《Diagnostics》：From Anatomy to Pathology: How Well Can AI Interpret Static Point-of-Care Ultrasound Images?
编辑推荐：
背景/目的：多模态人工智能（AI）可能为急诊医学中的床旁超声（POCUS）解读提供支持，但其在静态图像上的表现以及对采集情境的敏感性仍不确定。本研究评估了GPT-5.6 Sol，并检验探区信息（probe-region information）是否能改善在切面
背景/目的：多模态人工智能（AI）可能为急诊医学中的床旁超声（POCUS）解读提供支持，但其在静态图像上的表现以及对采集情境的敏感性仍不确定。本研究评估了GPT-5.6 Sol，并检验探区信息（probe-region information）是否能改善在切面/平面、解剖与病理三个域上的解读。方法：在这项配对比较的计算机模拟（in silico）研究中，来自七个解剖区域的92幅教学超声图像在标准化的无提示（仅图像）与有提示（图像加探区代码）条件下接受评估。两名独立评分者依据教科书参考标准在三个域上对回答评分：切面/平面识别、解剖结构识别与病理发现检出。每个域评分为0至2分。分歧由第三位超声专家裁定，完全正确回答定义为该域得分为2。主要结局为总表现评分（0–6）。次要结局包括各域评分、完全正确回答率及探索性亚组分析。采用Wilcoxon符号秩检验与McNemar检验分别评估配对评分与完全正确率。结果：有提示条件下总表现更高（中位数（四分位距），5（4–6）对4（2–5）；p < 0.001）。各评估域的评分者间一致性为高度至近乎完全一致（二次加权κ = 0.750–1.000）。切面/平面识别的完全正确率从58.7%升至88.0%，解剖结构识别从47.8%升至82.6%（均p < 0.001）。病理发现检出从35.9%升至48.9%（p = 0.002）。在病理阳性图像中，即使有提示，漏诊或错误标注病理仍较常见（44.8%）。区域间总表现差异仅在无提示条件下显著（p = 0.002）。结论：探区信息显著改善了切面/平面与解剖结构识别，但病理发现检出仍相对薄弱。在静态POCUS解读中，解剖识别能力的提升并未转化为可靠的病理检出。持续存在的假阴性与假阳性错误不支持独立诊断用途。其在POCUS教学与解剖标注中的潜在应用尚需进一步验证。
研究背景方面，大语言模型（LLMs）近年来在医学领域表现突出，ChatGPT等工具在医师资格考试与文本型临床病例中的成功强化了其作为临床决策辅助工具的预期。然而临床实践并不只依赖文本信息，诊断与治疗决策常需解读视觉数据，包括放射影像与超声（US）。近期出现的多模态大语言模型（M-LLMs）可联合处理文本与视觉输入，但已有研究显示任务定制模型在视觉临床任务中优于通用模型，GPT类模型在直接图像解读上的可靠性仍不确定。针对超声的证据更为有限：超声是广泛使用且依赖操作者的成像方式，在急诊与重症监护中直接影响床旁决策，其便携性与实时性对时间敏感的评估尤为有价值，而扫描窗识别有助于建立预期的解剖方位。在床旁超声（POCUS）中，识别扫描窗与可见解剖结构是解读病理发现的基础，探区也是临床医师可获得采集情境的一部分，因此评估这一有限信息能否改善模型解读对AI支持POCUS的开发具有相关性。早期可行性研究提示M-LLMs或可描述某些超声特征并完成分类任务，但表现可变且对提示设计敏感；与AI计算机辅助诊断（AI-CAD）的比较进一步提示基于LLM的方法在一致性、可验证性与达到临床有意义阈值方面存在重要局限。已有文献在提示条件、评分方法与报告要素上仍不统一，限制了可比性与可重复性。近期研究亦强调直接图像解读与基于临床医师所提供信息进行推理之间的区别：在甲状腺结节、乳腺超声报告审核与儿童阑尾炎等任务中，附加信息带来的改善可能主要由临床医师提供的特征或结构化报告文本驱动，而非模型直接从图像中提取的额外信息。对于不含超声征象描述或疑似诊断的有限采集元数据，其效应值得在不同POCUS区域与解读域中单独评估。本研究旨在采用标准化提示条件与预设评分标准，定量评估M-LLM GPT-5.6 Sol在静态超声图像上依据教科书参考标准的图像解读表现，并考察以探区代码形式提供有限采集元数据如何影响表现，刻画可能制约临床转化的残余错误模式。通过分别评估七个与POCUS相关解剖区域上的切面/平面识别、解剖结构识别与病理发现检出，研究人员检验方位与解剖识别上的增益是否伴随病理评估的相应改善。这一配对计算机模拟评估回应了与急诊POCUS相关的问题，同时区别于对实时床旁表现的验证。
