问题——从“能否替代”到“如何不出事” 2026年欧洲放射学大会（ECR 2026）上，医学影像智能有关议题热度不减。据会议统计，带有相关标签的专场占比接近四分之一。不同于前些年围绕“技术是否进入科室”的争论，今年更多讨论集中在一个更现实的问题：当系统在真实临床环境出现误判时，医院如何识别、解释并纠正；当误判与医生判断产生耦合时，风险将如何扩散。 原因——隐患往往早于算法出现：数据、环境与“错误线索” 多位专家认为，许多问题并非发生在模型部署之后，而是从训练数据开始累积。医学影像数据公司Segmed联合创始人马丁·威廉明克指出，数据质量不仅指图像清晰度，更关键的是覆盖面与代表性。现实医疗环境差异显著：不同医院设备厂商与成像参数不一，噪声与伪影普遍存在；患者在人种、年龄、性别及地域分布上差别明显。若训练数据主要来自“理想条件”和少数地区，模型往往只能在相似场景表现稳定，一旦跨医院、跨区域使用，性能可能下降。 相关研究提示，早期部分提交监管审批的模型训练数据过度集中于少数州或单一医疗体系，这意味着模型在其他地区或不同人群中的可靠性缺乏充分证据支撑。更需警惕的是，模型可能学习到与疾病无关的“捷径”：将医院标志、设备特征、甚至操作痕迹与某类诊断结果建立关联，形成表面正确但逻辑失真的推断路径。一旦数据分布变化，这类“捷径”就可能转化为系统性误差。 影响——人机协同的“同向偏差”更危险：注意力被重塑、漏诊风险上升 来自荷兰莱顿大学医学中心的研究者穆罕默德·侯赛因·梅赫里兹从认知角度分析指出，医生阅片并非简单“看见即判断”，而是依托知识结构形成“医学凝视”，在聚焦异常、扫描全片与自我监控之间动态分配注意力。智能提示往往将视觉资源拉向被标记区域，强化对单点异常的聚焦，却可能压缩对其他区域的扫描与复核。 眼动追踪研究显示，不同医生对提示的依赖程度差异较大：有人倾向跟随提示，有人选择忽略提示继续独立观察，也有人会刻意检查未被标记区域。梅赫里兹强调，风险并不只来自“过度依赖”或“完全无视”，最值得警惕的是人机在同一处同时产生偏差：当系统与医生都把注意力锁定在某个疑似异常上，其他潜在病灶更容易被忽略，漏诊和延误诊疗的概率随之上升。 对策——从数据治理到临床闭环：把“安全”纳入全生命周期 与会人士普遍认为，影像智能进入临床后，必须以安全为先，建立覆盖研发、验证、部署与监测的闭环管理。 一是前置数据审查与治理。开发阶段需主动核查训练集来源、族群结构与设备构成，补足不同地区、不同医疗机构与不同人群的代表性，减少偏差输入；同时强化数据标注规范与一致性控制，降低“标注漂移”对模型的长期影响。 二是开展贴近真实场景的外部验证。除内部测试外，应在多中心、跨设备、跨人群条件下进行评估，明确模型适用边界与不确定性提示，避免“一次训练、到处通用”的误区。 三是把“人因工程”纳入系统设计。提示方式、阈值设置、交互逻辑应支持医生进行二次复核与全片扫描，避免提示过强导致注意力被单点牵引；同时通过培训与流程设计，形成“先独立判断、后参考提示、再全片复核”的工作范式。 四是建立上线后的持续监测与追溯机制。通过质量指标、误差报告与病例复盘，及时发现性能漂移与特定人群误差，必要时采取回滚、限用或再训练，确保风险可控。 前景——从“技术竞赛”走向“治理竞赛”，临床价值取决于可解释与可验证 专家认为，影像智能的真正价值不在于展示单点指标，而在于能否稳定提升临床效率与一致性，并在复杂环境下保持可解释、可验证、可纠偏。未来竞争焦点将从模型本身扩展到数据生态、评估体系与临床治理能力：谁能更透明地说明适用范围、更系统地管理偏差、更快速地处置漂移，谁就更可能赢得临床信任。
AI进入临床不仅带来效率变革，更重塑着医疗决策体系；欧洲放射学界的讨论表明，技术成熟度不仅依赖算法进步，更需要完善的质量控制和伦理框架。在容错率极低的医疗领域，我们最终需要的不仅是智能机器，更是可靠的人机协作生态。