AJNR：AI医学影像研究特定类型报告指南
AJNR针对神经影像AI研究设计异质性和报告不规范问题，推出六类研究专用报告清单，涵盖分类与临床结局预测、病灶检测与分割、图像变换、临床AI工具评估、放射工作流程优化和技术开发/其他。清单基于稿件评审和实际部署经验，强调严谨参考标准和临床相关性，以弥合算法开发与放射实践间的差距。
要点
- AJNR发布六类AI影像研究专用报告清单，投稿需按研究类型对应清单报告。
- 清单重点针对参考标准不严谨和临床相关性不足两大常见缺陷。
- 清单覆盖分类/预测、检测/分割、图像变换、临床评估、流程优化和技术开发。
核心结论
- 六类研究专用报告清单可减少AI影像研究设计与报告的异质性，提升可重复性和临床转化。
研究设计与样本
- AJNR技术说明，基于稿件评审和实际部署经验制定六类AI影像研究专用报告清单。
诊断标准与关键数值
- 清单分为六类：分类与临床结局预测、病灶检测与分割、图像变换（质量增强或跨模态合成）、临床AI工具评估、放射工作流程优化、技术开发/其他。
临床应用与阅片要点
- 作者投稿AJNR的AI影像研究应按对应研究类型清单逐项报告，尤其注意参考标准严谨性和临床相关性。
- 审稿人和读者可依据清单评估AI影像研究的报告完整性和潜在偏倚。
以上解读依据论文摘要（全文未开放获取或许可不允许翻译转载）。
英文原文（摘要）· 点击展开
The rapid proliferation of artificial intelligence (AI) applications in neuroradiology can lead to heterogeneous study design and reporting that impede reproducibility and clinical translation. To support authors submitting AI imaging research to AJNR, we introduce six study-type-specific reporting checklists for studies focused on: (1) Classification and Clinical Outcome Prediction, (2) Lesion Detection and Segmentation, (3) Image Transformation (quality enhancement or cross-modality synthesis), (4) Clinical AI Tool Evaluation, (5) Radiology Workflow Optimization, and (6) Technical Developments/Miscellaneous. Drawing on collective experience from manuscript reviews and real-world deployments, we have identified common pitfalls and gaps that these checklists address. In this technical note, we summarize the key elements of each checklist. This initiative complements existing AI reporting guidelines, emphasizing rigorous reference standards and clinical relevance to bridge the gap between algorithm development and radiology practice.
引用
- Mei J, van Voorst H, Payabvash S, et al. AJNR Study-Specific Guidelines for AI in Medical Imaging: Bridging Gaps in Reference Standard and Clinical Evaluation. AJNR Am J Neuroradiol. 2026. PMID: 42167930. doi:10.3174/ajnr.A9426
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。