人工智能不会取代放射科医生，但将彻底改变他们的工作

# 人工智能不会取代放射科医生，但将极大改变他们的工作 来源：https://arstechnica.com/health/2026/08/ai-wont-replace-radiologists-but-it-will-dramatically-change-their-jobs/ 一位开创性的人工智能科学家曾预言计算机将取代人类放射科医生。然而事实并非如此。 2016年，诺贝尔奖得主、被誉为“人工智能之父”的杰弗里·辛顿曾预言：放射科医生——即通过阅读X光片、超声波等医学影像协助诊断的医师——将在五年内被计算机取代。如今，该领域可以用马克·吐温的名言回应：关于我死亡的报道是夸大其词（https://radiologybusiness.com/topics/artificial-intelligence/ny-times-revisits-nobel-prize-winners-prediction-ai-will-render-radiologists-obsolete）。 事实上，放射科从业人数正在稳步增长，预计未来三十年内执业者数量将增加26%或更多（https://pubmed.ncbi.nlm.nih.gov/39952776/）。但辛顿对劳动力市场动态的预见性判断不应掩盖其前瞻性：他正确地指出，人类医师如今已在诊室内拥有了一位性能匹敌甚至超越自身的硅基同事。实际上，放射科已成为人工智能在医疗领域最炙手可热的应用场景，使其成为专家决策系统在医疗乃至其他领域采用的风向标。 截至2026年初，美国食品药品监督管理局批准的1400款医疗人工智能设备中（https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-enabled-medical-devices），约四分之三应用于放射科。部分系统通过草拟报告或提醒医师关注急需处理的影像来提升效率。但另一些人工智能工具则有望超越人类表现：识别肉眼不可见的异常，或以媲美甚至超越训练有素放射科医生的水平解读影像。例如，一项涵盖43项临床试验的分析（https://www.acpjournals.org/doi/10.7326/ANNALS-24-00981）表明，人工智能辅助结肠镜能发现更多息肉。 提高诊断准确率至关重要，因为目前涉及诊断影像的人类平均错误率估计在3%至5%之间，这意味着全球每年约有4000万例误诊（https://pubs.rsna.org/doi/abs/10.1148/rg.2018180021）。然而解决方案并非简单地“用机器取代人类”（https://knowablemagazine.org/content/article/society/2025/ai-jobs-economy-lessons-from-industrial-revolution）。距离辛顿那番轰动性预言十年后的今天，关键问题已不再是人与人工智能在特定任务上的统计优劣，而是如何将人工智能的技术精确性与人类的经验及灵活性相结合，为患者利益提升诊断准确率。 ## 协同工作 设计理想的协作系统（https://knowablemagazine.org/content/article/mind/2026/design-automated-systems-with-human-psychology-in-mind）并非易事。斯坦福大学医学人工智能与影像中心主任、放射科医生柯蒂斯·兰格洛茨指出：即使人工智能在解读某些影像时平均可靠性高于资深放射科医生，它仍会犯下人类不会犯的错误。这就要求放射科医生扮演评估者的角色——甄别绝大多数正确的人工智能判断，并找出算法偶尔出错的个案。 田纳西州孟菲斯市圣犹达儿童研究医院智能影像信息科主任保罗·伊医师表示：“这需要彻底重构认知模式。” 医师们已习惯于推翻计算机建议，但此次情形不同。基于规则算法的电子病历警报系统数十年来持续提醒医师注意潜在药物相互作用等风险。兰格洛茨指出，医师通常会对这类警报采取约半数的否决。“我需要结合患者所有其他信息评估计算机建议，并做出最佳决策。” 相比之下，放射科的人工智能影像分析系统多基于神经网络，能高精度识别肿瘤亚型、勾画病变边界并执行其他诊断任务。与可基于医学知识快速解读答案或提示的规则算法不同，神经网络被称为“黑箱系统”（https://www.ejradiology.com/article/S0720-048X(24)00109-8/fulltext）。这类人工智能模型通常不揭示决策过程，使得放射科医生否决其结论的判断过程更为隐晦。 北美放射学会期刊《Radiology: Artificial Intelligence》主编查尔斯·卡恩博士质疑：“这究竟是真实异常，还是我遗漏了人工智能通过其微妙机制识别的内容？