Page 140 - 南京医科大学自然版
P. 140
第46卷第7期
·1086 · 南 京 医 科 大 学 学 报 2026年7月
liance，QIBA）为代表的共识框架指出，定量影像指 过提供一致的量化参照，改善灰区病例的分流稳定
标的重复性与一致性有赖于标准化采集、严格质量 性。需要强调的是，相关研究的性能表现与具体任
控制及一致的数据处理流程；在缺乏统一质控与计 务设定密切相关：在良恶性二分类或特定风险评分
量学体系的情况下，多中心间的系统性变异将被放 任务中，深度学习模型通常可获得较高的判别性
大，从而限制 RADS 在真实世界研究与临床推广中 能；而在完整的 BI⁃RADS 多等级分层任务中，不同
的稳定应用 ［13，44］ 。此外，现有RADS 体系中，仍有相 研究之间仍存在一定差异。针对临床分歧较集中
当一部分关键判读要素停留在描述性或半定量层 的中间分层任务，多中心研究显示，在区分 BI⁃
面，尚未形成可机器读取、可跨平台稳定复现的明 RADS 3/4A 病灶时，深度学习模型的曲线下面积
确量化阈值或连续指标。这类判据在不同设备、不 （anea under the curver，AUC）约为0.74。对于初级阅
同中心之间的一致性受到限制，不仅影响 RADS 体 片者，AI 辅助可将其 AUC 由 0.55~0.58 提升至 0.74~
系的可重复应用，也客观上增加了其与自动化分析 0.77，并在保持较高耿敏度的同时，使特异度提高约
方法及数据驱动模型进行深度融合的难度 ［45-47］ 。第 10%~20%，而对资深阅片者的增益相对有限 ［50］ 。同
四，在复杂或非典型临床情境中，RADS分级体系在 样，在前列腺多参数 MRI 场景中，AI 首先对前列腺
刻画部分病例的风险状态时存在不确定性区间。 及可疑病灶进行自动定位与勾画，在此基础上结合
在多病灶并存、术后或放疗后改变，以及炎症与肿 多参数MRI信息，对病灶进行定量表征并形成患者
瘤影像表现交织等情况下，既有分级规则往往难以 级临床显著癌症风险评估。该风险评估结果并不
充分刻画病变的连续风险谱。以LI⁃RADS为例，LI⁃ 直接替代PI⁃RADS 分级，而是作为辅助依据嵌入既
RADS 3 与 LI⁃RADS 4 等不确定类别在临床实践中 有流程，用于提示是否需要双读或进一步复核，最
较为常见，其后续进展风险具有显著异质性 ［9-12］ 。 终分级仍由医师完成，从而在不改变分级框架的前
最后，RADS 分级与临床管理建议之间的闭环在真 提下，提高分流决策的一致性与效率。大规模外部
实世界实践中并不总能得到充分落实。尽管各体系 验证研究报告指出，该自动化系统在识别临床显著
通常配套明确的随访或处理路径，其实际执行仍可能 前列腺癌方面达到患者级 AUC 约 0.93（95% CI：
受到医疗资源配置、跨科室协作流程、信息系统追踪 0.91~0.95）；在多读者研究中，AI辅助可将总体诊断
能力及患者依从性等多重因素的制约，从而导致影像 准确率由80%提升至86%。此外，在真实世界的前
分层结果与实际诊疗行为之间出现偏离 ［48-49］ 。 瞻性实施中，AI 辅助流程与约 32%的放射科工作
量下降相关，提示其在提升诊断一致性的同时，亦
3 图像识别和分割驱动的 AI⁃RADS 融合：从规则
具有潜在的流程优化价值 ［51-52］ 。类似的量化证据亦
分级到可计算风险的量化证据
见于其他RADS体系。在卵巢附件影像中，基于超
RADS分级体系的主要挑战并非来自分级框架 声的深度学习模型已被用于良恶性风险评估，并
本身，而在于连续影像证据被离散化过程中引入的 在一定程度上与 O⁃RADS 风险分层形成互补，不同
不稳定性与可重复性不足。近 5 年来，深度学习为 研究报道的 AUC 存在差异，但部分研究或综述显
影像特征的客观量化与稳定映射提供了可计算路径， 示其判别性能可达约0.90以上 ［53］ 。在肝脏影像中，
使AI成为推动RADS向更加客观与可重复方向演进 针对LI⁃RADS 灰区病灶，已有研究基于多期动态增
的重要支撑。从机制上看，RADS通过分级实现临床 强MRI的时相信息构建定量评估流程，通过对不同
决策衔接，而深度学习能够学习稳定表征并输出连续 增强时相进行配准与联合表征，在病灶及其周围区
风险估计，二者在信息处理逻辑上的契合，为AI以受 域提取时间⁃信号变化特征，并据此形成LR⁃3与LR⁃
控方式嵌入而非替代RADS框架提供了依据。 4/5 的风险判别依据，其在边界病例中的区分性能
在乳腺影像领域，AI与BI⁃RADS的融合是目前 AUC约为0.95。与前述乳腺及前列腺场景主要基于
证据相对成熟的代表性应用场景之一。AI 以增强 单次或有限序列形态学表征不同，该类方法的特点
层形式嵌入既有BI⁃RADS 工作流，首先对病灶区域 在于引入时间维度的动态增强信息，以补充灰区病
进行自动定位或分割，并在此基础上结合病灶及其 灶在血流动力学层面的判别依据 ［54］ 。在以筛查与
周围组织的影像特征，形成连续风险评分与分级参 随访为主的Lung⁃RADS场景中，相关研究主要聚焦
考。阅片医师结合形态学特征作出最终裁决。其 于结节的自动检出与漏诊控制。既往研究在公开
主要作用集中于阈值附近（BI⁃RADS 3/4A）病例，通 数据集上总结，结节自动检测流程的灵敏度为86%~
