Page 138 - 南京医科大学自然版
P. 138

第46卷第7期
               ·1084 ·                           南 京    医 科 大 学 学         报                        2026年7月


                  传统医学影像学的重要任务之一，是将影像专                          下，RADS 作为临床广泛接受且可解释的风险及管
              家的主观经验性判断以稳定、可重复的方式表达为                            理框架，为AI结果嵌入结构化报告与临床决策链条
              临床可理解且可执行的决策信息。作为该领域的                             提供了关键接口。虽然目前已有大量针对单一器
              权威发起者，美国放射学会（American College of Ra⁃              官AI辅助RADS 的应用研究，但仍缺乏从方法学演
              diology，ACR）自乳腺影像标准化工作出发，逐步建                      进共性、多模态融合以及大语言模型驱动的智能化
              立并推广影像报告与数据系统（reporting and data                  逻辑等宏观视角进行的系统梳理。在全球及我国
              system，RADS）。然而，在真实世界的临床实践中，                      大力推动影像AI规范化应用、力求通过数字化手段
              RADS 常被简化为诊断分级工具，这种认知局限往                          提升医疗同质化水平的背景下，探索AI 与RADS 的
              往掩盖了该系统在标准化语境下的宏观意义。事                             协同演进具有重要的理论价值与实践意义。
              实上，这一体系在降低跨学科沟通成本、提升多中
                                                                1   ACR⁃RADS 的多模态影像分级体系：结构、共性
              心科研数据一致性方面具有不可替代的双重价
                                                                与差异
              值。以乳腺影像报告和数据系统（breast imaging re⁃
              porting and data System，BI⁃RADS）为代表的体系通                在过去30余年的发展过程中，ACR围绕不同器
              过统一术语与报告组织方式、明确判读要素并形成                            官系统、疾病谱及临床应用场景，逐步构建并完善
              分级框架，使影像结论可与随访、活检及进一步检                            了一系列 RADS。截至目前，ACR 官方发布并持续
              查等管理建议相衔接，从而在不同医师、不同机构                            更新的RADS 体系已覆盖乳腺、肺、肝脏、前列腺、甲

              及医患沟通之间形成高度一致的决策共识。ACR                            状腺、卵巢附件、头颈肿瘤治疗后随访、骨病变、结
              官方亦将RADS作为一组综合工具，涵盖术语词典、                          肠癌筛查及冠状动脉疾病等多个高频临床领域，形
              风险分层规则、模板与质量管理相关要素，服务于                            成了以风险分层与管理导向为核心的多模态结构
                                                                              （图1）。
              结构化报告与规范化决策链条的构建                  ［1-4］ 。尽管如      化影像框架     ［20-31］
              此，RADS 在真实世界应用中仍面临可重复性与一                               尽管不同 RADS 体系在器官系统、成像技术及
              致性方面的挑战。多项研究显示，在不同阅片者之
              间，部分 RADS 相关特征描述与分级结果的一致性
              可呈中等水平，且在筛查或随访场景中，这种分歧                                  TI⁃RADS                     NI⁃RADS
              可能进一步影响管理建议的选择                ［5-8］ 。特别是在面
              对“灰区病例”，如 BI⁃RADS 3 与 4A、肝脏影像报告
              和数据系统（liver imaging reporting and data system，        Lung⁃RADS                     BI⁃RADS
              LI⁃RADS 3）时，基于视觉经验的离散分级往往难以
              充分刻画病变的连续风险谱              ［9-12］ 。此外，跨中心应
              用还受到设备差异、采集协议与重建及后处理流程                                  LI⁃RADS                     CAD⁃RADS
              异质性的影响；影像定量指标在多中心研究中需要
              强调重复性与一致性，并依赖标准化协议与质量控
                                                                                                   O⁃RADS
              制体系以降低变异，这已在定量影像生物标志物的                                  C⁃RADS
              共识框架中得到反复强调            ［8，13］ 。
                  近年来，人工智能（artificial intelligence，AI）在
              医学影像领域快速发展，促进了病灶检出、分割与                                 PI⁃RADS                      Bone⁃RADS
              特征量化能力的提升，使影像信息表达逐步从定性                                Thyroid imaging reporting and data system（TI⁃RADS）；neck imag⁃
              及半定量描述向连续化风险评估延伸                 ［14-16］ 。尤其值     ing reporting and data system（NI⁃RADS）；breast imaging reporting and
              得关注的是，以Transformer 架构为核心的大语言模                     data system（BI⁃RADS）；liver imaging reporting and data system（LI⁃
              型（large language model，LLM）正从语义解析与逻辑              RADS）；coronary artery disease – imaging reporting and data system
                                                                （CAD⁃RADS）；CT colonography reporting and data system（C⁃RADS）；
              推理层面，为影像报告的质量控制、非结构化文本
                                                                ovarian–adnexal reporting and data system（O⁃RADS）；prostate imag⁃
              转化及自动化分级推理开辟了新路径                  ［17-19］ 。然而，
                                                                ing reporting and data system（PI⁃RADS）.
              连续风险输出若缺乏统一的解释框架与管理接口，                                   图1   ACR影像学结构化报告与数据系统
              仍难以直接转化为可执行的临床路径。在此背景                                 Figure 1 ACR imaging reporting and data systems
   133   134   135   136   137   138   139   140   141   142   143