通用生成式AI生成儿科神经放射教学图像的质量评估
该研究评估了GPT-5与Gemini 3 Pro两款通用生成式AI应用,生成22个儿科神经放射急诊场景共220张教学图像的质量。8名儿科放射医师独立判读,总体仅8.6%的图像获半数以上医师认可为教学适用。GPT-5表现优于Gemini,但整体准确性与一致性仍不足以支持教学使用。
要点
- 通用生成式AI生成的儿科神经放射图像总体教学适用率仅8.6%,不宜直接用于教学。
- GPT-5生成正确检查方式与切面的场景比例显著高于Gemini,但两者可重复性均差。
- 三维修补颅骨骨折及硬膜下血肿是少数获多数医师认可的高一致场景。
核心结论
- 当前通用生成式AI应用不应被用于生成放射教学图像,其不准确性和不一致性可能损害学习效果。
- GPT-5在生成教学适用图像及正确成像方式与切面方面均显著优于Gemini 3 Pro。
- 少数场景(如三维颅骨骨折重建和硬膜下血肿)可生成接近真实的高质量教学图像。
研究设计与样本
- 研究类型为前瞻性图像生成与回顾性医师判读评估,共生成220张图像(22个场景×5张×2款应用)。
- 评估者为8名接受过专科培训的儿科放射医师,使用24英寸1920×1200分辨率显示器独立阅片。
- 参考标准为半数以上评估者认定图像适用于教学,评估者间一致性采用Fleiss κ评价。
- 两款应用为GPT-5(经Microsoft Copilot访问)与Gemini 3 Pro(搭载Nano Banana Pro图像生成引擎)。
关键影像表现/征象
- Gemini图像常见肋骨样结构环绕颅脑、大脑半球呈肾脏样分离等解剖性错误,风格偏卡通化。
- GPT-5图像部分存在脑室内额外脑叶样结构、含气空腔伴液性衰减等不准确表现。
- 三维颅骨骨折和缝合重建是两款应用均能产出较高质量图像的共同场景。
- 两种应用生成的图像均伴随特征性颗粒状噪声,且重复生成同一场景时输出不一致。
诊断标准与关键数值
- 总体仅8.6%(19/220)的图像获超过半数医师评定为教学适用(≥5/8)。
- GPT-5教学适用图像比例为12.7%(14/110),Gemini为4.5%(5/110),P=0.052。
- 采用≥75%评估者一致阈值时,GPT-5为6.3%(7/110),Gemini为0%,P=0.014。
- GPT-5在90.9%的场景中生成正确检查方式和切面,Gemini在9.1%的场景中生成正确检查方式。
临床应用与阅片要点
- 当前不应将通用生成式AI生成的教学图像直接用于低年资住院医师或医学生的病例教学。
- 儿科神经放射中,注意生成图像可能存在正常发育解剖学错误,尤其颅骨、脑沟和半球形态。
- 报告中如遇疑似合成图像,应关注颗粒状噪声、异常解剖组合和卡通样渲染等特征。
局限性
- 研究仅覆盖儿科神经放射领域,图像数量相对较少,评估者来自单一机构。
- 评估者知晓所有图像均为合成,缺乏盲法可能导致偏倚,且未与真实临床图像直接比较。
- 采用零样本提示策略,未探索少样本提示或更复杂的提示工程,可能低估模型能力。
全文中译9 节 · 点击展开
引言
人工智能(AI)在医学教育中受到越来越多的关注,其中大部分讨论集中在AI素养以及培养未来医生在临床实践中负责任地使用AI系统方面[1–4]。相比之下,关于AI直接提升教育内容本身潜力的关注则较少。一个新兴的应用方向是使用生成式AI来创建合成教育材料,包括文本、临床病例和图像。在放射学领域,视觉模式识别是培训的基础,图像生成AI的进展可能为开发可定制的教学病例和补充有限的教育图像库创造新的机会。
