多模态临床AI系统能否在不增加错误的情况下减轻临床医生的工作负担？

多模态AI在哪些环节最能减轻工作负担？

最大的工作量削减来自于对重复性、高容量任务的自动化，例如图像判读和报告撰写。在乳腺癌筛查中，一套AI分诊系统能够自动读取最不具可疑性的乳腺X光片和断层合成检查结果，使放射科医生的阅片时间减少了高达72.5%——从处理15,987例检查所需的568小时降至156小时——同时保持了非劣效的癌症检出率（113例癌症中检出95例，而双人阅片检出92例），甚至还将召回率降低了16.7%[2]。类似地，一套用于上消化道内镜检查的AI系统（Report-Angel）能在每个病灶1.5秒内自动生成报告草稿，在前瞻性数据集中实现了79-83%的临床可接受报告率和89-92%的病灶级准确率[1]。这些并非微小的改进：在相同临床工作量的情况下，它们每天能为临床医生节省数小时的时间。

在淋巴瘤影像分析中，一款用于PET/CT扫描代谢肿瘤体积分割的AI模型，在公开基准数据集上（该数据集特意纳入了具有挑战性的病例）与专家阅片者的匹配率达到83%（60例中50例）[5]。该AI无需任何用户交互即可完成分割，这有望大幅减轻核医学医师目前逐层勾画肿瘤轮廓的繁重手动工作。然而，同一研究指出，仍需人工监督以尽量减少其余病例中的错误[5]。

AI在哪些情况下仍需人类参与？

即便是性能最优的AI系统，也无法完全消除错误，且其失败模式具有可预测性，仍需人工监督。在内窥镜研究中，Report-Angel生成的临床可接受报告占比为79%-83%，这意味着约五分之一的报告仍需临床医生修正[1]。在乳腺癌筛查中，AI分诊策略将工作量减少了72.5%，但仍漏检了113例癌症中的18例（16%）——不过这一结果在统计学上不劣于双人阅片标准（后者漏检21例）[2]。淋巴瘤分割AI在83%的病例中与专家水平相当，但在其余17%的病例中，AI的偏差超出可接受范围；其中10例里有4例，AI与至少一位专家阅片者的判断仅部分一致[5]。

错误的类型同样至关重要。在一项关于AI评估牙冠制备的研究中，一个模型（Claude-3.7-Sonnet-Reasoning）与人类专家表现出极佳的一致性（组内相关系数为0.89），但其他模型的一致性从弱到无不等（GPT-4o：0.06；o3：-0.03），而两个DeepSeek模型甚至完全无法完成任务[3]。这凸显出并非所有多模态AI系统都同样可靠——性能因模型架构和任务不同而差异显著。痴呆症护理框架论文的作者认为，混合AI系统——将统计学习与明确的临床知识及临床医生监督相结合——对于弥合基准性能与现实世界安全性之间的差距至关重要[4]。在这五项研究中，一致的结论是：当AI被用作增强而非取代人类判断的工具时，其减轻工作负担的效果最佳。

关于AI与工作负载，我们还有哪些未知？

现有证据虽具前景，但范围有限。多数研究为回顾性或前瞻性单中心验证，而非涵盖不同医院和患者群体的大规模随机对照试验。其中规模最大的乳腺癌筛查研究[2]和内镜研究[1]均是在特定筛查项目（分别位于西班牙科尔多瓦和中国多家医院）中开展的——若设备、患者人口学特征或放射科医生经验水平不同，结果可能有所差异。淋巴瘤分割研究[5]仅使用了包含60例病例的公开基准数据集，样本量过小，难以广泛推广。所有研究均未直接测量临床医生的职业倦怠、每日节省时间或成本效益，仅采用了阅读时间或报告生成速度等替代指标。痴呆症护理框架论文[4]明确呼吁开展更注重实用性的评估，优先关注采纳率、安全性、公平性、工作负荷及患者结局，而非仅关注基准测试准确率。在完成此类研究之前，“人工智能能否在不增加错误的前提下减轻工作负担”这一问题的答案，仍是对特定任务的有限肯定，而非适用于所有临床场景的全面背书。

关于这些来源

该回答基于5篇经同行评审的研究——发表于2021年至2026年间，其中4篇为2024年及以后发表，2篇发表于Q1期刊，累计被引用169次——这些研究是从5篇通过质量筛选的文献中选出的最具相关性的成果，而该筛选过程则源于从超过5亿篇论文的数据库中检索到的63篇文献。

本文引用的文献

相关研究问题