研究人员开展了一项配对比较的计算机模拟评估，使用教学用静态超声图像，未使用真实患者数据、生物标本、临床记录或可识别个人信息，图像均取自匿名化教学教科书。研究遵循STARD-AI原则，并按TRIPOD-LLM清单结构化LLM相关方法学要素。所用模型为GPT-5.6 Sol（OpenAI，美国旧金山），模型访问时间为2026年7月20日至25日，选择Thinking变体以支持复杂多步任务；为减少先前对话情境的延续效应，每幅图像在每种提示条件下均在独立会话中处理。每幅图像通过聊天界面以JPEG附件单独上传，使用预设未修改的标准化提示模板；每幅图像前均以固定角色指令要求模型以POCUS专家身份作答。两种提示条件为：无提示条件（仅图像）与有提示条件（提供以探区代码表示的有限采集元数据，如RUQ、LUQ、RLQ、LLQ、SU、SC、PSL、MAX、ANT，不含器官名称、临床病史或疑似诊断）。所有交互以英文进行以支持医学术语与解剖描述的标准化。模型输出逐字记录为原始文本，不作后处理或人工编辑，并与相应图像标识符关联形成可分析数据集；当界面不允许配置解码参数（如temperature与top-p）时使用平台默认设置。数据来源为临床培训常用教学超声教科书中的静态图像，图像选择在无任何模型训练条件下依预设纳入标准进行：图像被教科书指定为标准参考切面/平面、目标解剖结构清晰可见且可区分、不含明显伪影或解释性叠加标记（如箭头、标签或文字）、质量足以支持基于静态帧的解读；破坏解剖完整性、含大量伪影或显著限制可解读性的图像被排除。入选图像经两名超声专家独立核验参考发现后纳入，并分为七个主要解剖组以反映急诊床旁POCUS的临床多样性：心脏（n = 12）、胸部（n = 12）、腹部（n = 17）、下腔静脉（IVC）与腹主动脉（n = 12）、肾与泌尿系统（n = 12）、外周血管（n = 12）及其他检查（n = 15），每组包含多个标准扫描平面；最终数据集为92幅独立静态图像。图像自原始PDF提取以仅保留相关解剖区域并保持完整性，在相同条件下呈现给模型；图像尺寸虽有差异，但经裁剪/提取后统一强制最低分辨率640 × 480像素，以一致的高质量JPEG格式保存且不作额外压缩，并保留原始灰度/彩色信息。评估与评分方面，参考标准为相应超声教科书提供的描述与解释，评估前参考解剖结构与病理发现由两名超声专家独立核验，仅纳入参考发现已确认的图像。对每幅图像，模型被要求生成结构化回答，预期组成部分为：切面/平面识别、可见解剖结构描述、以及病理发现的存在与否及简要依据。为减少评估偏倚，模型输出以图像识别编号编码，评分时遮蔽图像解剖类别；两名独立评分者互盲且对图像类别盲，但因输出可能含提示条件特有信息而未对提示条件设盲。评分者依教科书参考描述评分，评估过程中不提供教学反馈、模型引导或再次提示；出现分歧时由第三位超声专家裁定并作最终决定，所有分析均使用最终共识评分。每个评估域采用0–2有序量表：切面/平面准确性方面，2分为与教科书参考切面/平面完全一致，1分为部分一致（如方位正确但术语错误或不完整），0分为切面/平面识别错误；解剖准确性方面，2分为以恰当术语完整正确识别图像中可见的关键解剖结构，1分为识别不完整或部分正确，0分为解剖描述错误或无关；病理发现检出方面，2分为在存在病理时正确且有依据地识别，在不存在时正确识别无病理（真阴性），1分为部分正确或不完整描述，0分为病理评估错误，包括漏诊、错误标注病理或无病理时报告存在病理（假阳性）。