基于关键词的AI辅助放射学报告生成：一种提升诊断效率的新型人机协作范式

本研究针对放射科医师撰写报告耗时费力且术语不一致的痛点，创新性地提出基于关键词和大语言模型(LLM)的AI辅助报告生成范式。浙江大学医学院附属第二医院团队通过100例颅内肿瘤MRI数据的双盲对照试验证实，该范式可平均缩短28%报告时间(p<0.001)，AI生成报告与常规报告质量无显著差异(p>0.50)，初步诊断准确率达72%，为智能医疗文书处理提供了可推广的新方案。

　　

在医疗数字化浪潮中，放射科医师正面临日益增长的影像诊断压力。传统放射学报告撰写不仅耗时费力（平均每份报告需50秒左右），还常出现术语不一致、内容遗漏等问题。更棘手的是，当前AI生成报告技术多局限于特定解剖部位，且需要大量标注数据训练模型，难以应对临床复杂多变的实际需求。这些痛点催生了一个关键科学问题：能否开发一种既保持专业准确性，又能显著提升工作效率的智能报告生成新方法？

针对这一挑战，浙江大学医学院附属第二医院的研究团队开展了一项开创性研究。他们巧妙结合放射科医师的专业判断与大语言模型(LLM)的文本生成优势，设计出"关键词输入-AI生成"的人机协作范式。这项发表在《npj Digital Medicine》的研究，通过严谨的双盲对照试验证明，这种新型工作流程不仅能大幅提升诊断效率，更保持了与传统方法相当的报告质量。

研究团队采用多阶段交叉设计，首先由两名住院医师对100例颅内肿瘤患者的MRI图像分别撰写常规报告和关键词报告。关键词报告仅包含病灶位置、大小、信号特征等核心术语，如"右额叶囊实性15×10mm T1低信号T2高信号明显环形强化"。随后利用DeepSeek等LLM模型，通过精心设计的提示词模板（含结构化报告框架、完整案例示例等）将关键词扩展为规范报告。为验证方法鲁棒性，团队还测试了关键词顺序随机化、不同LLM模型等变量对报告质量的影响。

报告时间分析显示惊人效率提升。Resident 1的关键词报告时间中位数从常规报告的48秒降至35秒，Resident 2则从52秒降至37秒，平均时间缩短达28%（p<0.001）。这种效率增益在不同年资医师间具有一致性，证实该范式可有效缓解临床工作负荷。

质量评估结果更令人振奋。两位资深放射科医师采用5分量表盲评显示，AI生成报告与常规报告在描述完整性、术语规范性等方面无统计学差异（p>0.50）。特别值得注意的是，AI基于关键词推断的初步诊断准确率达到72%，前二诊断准确率更高达82.5%，展现出强大的临床推理能力。

研究还揭示了若干重要发现：关键词顺序随机化不影响报告质量（p>0.928），说明LLM通过位置编码(positional encoding)能有效理解非序列化输入；不同LLM模型（DeepSeek与Doubao）生成报告质量相当（p>0.637），证实方法具有平台普适性。这些发现为临床灵活应用提供了重要依据。

在讨论部分，研究者指出该范式三大创新点：一是突破解剖部位限制，无需专门医学图像训练数据；二是通过结构化提示词有效控制LLM的"幻觉"(hallucination)风险；三是开创性地将医师专业判断与AI文本生成优势互补。Fei Dong等作者强调，这种方法特别适合住院医师培训，既能通过关键词输入强化影像特征识别能力，又能借助AI反馈拓展诊断思路。

当然，研究也存在单中心样本量有限、未考虑实际工作环境干扰等局限。但毫无疑问，这项研究为智能医疗文书处理树立了新标杆。随着LLM技术的持续进步，这种基于关键词的AI辅助报告范式，或将成为提升放射科工作效率的"游戏规则改变者"，最终使医师能将更多精力集中于临床决策而非文书工作。正如研究者所言："这不仅是工作流程的优化，更是医疗人工智能落地应用的范式创新。"