深度學習模型在 CT 和 MRI 判讀中的準確率已超越放射科住院醫師——在特定任務中達到了或超越了專科放射科醫師的水準。2025-2026 年，AI 放射學診斷經歷了從「輔助工具」到「獨立初篩」的角色轉變，多個國家的監管機構批准了 AI 模型在特定場景中進行獨立（無人類審核）的影像初篩。
FDA 在 2026 年批准了首個允許獨立運行的 AI 放射學診斷系統——Annalise.ai 的 CT 肺結節檢測系統。此前，所有獲批的 AI 放射學輔助系統均要求放射科醫師審核 AI 的輸出結果。Annalise.ai 的系統在臨床驗證中證明其對 5mm 以上肺結節的檢測靈敏度為 97.3%（對照放射科醫師的 91.8%），假陽性率為每例 0.8 個（放射科醫師為 0.5 個）。FDA 批准其在低風險篩查場景中進行獨立判讀——當 AI 標記為「陰性」時，患者無需等待放射科醫師的正式報告。
在德國，AI 乳房攝影篩查系統（Vara）在 2026 年獲得了歐盟 IVDR 認證用於人群乳腺癌篩查。在一項納入 460,000 名女性的回顧性研究中，Vara 系統作為獨立讀片者的癌症檢出率為 5.1/1,000——與放射科醫師的 5.3/1,000 無統計學差異——而雙重讀片（兩位放射科醫師）的檢出率為 5.6/1,000。Vara 的部署場景是：所有篩查影像首先由 AI 判讀，AI 標記為「明顯正常」（約 40-50% 的影像）的結果直接發送報告；其餘影像由放射科醫師進行人工判讀——這一流程將放射科醫師的工作量減少約 45%。
中國的 AI 放射學診斷部署規模全球最大。截至 2026 年，中國約 63% 的縣級醫院（約 1,800 家）部署了 AI 影像輔助診斷系統——主要用於肺結節、骨折和腦卒中 CT 影像的篩查。鑒於中國基層醫療機構放射科醫師的嚴重短缺（縣級醫院平均僅有 2-3 名放射科醫師），AI 系統在提升基層診斷能力方面發揮了重要作用。然而，AI 模型在不同人種和掃描設備之間的通用性仍是挑戰——在中國醫院開發的模型在非洲人群中的敏感度可能下降 10-15%。
FDA 批准的獨立運行系統
Annalise.ai 的 CT 肺結節檢測系統在 2026 年獲得 FDA 批准——允許在低風險篩查場景中進行獨立判讀，不需要放射科醫師審核 AI 輸出。臨床驗證數據：對 5mm 以上肺結節的檢測靈敏度為 97.3%（對照放射科醫師為 91.8%），假陽性率為每例 0.8 個（放射科醫師為 0.5 個）。AI 更少漏診但產生更多假陽性——對患者的好處是更少漏診，但假陽性導致不必要的追加檢查和患者焦慮。
Annalise.ai 的系統在 12 家澳洲和美國醫院的部署測試中將肺結節篩查的放射報告周轉時間從平均 11 天降至 2 天——主要因為 AI 直接標記為「陰性」的影像無需放射科醫師審核。在約 45% 的篩查影像被 AI 判定為「明顯正常」後直接發送報告。
歐洲的部署經驗
德國 Vara 乳腺攝影 AI 系統在 2026 年獲歐盟 IVDR 認證用於人群篩查。納入 460,000 名女性的回顧性研究顯示：Vara 作為獨立讀片者的癌症檢出率為 5.1/1,000——與放射科醫師的 5.3/1,000 無統計差異——而雙重讀片為 5.6/1,000。Vara 的部署模式是所有篩查影像先由 AI 判讀——標記為「明顯正常」（約 40-50%）直接發送報告——其餘由放射科醫師人工判讀——工作量減少約 45%。