例如，正确识别扫描方位但未完整指明切面记为部分正确（1分）；将参考发现为右心室扩张误报为心包积液则记为病理发现检出错误（0分）。每幅图像各域评分相加生成0–6总分。主要结局为各提示条件下总表现评分；次要结局包括各域表现评分与各域完全正确（2分）回答比例；探索性次要分析包括跨解剖区域与病理状态亚组（阳性对阴性）的比较。统计分析使用IBM SPSS Statistics for Windows 28.0版，鉴于评分的有序性质采用非参数方法：分类变量以频数（n）与百分比（%）表示，有序评分以中位数与四分位距（IQR）汇总，另报告均值以便解释较小差异；完全正确率的95%置信区间（CIs）采用Wilson得分法计算。两名独立评分者间信度采用二次加权Cohen κ评估，按Landis与Koch标准解释（κ = 0.61–0.80为高度一致；κ = 0.81–1.00为近乎完全一致）；分歧时由第三位超声专家裁定最终评分，主要表现分析均基于共识评分。对每幅图像，两种提示条件下的各域评分与总分作为配对数据采用Wilcoxon符号秩检验比较；同一提示条件下三个评分域之间的比较采用Friedman检验，显著时以Bonferroni校正的Wilcoxon符号秩检验作事后两两比较。跨解剖类别的差异在各提示条件下采用Kruskal–Wallis检验比较独立组，显著时以Dunn–Bonferroni事后检验作两两比较。“完全正确”定义为某域得分为2；同一图像不同提示条件间完全正确率的差异在将评分二分（2对<2）后采用McNemar检验。每个结局族内三个域特异性配对比较的统计显著性采用Bonferroni校正阈值p < 0.0167，同时报告未校正p值。解剖区域比较为探索性，事后区域两两比较采用Dunn–Bonferroni法校正。所有检验为双侧，p < 0.05视为具有统计学显著性。
主要关键技术方法包括：采用配对比较的计算机模拟（in silico）设计，对同一批图像在两种标准化提示条件下重复评估；图像来源为常用教学超声教科书，共92幅静态图像，覆盖七个解剖区域，并经两名超声专家独立核验参考发现（样本来源为教科书教学图像，非患者队列）；采用预设结构化提示模板与固定角色指令，图像以JPEG单独上传并在独立会话中处理以控制情境延续；采用0–2有序量表的三域评分体系，两名评分者互盲评分、第三位专家裁定分歧，并以二次加权Cohen κ评估评分者间信度；采用Wilcoxon符号秩检验、McNemar检验、Friedman检验、Kruskal–Wallis检验及Dunn–Bonferroni事后检验等非参数统计方法，完全正确率置信区间采用Wilson得分法。
研究结果显示，在评分者间信度方面，对92幅静态超声图像的评分者间信度分析显示两名专家评分者在所有评估域上高度一致：无提示条件下，解剖结构识别（κ = 0.943，95% CI 0.883–0.987）与病理发现检出（κ = 0.943，95% CI 0.889–0.989）一致性最高，切面/平面识别为高度一致（κ = 0.750，95% CI 0.624–0.863）；有提示条件下各域一致性均提高，解剖结构识别达完全一致（κ = 1.00）。在GPT-5.6 Sol总体表现方面，有提示条件下总表现评分显著高于无提示条件（中位数（IQR），5（4–6）对4（2–5）；p < 0.001），总评分平均配对增加1.04分（95% bootstrap CI，0.74–1.38）。切面/平面识别的有序评分分布在有提示条件下显著更高（中位数（IQR），2（2–2）对2（1–2）；p < 0.001），完全正确率从58.7%（54/92）升至88.0%（81/92）（p < 0.001）；解剖结构识别的有序评分分布亦显著更高（中位数（IQR），2（2–2）对1（1–2）；p < 0.001），完全正确率从47.8%（44/92）升至82.6%（76/92）（p < 0.001）；病理发现检出的有序评分分布同样显著更高（中位数（IQR），1（0–2）对0（0–2）；p = 0.001），完全正确率从35.9%（33/92）升至48.9%（45/92），差异具有统计学显著性（p = 0.002）。