AI已经在医学培训的多个领域展现出教育价值。近期应用包括支持诊断推理的AI驱动的虚拟患者模拟器[5]、提供自适应反馈的外科模拟器[6],以及根据个体学习者定制内容的智能辅导系统[7]。在放射学领域,AI辅助培训工具已提高了学员在检测髋部骨折[8]、肋骨骨折[9]和儿童骨折[10]方面的表现,这表明AI工具不仅可以增强临床实践,还可以增强放射学教育。
图像生成AI模型的快速发展带来了独特的教育机遇。专门针对医学图像训练的专业架构,如生成对抗网络(GAN)和扩散模型,已经能够生成逼真的合成放射学图像[11, 12]。与此同时,广泛可用的通用生成式AI应用(如GPT和Gemini)在生成高质量合成放射学图像方面的能力日益增强,这些图像有时难以与真实图像区分[13]。随着这些技术的成熟,它们可能实现按需生成逼真、可定制的放射学病理图像。这种能力可以扩大对罕见疾病的学习机会,并使教育者能够根据特定学习目标或专业水平定制病例。
儿科神经放射学既是生成式AI的一个引人注目的应用场景,也是一个严格的测试案例。学员接触儿科影像的机会通常因病例量相对较低以及儿科实践的亚专业化性质而受到限制,尤其是在专门的儿童医院之外。影像解读需要熟悉年龄依赖性发育解剖结构,包括不断演变的髓鞘形成模式、未闭合的囟门和可变的颅缝开放状态,以及罕见但具有重要临床意义的疾病[14]。因此,准确合成儿科神经影像研究不仅需要逼真地描绘病理,还需要忠实呈现不同年龄段的正常发育解剖结构。鉴于儿童中漏诊或延迟诊断可能产生终身后果,早期准确的影像解读尤为重要。
生成式人工智能提供了一种潜在的机制来应对这些挑战,它能够创建覆盖多种病理类型和年龄组的、符合发育阶段的影像病例。与依赖回顾性病例收集(且常受限于机构病例构成)的传统教学文件不同,生成式系统可以让教育者前瞻性地、按需生成病例。此外,它们还可以让学员生成针对特定学习目标定制的示例。例如,值班住院医师可以潜在地使用生成式系统来创建罕见病理或正常发育变异的示例,以供参考。
尽管前景可观,但广泛可用的通用生成式人工智能应用程序生成具有教学质量的放射影像的能力在很大程度上仍未得到探索。既往研究主要聚焦于专门的医学图像生成模型,包括合成牙科全景X线片[15]和脊柱骨折CT图像[16]的创建。最近,广泛可用的通用生成式人工智能应用程序已被证明能够生成逼真的合成X线片[13]。然而,据我们所知,尚无研究测试广泛可用的通用生成式人工智能应用程序在儿科神经放射学中创建具有可定制病理的教学质量医学图像的能力。因此,本研究评估了两款广泛可用的通用生成式人工智能应用程序生成合成儿科神经放射学图像的能力,并由接受过专科培训的儿科放射科医生评估其教学质量。总体意图是模拟一名不具备提示工程专业知识的放射科住院医师,如何在常规临床实践和学习中使用广泛可用的通用生成式人工智能应用程序。
材料与方法
本研究遵循医学影像人工智能检查清单(CLAIM)。确定了三款领先的广泛可用的通用生成式人工智能应用程序。获得了Google AI Pro的付费订阅,可访问Gemini 3 Pro及其图像生成模型Nano Banana Pro(Google,Mountain View,CA)。Microsoft Copilot(Microsoft,Redmond,WA)的订阅由作者所在机构提供,包含OpenAI的GPT-5模型(OpenAI,San Francisco,CA)的访问权限。第三款领先的广泛可用的通用生成式人工智能应用程序Claude(Anthropic,San Francisco,CA)在本研究进行时不具备原生图像生成能力,因此未被测试。
GPT-5图像生成于2025年8月21日至9月1日之间,Gemini图像生成于2025年11月20日至23日之间。所有生成的图像随后由放射科医生于2026年2月至3月期间进行审阅。
