编辑推荐：
本文探讨放射学在人工智能（AI）影响下的变革。AI 重塑放射学，其角色从图像解读向诊断协调转变。多模态 AI 整合多种数据提升诊断精度，但也带来挑战。放射学需革新培训，加强跨学科合作，引领 AI 应用，保障在医疗中的核心地位。
引言
人工智能（AI）的迅猛发展正从根本上重塑放射学领域，也在改变着整个医学和社会。如今的问题已不是 AI 是否会在放射学未来发挥作用，而是放射科医生如何适应并引领这一变化，以及他们是否愿意抓住这个重塑医疗保健的历史性机遇。
人工智能在放射学中的早期应用
放射学是最早接纳 AI 的医学专业之一。放射学数据的数字化特性、如 DICOM 这样的标准化格式，以及 “ImageNet 时刻” 后卷积神经网络（CNNs）的早期应用，都为 AI 的融入提供了良好条件。CNNs 适合图像处理，自然适用于放射学应用。但最初人们对 AI 期望过高，比如先驱 Geoffrey Hinton 曾称 AI 很快会取代放射科医生，这反映出线性思维的认知偏差。实际上，早期 AI 模型虽有前景，但还无法完全取代人类专业知识。如今，AI 已从最初的热潮阶段过渡，开始稳步辅助放射科医生工作，提高效率、减轻认知负担。
指数时代线性思维的陷阱
人类易陷入线性思维，常低估指数增长阶段，高估短期进展，还存在 “规划谬误”，即低估未来任务的时间、成本和风险。在 AI 发展中，许多人基于早期研究成果，预期 AI 能快速在临床应用，结果导致对 AI 应用时间和能力的过度乐观预测。这一认知偏差在新技术采用曲线（如 Gartner Hype Cycle）中可见一斑。现在我们应认识到这些问题，以更现实的态度将 AI 融入医疗实践。
多模态时代放射科医生作为协调者的角色
放射科医生的角色正从传统图像解读者向信息专家转变。多模态 AI 系统将影像数据与其他非影像数据结合，有望提高诊断准确性和临床实用性，但也给放射科医生带来挑战。诊断过程从线性变为非线性，需要整合多种不同数据源。放射科医生要从系统层面进行整体考量，成为诊断协调者，协调、验证或拒绝、权衡和综合 AI 生成的见解。
生成式 AI，特别是大语言模型（LLMs）的出现，改变了人机交互模式。机器能适应人类交流，简化了 AI 融入临床工作流程的过程。但这也带来认知和实践挑战，人类大脑处理信息能力有限，复杂非视觉数据可能造成认知过载。因此，需要设计合理的工作流程，让 AI 工具适应人脑特点，增强人类优势。
此外，放射科医生作为信息专家，还需解决合法性和信任问题。AI 系统越复杂，其建议越不透明，放射科医生要在 AI 输出和临床决策间起到中介作用，具备技术和沟通能力，避免诊断过程变成 “黑箱”。同时，放射科医生在面对不确定性时，要平衡好谨慎与果断的关系，通过多学科协作减轻个体决策负担。
弥合知识差距：从图像解读者到多模态信息专家
多模态 AI 在放射学中的兴起，对放射科医生提出新要求。有效监管和使用这些工具，需要理解其处理的各类医学数据。传统放射学培训侧重于图像解读和成像模态物理原理，已无法满足需求，存在知识差距。多模态 AI 处理多种数据类型，如不理解相关知识，放射科医生难以解读结果和评估 AI 建议。
当前放射科医生的教育框架需要更新，应将数据科学、生物信息学和系统生物学基础课程与核心放射学培训相结合，开展跨学科培训，让放射科医生与其他领域专家密切合作。培训还应注重培养在不确定情况下的决策能力，包括风险评估和概率推理，提高临床判断准确性，提升沟通和结构化报告技能。实现这一转变不仅需要课程更新，还需要放射学领域的文化变革，让放射科医生成为 “综合信息专家”。
放射学在引领人工智能应用中的战略作用
放射学在迈向 “超级诊断” 时代中具有独特的领导地位。放射科医生习惯整合信息和跨专业协作，适合监管先进 AI 工具的整合。放射学率先实现 AI 临床应用，多数获批的医学 AI 应用都在放射学领域。
放射学的领导优势明显。它更早更深入地进行数字转型，工作框架标准化，便于 AI 工具的采用；放射科参与患者护理各方面，是诊断决策的关键角色；放射科医生作为诊断顾问，在多学科委员会（如肿瘤委员会）中发挥重要作用，现在可借助 AI 整合更多数据，提供综合诊断信息。放射学的领导作用是促进协作，协调多模态数据整合，而非主导其他专业。
结论
放射学的未来在于放射科医生接受多模态 AI 协调者的角色，整合多样数据提高诊断精度。这要求重新评估传统培训，注重持续学习、技术素养、广泛医学知识和跨学科合作。放射科医生有能力引领 AI 在临床实践中的整合，改善患者护理。但要抓住机遇，需有战略眼光和积极适应能力，否则可能被技术超越，失去医学诊断的主导权。
