《Radiology》 2026年09月刊 人工智能、肌骨文献简述

东南大学附属中大医院放射科 中大放射佳文共赏 Radiology 2026年9月刊 计算机应用、肌骨文献简述 1. Bridging the Generalist-Subspecialist Gap with GPT-5-Thinking: Dual-Center Evaluation in Orbital and Head-and-Neck Tumor MRI Reports 2. Improving Recognition Performance and Reader Efficiency for Femoral-Neck Fracture Detection on Pelvic or Hip Radiographs Using Artificial Intelligence

东南大学附属中大医院放射科 中大放射佳文共赏 用GPT-5-Thinking弥合全科放射科医师与亚专科医师之间的差距：眼眶及头颈部肿瘤MRI报告的双中心评估 Bridging the Generalist-Subspecialist Gap with GPT-5-Thinking: Dual-Center Evaluation in Orbital and Head-and-Neck Tumor MRI Reports Radiology 2026; 320(3):e253579 • https://doi.org/10.1148/radiol.253579 作者：Jie Li, MD; Liang Xiao, MM 吉林大学第二医院眼科、放射科 Junfang Xian, MD 首都医科大学附属北京同仁医院放射科 Jianhua Liu, MD 吉林大学第二医院放射科

中大放射佳文共赏 文章概述：该研究采用双中心回顾性设计，纳入1000例经病理证实的眼眶及头颈部肿瘤患者，评估GPT-5-Thinking根据临床信息和MRI报告文本进行良恶性判断及鉴别诊断的能力。结果显示，模型在一般诊疗中心的诊断准确率高于常规一般放射科医师，在专科中心与亚专科医师未见显著差异。读片研究中，模型辅助可提高一般医师的诊断准确率、恶性病变敏感度和读者间一致性，并缩短阅读时间。研究同时指出，模型表现高度依赖报告信息的完整性，且受回顾性便利抽样、非标准化使用方式等限制，仍需前瞻性多中心研究验证。

中大放射佳文共赏 研究背景 • 医学影像诊断呈长尾分布：少数常见疾病占据多数检查，大量低发、复杂病变仅偶尔出现。 • 一般放射科医师接触罕见影像表型的机会有限，容易出现鉴别诊断宽泛、诊断差异较大等问题；亚专科医师则具有更集中的经验。 • 现有影像人工智能多针对单一任务，较难完成复杂的肿瘤亚型提理，并存在可解释性及临床整合方面的限制。 • 推理型大语言模型能够处理MRI报告中的语义关系，生成带有理由的鉴别诊断，但其能否缩小一般医师与亚专科医师之间的差距，仍缺少大规模临床证据。 研究目的 • 评估GPT-5-Thinking仅依据临床信息和MRI报告描述，对眼眶及头颈部肿瘤进行良恶性分类和前三位鉴别诊断的能力。 • 比较模型在一般诊疗中心和亚专科中心的诊断准确率，判断其能否达到亚专科医师水平并缩小专业能力差距。 • 通过配对读片研究，考察模型辅助对一般放射科医师诊断准确率、读片时间、读者间一致性及报告质量的影响，并评价其在不同解剖区域和复杂病例中的适用性。

中大放射佳文共赏 研究方法 • 研究类型：双中心、回顾性诊断准确性研究。 • 研究对象：纳入2018年1月至2025年8月两个三级教学医院的1000例患者，均具有治疗前MRI报告和病理确诊结果；其中眼眶肿瘤600例、头颈部肿瘤400例。 • 模型评估：GPT-5-Thinking读取临床信息及去除诊断结论后的MRI报告描述，不直接分析MRI图像；输出良恶性判断、前三位鉴别诊断及相应理由，以组织病理结果作为参考标准。

中大放射佳文共赏 研究流程： • 第一阶段：将模型诊断与原始临床报告进行同病例比较；中心1代表一般放射科诊疗环境，中心2代表亚专科诊疗环境。 • 第二阶段：7名一般放射科医师分别在无辅助和GPT-5-Thinking辅助条件下解读病例，两次阅读间隔至少4周，比较辅助前后的诊断表现。 评价指标： • 主要指标为良恶性分类准确率和Top-1诊断准确率； • 次要指标包括Top-2、Top-3准确率、阅读时间、读者间一致性及报告质量。 统计分析： • 阶段1采用McNemar检验； • 阶段2采用混合效应Logistic回归，并结合配对t检验和χ检验分析阅读时间、报告质量及读者间一致性。