ECR 2026：最危險的不是AI出錯，而是AI和放射科醫生一起錯

在2026年歐洲放射學大會（ECR 2026）上，人工智能仍然是最受關注的話題之一。據RadAI Slice統計，在603場會議中，有142場帶有AI標簽，占比達到23.5%。然而，與過去幾年不同，今年會議的討論重點已經發生變化。

放射學界幾乎不再爭論AI是否應該進入放射學。現在真正的問題是：當AI在真實臨床環境中出現錯誤時，會發生什么？又為什么會發生？

AI的風險

往往始于訓練數據

放射科醫生、醫學影像數據公司Segmed聯合創始人Martin Willemink在會議中指出，AI問題往往在算法建立之前就已經出現，即訓練數據階段。

Dr. Martin Willemink, PhD.

他強調，數據質量不僅僅是圖像質量，更重要的是數據的多樣性。如果AI模型只使用理想條件下的影像進行訓練，那么它往往只能在理想人群中表現良好。

真實醫療環境遠比訓練環境復雜得多。不同醫院使用不同廠商設備，圖像中存在各種噪聲和偽影，患者在人種、年齡、性別以及地理分布上也存在差異。如果訓練數據缺乏這些差異，AI模型在實際臨床中的表現就可能明顯下降。

這種問題并非假設。研究發現，在2020年前提交美國FDA審批的AI模型中，超過70%的訓練數據僅來自美國三個州：加利福尼亞州、馬薩諸塞州和紐約州。Willemink指出，如果模型只在這些地區訓練，那么它在美國南部、歐洲或其他國家的表現可能并不可靠。

他認為，開發AI系統時必須主動審查訓練數據，確保其中包含不同人群和不同醫療環境的數據，否則模型很容易產生偏差。

此外，AI模型還可能學習到一些“錯誤線索”。例如，它可能將醫院標志、設備偽影等與疾病建立聯系。最終結果可能看似正確，但模型的推理邏輯卻并不合理。

AI可能改變

放射科醫生的注意力

來自萊頓大學醫學中心的研究者Mohammad Hossein Mehrizi從認知角度分析了AI對放射科醫生閱讀行為的影響。

Dr. Mohammad Hossein Mehrizi, PhD.

他指出，放射科醫生在閱讀影像時并不僅僅是“看圖像”，而是通過已有知識去理解圖像。他借用了哲學家福柯提出的“醫學凝視”（medical gaze）概念，說明醫生的知識結構會影響其注意力分布，同時也可能帶來認知盲區。

Mehrizi將放射科醫生的注意力分為三種類型：

• 第一種是聚焦注意力，集中在某一個明確異常上；

• 第二種是側向注意力，用于掃描整個影像尋找意外發現；

• 第三種是策略性注意力，用于監控注意力的整體分布。

AI系統的提示往往會將醫生的注意力集中在某一個區域，從而強化聚焦注意力，但可能減少對影像其他區域的觀察。

在眼動追蹤研究中，研究人員發現放射科醫生在使用AI輔助系統時會表現出不同的行為模式：有些人會關注AI提示，有些會忽略AI提示繼續觀察，也有些會刻意檢查AI未標記的區域。

然而Mehrizi認為，最危險的情況并不是醫生完全依賴AI，也不是完全忽視AI，而是人類和AI在同一個地方同時出現判斷偏差。當AI和醫生都關注同一處異常時，其他潛在問題可能被忽略。

偏差可能在系統中不斷放大

來自圣裘德兒童研究醫院的兒科放射科醫生Paul Yi則將討論帶回數據和倫理問題。

Dr. Paul Yi.

他指出，AI確實有潛力讓專業知識更加普及，但如果訓練數據存在偏差，那么這種偏差也會被AI放大。

Yi團隊在研究骨齡預測算法時發現，該模型在不同人群中的表現存在系統性差異。例如在不同年齡段或不同性別的兒童之間，其預測準確度并不一致。

更值得警惕的是，一些AI模型可能學習到“捷徑”。例如，一些用于檢測氣胸的算法實際上識別的是胸腔引流管，而不是氣胸本身；某些骨折檢測模型可能依賴影像中的左右標記，而不是骨骼結構本身。雖然最終診斷結果看起來正確，但模型的推理邏輯卻是錯誤的。

Yi還指出，放射科醫生本身也可能帶有偏見，這些偏見來自訓練背景、地理環境或亞專科經驗。如果影像報告中沒有提及某些異常，AI模型就無法學習到這些信息。這樣一來，偏差數據訓練出偏差模型，而偏差模型又會產生新的偏差數據，形成一個循環。

當AI進入患者端

討論最終也涉及患者層面的問題。如果AI工具在全球范圍內推廣，它們是否能在不同醫療系統中同樣可靠地工作？

目前許多AI模型主要在美國或西歐進行驗證，而不同國家在影像設備、疾病譜以及患者結構方面存在顯著差異。

Mehrizi還提到一個新的趨勢：越來越多患者開始直接使用AI工具解釋自己的影像檢查結果。有些患者會將掃描圖像上傳到在線系統或聊天機器人，希望獲得解釋。

他認為，這種行為可能產生一種“虛假的理解感”。患者可能誤以為自己已經理解了影像結果，但實際上卻產生了誤解。

Yi舉了一個簡單的例子：有一次，一位家屬看到影像報告中寫著“fracture（骨折）”，卻誤以為這意味著骨頭只是損傷卻沒有斷裂。復雜的醫學術語本身就可能讓患者困惑，如果再加上缺乏臨床背景的AI解釋，誤解可能會更加嚴重。

AI時代真正需要回答的問題

會議最終并沒有給出簡單答案。如今，AI已經進入放射學實踐，但行業正在逐漸走出早期對技術性能指標的興奮階段。未來真正需要面對的問題，不再只是AI能否識別某種疾病，而是在人類與AI協作的診斷體系中，我們是否仍然能夠真正看到患者本身。

參考來源

AuntMinnieEurope. When AI and radiologists miss the same thing. March 13, 2026.

來源：鼎湖影像

免責聲明：本公眾號旨在為醫療衛生專業人士提供腫瘤領域資訊參考，促進專業交流。內容僅供信息交流，不可替代專業醫療指導，亦非診療建議。 據此操作，風險自擔。轉載內容均已標注來源及作者。如有版權問題，請留言聯系，我們將及時處理。