“AI会取代放射科医生吗？”这是医疗AI领域最受关注的问题之一。这一讨论从2016年Geoffrey Hinton发表的一番话（”我们应该停止培训放射科医生”）开始持续至今。事实更复杂：AI在特定影像判读任务上确实表现出色，但放射科工作远不仅限于影像识别。
## AI在影像判读中的当前水平
**胸部X光**：Chexpert（斯坦福）、CheXnet等模型在肺炎、肺不张、胸腔积液的识别上达到或接近专科医生水平。谷歌、Deepmind的研究在特定数据集上显示优于普通放射科医生表现。
**眼底照片**：糖尿病视网膜病变（DR）的AI筛查是全球落地最广泛的医疗AI应用之一，美国FDA已批准IDx-DR用于初级诊所的自主筛查（无需眼科医生判读）。
**CT/MRI**：肺结节检测（筛查CT中的肺癌早期信号）、脑卒中检测（紧急情况下快速识别出血或梗死，缩短启动治疗的时间）、乳腺癌筛查（乳腺X线摄影，辅助诊断）。
**病理切片AI**：数字病理学正在快速发展，多个AI工具在前列腺癌、结直肠癌的格里森分级和分期上接近专家水平。
## AI影像的局限性
**单任务局限**：现有AI模型通常只在特定任务（如”识别糖尿病视网膜病变”）上表现好，缺乏放射科医生的全局推理能力（综合多种发现、结合临床背景做出整体诊断）。
**分布偏移（Distribution Shift）**：在A医院的数据训练的模型，在B医院的数据上性能可能显著下降——因为不同医院的设备、成像参数和患者人群不同。这是医疗AI落地的核心挑战之一。
**稀有疾病表现差**：AI模型在训练集中罕见疾病上的表现通常很差，而这恰恰是最需要诊断支持的情况。
## 放射科医生的未来定位
目前的共识是：AI将改变放射科工作的内容，而非简单地取代放射科医生。可能的演变方向：
– AI处理大量”阴性”或”明确阳性”的常规判读，放射科医生聚焦复杂案例和综合诊断
– AI提升每位放射科医生的诊断量和质量（增效而非替代）
– 放射科医生需要掌握AI工具的使用、输出解读和质量控制能力
参见[AI医学诊断工具](https://sunqi.org/ai-medical-diagnosis-tools-zh/)；[精准医疗与基因组学](https://sunqi.org/precision-medicine-genomics-zh/)；[美国放射学院AI相关资源](https://www.acr.org/Practice-Management-Quality-Informatics/ACR-Informatics/Artificial-Intelligence)。
