中等积极),23.5%评为5分(非常积极)。平均评分为3.7 ± 1(1至5分制),表明总体持积极态度但意见存在一定差异。值得注意的是,较小比例的受访者(9.7%)对人工智能用于放射学诊断表达了负面看法,评分为1分(非常负面)或2分。同时,30.3%的受访者评分为3分,提示中立或略偏积极的态度,表明对其应用可能存有保留意见或持谨慎乐观态度。在各调查专业之间未观察到显著差异,平均评分为3.6 ± 1(p = 0.12)(图2)。

图2 医生对人工智能用于放射学诊断的认知 查看原图 ↗

影响放射学诊断中人工智能信任度的因素

大多数(56.3%)强调了人工智能模型透明性的重要性,尤其是需要可解释这些系统如何工作以及全面披露用于训练的数据集。此外,责任和问责成为显著关注点,25%的受访者强调需要更清晰的指南,明确在诊断错误或不良结局发生时由谁承担责任,无论是医生还是人工智能提供方。此外,11.7%的参与者将数据保护审计确定为建立信任的关键因素。较小部分(7%)的受访者指出了其他因素,表明虽然透明性、责任和数据保护是主要关注点,但其他情境特定问题也可能影响对人工智能的信任(p < 0.001)。

放射学中人工智能应用领域的优先级排序

医生们还被要求对放射学中不同人工智能应用的重要性进行评分,排名从1(最高优先级)到6(最低优先级)。最高优先级被赋予病灶检测,其总得分为254,被列为关键领域。

大型数据集的研究和数据分析,包括病变的量化,被评为第二重要的应用,得分为219。第三位是工作流程管理,其重点是对影像数据集进行优先级排序,尤其是具有急性病变的数据集,得分为207。自动图像质量控制和自动肿瘤体积测定排名接近,得分均为199。最低优先级被赋予器官体积的自动测定,60名参与者给出的得分为158(图3)。

在分析不同群体的回答时,外科医生、内科医生和医学生始终将病灶检测列为最高优先级。此外,内科医生还强调自动肿瘤体积测定是另一个关键领域,并将其与病灶检测列为同等优先的首选人工智能应用。这些差异具有高度统计学显著性(p < 0.001),表明医生对不同人工智能应用赋予的重要性程度不同。

图3 放射学中人工智能应用领域的优先级排序 查看原图 ↗

讨论

人工智能已成为现代医疗保健的组成部分,尤其是在医学和放射学进展中。本研究为医生对放射学中人工智能的看法提供了有价值的见解。关键发现是,病灶检测成为最高优先级的人工智能应用,在所有受访群体中均获得强烈支持。

医生总体上对放射学中的人工智能持积极看法,平均评分为3.7 ± 1,表明尽管意见存在一定差异,但对其融入临床工作流程总体持开放态度。此外,透明性被强调为建立对人工智能系统信任的最关键因素,56.3%的受访者强调可解释性和全面披露训练数据集的重要性,以确保在医疗实践中可靠且知情地使用这些工具。

我们研究中的大多数医生对人工智能在放射学诊断中的整合持乐观态度,超过60%的人给予积极评价。近期研究也显示,临床医生认识到人工智能提高诊断准确性的潜力。然而,对可靠性和透明性的担忧阻碍了完全接受[16] [17–19]。

总体而言,尽管人工智能总体上被积极看待,但在透明度、责任和数据保护方面仍存在显著担忧。56.3%的受访者认为透明度是建立信任的重要因素,这凸显了确保人工智能系统可解释性的重要性。这与更广泛的文献一致,这些文献强调,人工智能工具若要在临床决策中被信任,就不应作为“黑箱”运作[13, 14, 20]。四分之一受访者将责任与追责列为主要担忧,特别是关于谁应对诊断错误负责。既往研究 also 指出,医疗保健中人工智能缺乏明确的法律框架是其广泛采用的重大障碍[21]。医生担心他们可能要对人工智能系统所犯错误负责,这使得他们在关键诊断决策中不愿依赖此类工具[22–26]。

尽管数据保护不是首要担忧,仅有11.72%的参与者将其列为优先事项,但它仍然是一个重要考虑因素。在此背景下,近期研究表明,虽然临床医生总体上支持人工智能,但他们强调需要强有力的数据保护方案以确保患者机密性。[27–31]。本研究的结果凸显了需要有针对性的策略来提高医生对人工智能的信任。解决透明度和责任担忧,以及确保强有力的数据保护,是培养对人工智能系统信心的关键步骤。此外,关注直接影响诊断准确性的人工智能应用,如病变检测和工作流程优化,可能加速人工智能技术在临床环境中的接受度。

尽管本研究对医生关于人工智能在放射学中的观点提供了有价值的见解,但必须承认若干局限性。首先,聚焦于德国医生可能限制研究结果对其他医疗系统或文化背景的普适性。其次,依赖自我报告数据可能引入应答偏倚,因为参与者可能提供社会期望的答案或遗漏关键信息。第三,调查使用预定义选项可能限制了参与者充分表达细致观点的能力,可能影响所收集数据的深度。第四,研究纳入了较大比例的助理医师。与更资深的医生相比,这些处于职业生涯早期的专业人员对人工智能可能有不同的经验和期望。此外,研究主要聚焦于内科医生、外科医生和全科医生,可能未充分捕捉其他专科(如皮肤科医生或儿科医生)的观点,这些专科医生也涉及放射学服务。

本研究仅聚焦于转诊医生对人工智能的观点。未来研究应将这些发现与放射科医生、患者及其他利益相关者的观点进行比较,以获得更全面的理解。

本研究的另一项局限在于缺乏对医生个体关于人工智能(AI)技术的知识、熟悉程度和实践经验的评估。尽管我们收集了参与者总体临床工作年限的数据,但并未专门测量其在各自亚专业中与AI解决方案的直接互动情况。既往研究表明,对AI应用的接触和理解以及实际操作熟悉度,可显著影响信任、接受度和感知有用性水平[17, 32]。由于未捕捉参与者中AI特定知识和经验的程度,熟悉度在多大程度上影响了其回答仍不清楚。因此,未来研究应纳入对AI素养和实际使用情况的有针对性测量,以更好地区分源于技术不确定性的怀疑与基于更广泛伦理或系统性担忧的怀疑。这种方法将能够更细致地理解经验因素如何影响医生对医学实践中AI的态度。

最后,本研究未充分考虑可能影响AI融入临床工作流程的更广泛社会政治和经济因素。国家监管政策、报销方案、医疗法律不确定性以及机构支持程度(例如基础设施投资或培训项目)等要素,可能显著影响医生采用基于AI的技术的意愿。因此,未来研究应纳入宏观层面变量,以更全面地描绘医疗机构中AI采纳的动态。

总之,本研究强调了医生对放射学中AI总体持积极态度,尤其是在病灶检测和数据分析方面,这些被视为提高诊断准确性的关键。然而,对透明度、责任归属和数据隐私的担忧仍是重要障碍。通过清晰的法律框架、更好的AI算法可解释性以及更强的数据保护来解决这些问题,对于赢得医疗服务提供者的信任将十分重要。

补充信息

电子补充材料

引用

  1. Gotta J, Grünewald LD, Koch V, et al. Implementation of AI in radiology: the perspective of referring physicians. Insights Imaging. 2025. PMID: 41174325. doi:10.1186/s13244-025-02120-4
  2. 全文:PMC12579084(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12579084/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。