从一篇相关的RadioGraphics文章中确定了儿科神经放射学急症中十个最令人担忧的诊断错误[14]。随后将这些错误划分为22个独立的临床场景,旨在说明每个诊断陷阱(表1)。在选定的病例中,选择了额外的成像平面以更好地展示该错误。
对于每个AI应用(GPT-5和Gemini),均使用以下标准化模板提示其针对每种情景生成五张独立图像:你是一名儿科神经放射科医生。请以[模态][使用/不使用静脉对比剂]在[轴位/冠状位/矢状位]平面中创建一名儿童[病理/正常表现]的图像。
方括号中的元素根据每种情景替换为相应的病理(或正常表现)、成像模态(如CT或MRI)、对比剂状态和成像平面。对于Gemini,以Gemini 3 Pro作为对话界面,图像生成使用集成的Nano Banana Pro图像生成引擎完成。GPT-5通过Microsoft Copilot界面访问。两个应用均使用默认生成设置,未修改种子和温度参数。每张图像均在新的聊天会话中生成,以尽量减少先前提示对后续输出的影响,所有图像均保留用于分析。
八名接受过专科培训的儿科放射科医生在对图像生成AI应用不知情的情况下,在放射科阅片室使用24英寸Dell UltraSharp U2415液晶显示器(戴尔技术公司,德克萨斯州朗德罗克)以1920×1200像素的分辨率独立审阅图像及相应诊断。要求放射科医生指出“……每张能够准确描绘该疾病、因而适合用于教学目的的图像”。据此,每位放射科医生将每张图像分类为适合或不适合教学。对于每种情景,每位放射科医生可认定0至5张图像适合教学。记录并随后汇总回答。使用Fisher精确检验评估总体应用准确性的差异,同时评估各应用在生成正确模态和平面图像能力方面的差异。使用Fleiss κ系数评估评价者间一致性。
一名作者与放射科医生同处一室,在他们审阅图像期间及之后记录了口头评论。另一名作者审阅每张图像的模态和平面是否正确。
由于所有图像均为AI生成且未公开,无需机构审查委员会批准。GPT-5用于本文撰写和编辑中的语言润色及句式结构辅助。
结果
总体图像质量
共生成220张图像(22个临床情景×5张图像×2个AI应用)。总体而言,8.6%的图像(19/220)被半数以上的审阅儿科放射科医生(即5名或更多放射科医生)认为质量适合教学。所有生成图像的评价者间一致性为中等(κ=0.44)。
两个应用之间的图像质量差异显著。对于GPT-5,12.7%的图像(14/110)被半数以上儿科放射科医生认为达到教学质量,而Gemini仅为4.5%(5/110)。尽管GPT-5在该>50%阈值下表现更佳,但差异未达到统计学显著性(P=0.052)。所有GPT-5生成图像的评价者间一致性为一般(κ=0.33),所有Gemini生成图像的评价者间一致性为高度(κ=0.62)。
采用更严格的共识阈值时,仅6.3%(7/110)的GPT-5图像被超过四分之三的放射科医师(即7或8名放射科医师)评为教学质量,而没有Gemini图像达到这一>75%的共识阈值(P=0.014)。
采用最宽松的共识阈值时,53.6%的GPT-5图像(59/110)被至少一名儿科放射科医师认为具有教学质量,而Gemini图像仅为10.0%(11/110)(P<0.001)。在所有1,760条个体评价中(220幅图像×8名评审放射科医师),11.9%(209/1760)被评为具有教学质量。
场景层面表现
在单个场景层面,GPT-5在22个场景中的19个(86.4%)中生成了至少一幅被至少一名放射科医师评为教学质量的图像。其中,6个场景包含至少一幅被超过半数放射科医师评为教学质量的图像,4个场景(18.2%)包含至少一幅达到>75%共识阈值的图像。这些高共识场景涉及骨折和颅内出血,包括三维颅骨骨折和颅缝重建,以及轴位和冠状位的急性和慢性硬膜下血肿(见图1。注意,图1、2、3和4上的所有标注均由AI模型主动提供,未经提示)。