德國癌症協會對 Vara 引入持謹慎樂觀態度——約 15% 的篩查中心在 2026 年部署了 Vara 系統。經濟效率：每位放射科醫師的判讀效率從每天 80-100 例提升至 150-180 例。德國醫療保險為 AI 輔助篩查支付的額外費用為每例 2.50 歐元——低於每例 5 歐元的放射科醫師工作量節省——使醫療保險在部署後實現了淨節省。
中國的部署規模
中國的 AI 放射學診斷部署規模全球最大。2026 年約 63% 的縣級醫院（約 1,800 家）部署了 AI 影像輔助診斷系統。主要用於肺結節、骨折和腦卒中 CT 影像的篩查——縣級醫院平均僅有 2-3 名放射科醫師，AI 系統在提升基層診斷能力方面發揮了關鍵作用。但在不同人種和掃描設備之間的通用性仍是挑戰——在中國訓練的模型在非洲人群中的敏感度可能下降 10-15%。
挑戰與局限
AI 放射學面臨的最大挑戰是可解釋性——AI 系統可以正確檢測病變但無法清楚解釋為什麼。對於放射科醫師來說，接受 AI 的診斷建議需要理解其推理過程。XAI（可解釋 AI）技術——包括注意力熱圖和概念激活向量——正在被整合進放射學 AI 產品中。另一個挑戰是跨機構通用性——在不同品牌和型號的 CT/MRI 設備上獲取的影像參數不同，AI 模型的性能可能不一致。FDA 要求 AI 產品在至少 3 家不同機構的影像數據上進行驗證——但這一要求增加了開發成本但尚未完全解決通用性問題。
與放射科醫師的協作模式
AI 放射學系統的最佳部署模式是「人機協作」而非「人機替代」。研究一致顯示 AI + 放射科醫師「協作模式」在診斷準確率上優於任何一方單獨工作——AI 先做初篩並標記可疑區域，放射科醫師審查 AI 輸出並做最終判斷。在肺結節檢測中，協作模式的靈敏度為 98.1%（AI 獨立 97.3%、放射科醫師獨立 91.8%），假陽性率為每例 0.6 個（AI 0.8、放射科醫師 0.5）。
放射科醫師對 AI 的接受態度在 2026 年發生了積極變化。美國放射學會的調查顯示：38% 的放射科醫師認為 AI 提升了他們的工作質量和滿意度（2024 年為 22%）；52% 報告使用 AI 後減少了工作時間和倦怠感；但 61% 擔心 AI 若錯誤診斷的法律責任歸屬仍不明確。AI 放射學產品對放射科醫師培訓的影響也在顯現——AI 標記可疑區域後，放射科醫師專注於驗證和排除 AI 的候選發現——這一過程本身正在改變放射科醫師的診斷習慣。
醫療法律與責任
AI 放射學診斷的法律責任框架正在形成。如果 AI 漏診了病變但放射科醫師在審核時未發現——責任歸屬於放射科醫師（因為最終診斷由人類作出）。如果 AI 在獨立運行模式下漏診病變（如 Annalise.ai 的批准場景）——責任歸屬問題更複雜。FDA 要求獨立運行 AI 系統的製造商承擔「產品責任」——Annalise.ai 需保持至少 1,000 萬美元的產品責任保險。醫療法律專家認為 AI 放射學的責任框架將逐步類似於實驗室檢測——醫生信賴檢測結果，但如果結果錯誤導致患者傷害，醫生和檢測提供者可能承擔連帶責任。
前瞻
AI 放射學的長期方向是從單一任務（檢測肺結節）向多任務整合（同一次掃描檢測多種病變）發展。Annalise.ai 正在開發的多病變檢測平台可同時檢測胸片中的肺結節、氣胸、肋骨骨折和心臟肥大——在一次 AI 推理中完成多種病變的篩查。放射科醫師的未來角色將從「影像判讀者」轉變為「AI 結果審核者和臨床整合者」——專注於 AI 無法處理的複雜病例、與臨床醫師溝通和治療方案建議。