在按解剖区域的表现方面，无提示条件下平均总分最高见于胸部（5.08 ± 0.90）与腹部（4.11 ± 2.00），最低见于IVC/主动脉类别（2.17 ± 1.95）（p = 0.002）；有提示条件下各解剖类别评分均上升，总分数值增幅最大者为其他检查（+2.00）、IVC/主动脉（+1.66）与血管（+1.59），增幅较小者为胸部（+0.17）与心脏（+0.33），且此时总评分跨区域差异不再显著（p = 0.528）。各域平均分在多数区域的切面/平面与解剖域中有提示条件下上升，胸部类别在两种条件下切面/平面与解剖域平均分均达2.00；其他检查类别在切面/平面（1.33对2.00）与解剖（1.07对1.93）、IVC/主动脉类别在切面/平面（1.08对1.58）与解剖（0.92对1.42）、血管类别在切面/平面（1.17对1.75）与解剖（0.92对1.67）均见数值上升。然而病理域平均分在两种条件下均低于其他域：IVC/主动脉（0.33对0.83）、其他检查（0.73对1.20）与血管（0.75对1.00）见数值上升，胸部（1.17对1.25）与腹部（1.06对1.12）变化较小；心脏类别有提示条件下病理平均分低于无提示条件（0.92对0.67）；病理域最低平均分见于无提示条件下的IVC/主动脉类别（0.33）。在病理患病率与分布方面，92幅图像中58幅（63.0%）依教科书参考为病理阳性、34幅（37.0%）为病理阴性；58例阳性病例分布于各解剖类别，以腹部最多（n = 14），其次为心脏（n = 9）与其他检查（n = 9），其余分布于肾–泌尿（n = 8）、胸部（n = 7）、血管（n = 6）与IVC–主动脉（n = 5）。在按病例状态的病理发现检出表现方面，病理阳性图像（n = 58）中真阳性回答（2分）从无提示条件的21/58（36.2%）升至有提示条件的27/58（46.6%）（+10.4个百分点），假阴性回答（0分）从31/58（53.4%）降至26/58（44.8%）（?8.6个百分点）；病理阴性图像（n = 34）中真阴性回答（2分）从12/34（35.3%）升至18/34（52.9%）（+17.6个百分点），假阳性回答（0分）从19/34（55.9%）降至16/34（47.1%）（?8.8个百分点）。
讨论部分指出，本项配对计算机模拟研究评估了GPT-5.6 Sol在代表急诊床旁POCUS相关解剖区域的静态超声图像上的图像解读表现，并考察以探区代码形式提供有限采集元数据是否改善准确性。总体上，有提示条件下表现提升，最大增益见于切面/平面识别与解剖结构识别，完全正确率分别从58.7%升至88.0%、从47.8%升至82.6%；但病理发现检出改善较为有限且仍为表现最低的域，即使提供元数据完全正确回答仍低于50%。无提示条件下表现存在解剖区域差异，而有提示条件下区域差异不再具有统计学显著性。尽管提供探区位置改善了正常发现的识别，但高比例假阴性（44.8%）与频繁假阳性解读的持续存在凸显了模型病理评估的重要局限。研究结果提示，M-LLMs或可支持静态超声帧上的基本方位判断与解剖描述，但这些任务表现的改善不应等同于可靠的病理检出。提供有限采集元数据显著改善了切面/平面识别与解剖结构识别，这一模式与近期超声研究提示的针对性提示与结构化文本引导可提升模型表现相一致；研究人员指出，与图像同时提供的信息本身可能对诊断表现有实质贡献，而本研究考察的是更有限的输入，即不含器官名称、临床病史、疑似诊断或超声征象描述的探区信息。未来POCUS评估应明确描述采集元数据，并将其贡献与临床或病灶特异性信息的贡献分开评估。尽管切面与解剖识别有明显增益，病理检出仍然有限，提示仅添加最低限度元数据不足以克服模型在疾病层面解读的弱点；既往超声相关LLM研究亦提示解剖识别与病理判读之间的差距，如GPT-4V在60.9%的超声图像中正确识别解剖区域而病理识别准确率仅9.1%，甲状腺结节分类中M-LLM表现可行但仍不完善且存在与参考结果不一致及临床后果性误分类风险，儿童阑尾炎中表现主要由结构化超声报告文本驱动而仅图像解读表现不佳，乳腺超声报告审核中附加关键图像有益但亦出现模型特异性假阳性输出。