相比之下,Gemini仅在22个场景中的4个(18.2%)中生成了至少一幅被至少一名放射科医师评为教学质量的图像。其中,2个场景(9.1%)包含一幅达到>50%共识阈值的图像,没有场景包含达到>75%共识阈值的图像。高共识场景涉及三维颅骨骨折和颅缝重建。
场景内一致性
两种AI应用在单个场景内的一致性均有限。变异系数范围为12–120%,只有2个场景处于平均范围,所有其他场景均具有高度变异性。对于 GPT-5,22个场景中仅有2个场景的所有5张生成图像被至少1位放射科医师评为具有教学质量,且仅有1个场景在所有5张图像上达到了一致的高水平同意(≥75%的放射科医师)。对于 Gemini,仅有1个场景中所有5张生成图像被至少1位放射科医师认为具有教学质量,且没有场景在所有图像上达到≥75%的同意率。
GPT-5 更可靠地生成具有正确成像模态和成像平面的图像,22个场景中有20个(90.9%)在所有5张图像上同时满足这两项标准。相比之下,Gemini 在22个场景中有2个(9.1%)达到了正确的成像模态,在22个场景中有7个(31.8%)达到了正确的成像平面。两种应用在同时达到正确成像模态和成像平面方面的差异具有统计学意义(P<0.001)。两种应用在同一场景内的重复生成中均未生成完全相同的图像,表明可重复性差。
描述性观察结果
作者认为,GPT-5 的图像更为逼真,而 Gemini 的图像则表现出更风格化或卡通化的风格(图2)。可观察到 Gemini 输出中频繁出现解剖不准确,例如身体结构的不当组合(如颅脑图像周围出现胸廓成分)(图3、4d)。尽管较少见,GPT-5 也生成了解剖不准确的图像(图4)。
讨论
本研究评估了两款广泛可用的通用生成式 AI 应用生成具有教学质量的合成儿科神经放射影像的能力。仅有8.6%的图像在>50%的审阅者中达成质量共识,我们的结果表明,当前生成式 AI 在该领域的使用具有高度变异性,且总体表现相当差。尽管两种应用均能在少数特定场景中生成具有教学质量的输出,但整体表现受到质量不一致、缺乏可重复性以及对关键解剖和病理特征描绘不可靠的限制。
然而,高质量的输出值得关注。图1展示了GPT-5输出在放射科医师中达成>75%一致性的四种场景的图像。在这些实例中,该应用生成了近乎照片般逼真的图像,高度近似于基础病理预期的影像学特征,展示了其对特定疾病过程相关视觉模式的成功复制。这些发现证明了生成式AI作为放射学教育工具的潜力。
一个值得注意的发现是两种应用之间在图像质量和风格上存在显著差异。GPT-5性能更优的原因尚不清楚,但可能与训练数据、训练方法和/或底层模型架构的差异有关。观察到的风格差异也可能反映了生成策略的不同或生成过程中约束程度的不同。特别是,GPT-5输出更逼真的外观可能表明其对所学统计模式的遵循更为严格。相比之下,Gemini倾向于组合解剖结构,这可能表明其具有更大的构图灵活性和更高的生成新异特征的倾向——尽管(在当前阶段)这些特征常常在解剖学上不准确。这些不一致性可能与多模态大语言模型已知的空间推理局限性有关[17]。尽管这种生成灵活性目前限制了可靠性,但如果配合适当的约束和验证机制,最终可能被证明是有利的。尽管如此,本研究所使用的广泛可用的通用生成式AI应用的专有性和高度不透明性,使得我们无法就这些性能差异背后的因素得出确定性结论[18]。
此前关于合成医学影像的研究主要集中在为训练诊断算法而进行的数据集扩充,通常使用专门在放射学数据集上训练的目的专用模型[19–22]。相比之下,本研究评估了广泛可用的、并非为医学图像合成而设计或优化的通用生成式AI应用,并明确考察了生成式AI用于教育目的的情况。这是一个重要的区别,因为教育实用性所需的理想特征——如可重复性和解剖学准确性——与诊断模型训练所需的特征不同。此外,广泛可用的通用生成式AI应用的性能可能不应被期望与专门的医学图像生成系统相媲美。
关于合成图像被滥用的可能性也引发了担忧。Tordjman等人最近证明,AI生成的“深度伪造”X线片无论是人类放射科医师还是AI模型本身都难以将其与真实图像区分开来[13]。他们还注意到合成输出中具有特征性的图像噪声或“颗粒感”。在我们的数据集中也经常观察到类似的伪影,表明这是当前生成式成像模型持续存在的伪影。我们的研究结果进一步表明,虽然当代广泛可用的通用生成式AI应用能够生成可识别的神经放射学概念,但断面成像和复杂病理仍难以被令人信服地再现。
我们的研究对生成式人工智能的教育用途具有启示意义。如果未来的发展能使该技术持续生成真实且准确的病理图像,它可能成为一种宝贵的教学工具,补充现有的基于病例的学习资源。例如,它可以作为值班住院医师或非放射科医生的参考,而且临床医生和公众使用它来生成图像的情况可能会越来越普遍。然而,正如我们的研究结果所示,当前生成式人工智能的不可靠性使其目前不适合用于教育目的。这一问题对初学者尤为重要,因为他们可能缺乏区分真实表现与伪造或解剖学不准确表现所需的专业知识。在医学教育中使用不准确的合成图像会引发伦理问题,因为高度逼真但不正确的图像可能强化错误观念,扭曲学习者对正常解剖结构的理解,并可能造成伤害。因此,教育工作者有伦理义务确保解剖准确性,并根据已建立的解剖学参考文献对用于教育目的的人工智能系统进行验证[23]。
我们研究的局限性包括仅关注儿科神经放射学这一狭窄领域,以及生成的图像数量相对较少。教学质量的评估本质上也是主观的,可能受到评估者经验的影响。由于审阅者知道所有图像都是合成的,缺乏盲法设计可能引入了偏倚。其他潜在的偏倚来源包括使用单一机构的审阅者群体以及缺乏与真实临床图像的比较。此外,人工智能生成的输出对提示词的措辞敏感,并可能反映模型训练数据中存在的偏倚。我们采用零样本提示来近似模拟放射科住院医师在日常教育使用中与广泛可用的通用生成式人工智能应用程序互动的方式;替代方法,如少样本提示或更广泛的提示工程,可能产生不同的结果。最后,生成式人工智能模型的快速发展可能随时间推移显著提高模型性能,从而可能限制这些研究结果对未来系统的普适性。这些局限性强调了在将广泛可用的通用生成式人工智能应用程序谨慎整合到放射学(及医学)教育中,并随着技术发展持续评估的必要性。
结论
目前,广泛可用的通用生成式人工智能应用程序不应用于生成用于教育目的的合成放射学图像。频繁的不准确和不一致严重损害了可靠性和教育价值,引发了在培训环境中使用该技术可能主动损害学习的担忧。尽管模型开发的持续进步最终可能解决这些局限性,但将其安全有效地整合到放射学教育中仍为时过早。
补充信息
以下是电子补充材料的链接。ESM 1(ZIP 183 MB)
引用
- Reith, D'Alessandro, Modi, et al. Widely available, general-purpose generative AI applications for radiology education: determining the teaching quality of synthetic pediatric neuroradiology images. Pediatr Radiol. 2026. PMID: 42405980. doi:10.1007/s00247-026-06708-w
- 全文:PMC13669131(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13669131/
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。