本多区域评估显示，在所测模型与图像集上，解剖识别改善后病理检出的局限仍然存在，这些发现不支持所评估任务的独立诊断用途。解剖识别大幅改善与病理检出相对有限改善之间的分离亦提供了可能解释：探区位置信息可能通过约束图像中可能出现的器官、结构与标准平面，降低整体场景解读层面的模糊性，从而最明显地改善方位与结构识别任务；而病理检出需识别细微回声改变、边界不规则、声影模式、小量积液、不对称等细粒度征象偏离。该解释仍属假设，因研究未考察模型内部推理过程；切面/平面确认或解剖标注的潜在应用需单独验证，而不能仅由总分改善推断。区域特异性分析进一步支持任务依赖性解读：有提示条件下区域差异总体减弱，但心脏类别病理评分在提供探区信息后数值下降，而胸部、血管与IVC/主动脉视图总体见数值改善；在心脏超声这类视觉与征象学复杂的领域，一种未经检验的可能解释是情境标注可能在静态帧不完整呈现病理发现时促使模型依赖预期解剖模式，但心脏亚组样本小，该数值下降不能确立探区信息对心脏解读有不利影响，应视为需进一步研究的探索性发现；更普遍而言，平面识别改善不应被假定可转化为可靠的病理评估，尤其在运动与时间信息对解读贡献显著的检查中。这些发现与急诊床旁POCUS相关，因为识别预期扫描窗与可见解剖仅是解读检查的一个组成部分；本研究以静态教学图像评估这一区分，并未确立实时扫描中的临床获益。与精选教科书图像不同，真实床旁POCUS检查是动态的，常涉及欠佳声窗、患者运动与成像伪影；即使在如此受控条件下观察到的有限病理检出表现，也引发对模型在更具挑战性临床环境中可靠性的担忧，尽管该可能性未被直接评估。前瞻性床旁研究属于不同证据层级：如Fisher等评估了非心脏科医师在急诊与内科环境中实施的AI增强聚焦心脏超声并报告了临床相关发现及后续处理改变，但该研究涉及整合于患者检查的专用算法，其发现不能直接外推至解读孤立帧的通用M-LLM；教学使用亦需谨慎，Hong等的随机超声培训研究发现教师引导的AI策略改善了短期检查表现，但获益反映的是组合教学干预，ChatGPT-4o本身在图像题上准确率有限。综上，临床医师监督下的教学与解剖描述是值得进一步研究的合理方向，而此类应用的安全性与有效性对本文所评估模型而言仍待证实。局限性包括：第一，评估基于静态标准化教学图像集，不能完全排除数据污染，模型训练中可能接触过这些材料或相关衍生内容，从而可能高估表现，尤其在切面/平面识别与基础解剖描述方面；第二，分析限于静态超声帧，未捕捉真实POCUS解读的关键动态成分，如胸膜滑动、心脏运动、多普勒或加压评估、序贯扫描与操作者迭代反馈，所选图像亦不代表急诊床旁检查中遇到的完整图像质量范围，因此发现不应直接外推至前瞻性临床环境或患者层面结局；第三，每幅图像在聊天界面以默认设置在单次运行中评估，未评估重复运行变异性，后续模型/界面变化使原测试条件下无法进行可比重复运行评估，限制了对输出稳定性与可重复性的结论；第四，解剖亚组样本量小（每组12–17幅），限制区域估计的精确性，非显著差异不应解释为表现等同的证据；此外，未对提示条件设盲可能引入评估偏倚，缺乏人类与其他模型对照亦妨碍与临床专家或其他AI系统的直接比较。研究结论为：在这项配对计算机模拟评估中，当通过有提示方式提供有限采集元数据时，GPT-5.6 Sol在静态POCUS图像上的切面/平面识别与解剖结构识别取得显著增益；相比之下，病理发现检出表现仍明显较低，持续存在的假阴性与假阳性回答限制了病理评估的可靠性。这些发现表明，方位与解剖识别能力的改善并不必然转化为可靠的病理检出。对于急诊医学中的POCUS应用，研究结果支持进一步研究临床医师监督下的教学辅助、切面/平面确认与解剖标注，但并未确立其临床安全性与有效性；在考虑用于床旁患者评估之前，尚需纳入动态视频片段、重复运行稳定性分析、人类对照与前瞻性多中心验证的进一步研究。