这确实对我们构成挑战。” ## 否决权 兰格洛茨以理论场景为例：某人工智能工具能检出胸部CT中95%的肺结节，而放射科医生的检出率约为90%。“有人会说‘既然人工智能优于放射科医生，就该用人工智能完全取代人类’。”他反驳道，“但我必须指出，放射科医生能检出那5%中被机器遗漏的部分。这是因为机器智能与人类智能属于不同范畴。” 人工智能可以无疲劳、无干扰地检视影像每个像素，并与数据库中所有历史影像进行比对。而放射科医生则凭借对疾病的理解，以人工智能无法实现的方式解读影像。 马赛克临床科技公司首席医疗人工智能官妮娜·科特勒提出关键问题：“如何确保当人工智能与放射科医生产生不同判断时，医生能百分百采纳正确的人工智能结论，并完全否决错误建议？这绝非易事，但存在可行方法。” 全球放射科医生正在探索与人工智能的最优协作模式，力求让医生与患者共同受益。这种协作需要克服无意识偏见（https://www.annualreviews.org/content/journals/10.1146/annurev-biodatasci-103123-095824），避免医师过度依赖（https://journals.sagepub.com/doi/abs/10.1177/0018720810376055）或不恰当地排斥人工智能反馈。为实现系统最优运作，放射科医生既要理解人工智能的整体可靠性，又需保持发现其错误的能力。 兰格洛茨强调：“了解这些系统的基本工作原理确实有帮助，能让你更清楚算法何时可能误导判断。” 当人类或机器在医学影像解读中出现是非判断错误时，存在两种误判可能：假阴性（漏诊疾病）与假阳性（误诊疾病）。 对于罕见病（多数疾病相对罕见），任何诊断工具都容易产生大量假阳性——仅因它接触了大量无病人群，从而有更多机会发出错误警报。医生需要能识别并否决这些假阳性，同时正确把握机器相对罕见的正确诊断。过度信赖机器结果（无论阳性或阴性）被称为自动化偏见。 但同样需要警惕假阴性。例如人工智能系统可能漏诊CT或MRI影像中实际存在的脑部出血。对此类疏漏的轻信被称为自动化自满。 科特勒指出：“这两类问题都是人工智能在未被察觉的情况下改变了放射科医生的怀疑阈值。”久而久之，人们可能过度信任人工智能的答案。研究显示，即使是经验丰富的放射科医生，在人工智能错误预测的影响下，其乳腺影像诊断（https://pubs.rsna.org/doi/10.1148/radiol.222176）准确率也会显著下降。 另一方面，对人工智能的不信任感则更符合直觉。许多人自然会对新技术持怀疑态度——尤其当这种技术被指责可能抢夺工作时——除非其价值得到证实。而本就可靠的人工智能系统偶尔犯下与人类截然不同的明显错误，更强化了这种怀疑。“当你看到愚蠢的错误、可笑的假阳性时，自然会想‘人工智能果然不智能’，并可能直接无视其建议。”科特勒说。 她建议通过长期监测放射科医生与其人工智能同事的共识分歧程度，并在出现极端倾向时进行干预。“如果放射科医生99次都接受人工智能结果，而我们知其准确率仅95%，就会与该医生沟通。”科特勒指出。 但她强调，简单告知放射科医生“某人工智能工具准确率95%”远远不够。必须通过培训使医生明确何时、关注何种问题。例如需知道当患者在扫描仪中移动时，特定人工智能工具可能产生30%的误判。然而2026年美国医学会调查显示，超过四分之一的受访医师（https://www.ama-assn.org/system/files/physician-ai-sentiment-report.pdf）表示未接受过人工智能培训，仅11%称接受了充分培训。 科特勒还主张人工智能工具应为每次评估提供置信度估计，而非简单的肯定/否定回复——毕竟放射科医生不可能精通所有人工智能系统的运作机理。而这些系统的数量和复杂度还将持续增长。 兰格洛茨总结道：“我们刚刚开始理解如何优化人机协作系统。”他补充强调，放射科医生当前最需铭记的，正如十年前反驳人工智能之父时的论断：并非人工智能将取代放射科医生，而是**使用人工智能的放射科医生将取代不使用人工智能的同行**（https://pmc.ncbi.nlm.nih.gov/articles/PMC8017417/）。 *本文最初发表于《Knowable Magazine》，原文请见此处（https://knowablemagazine.org/content/article/health-disease/2026/ai-wont-replace-radiologists-but-will-change-their-jobs）。* Knowable Magazine图片（https://arstechnica.com/author/knowable/） Knowable Magazine通过新闻视角探索学术研究的现实意义。 27条评论（https://arstechnica.com/health/2026/08/ai-wont-replace-radiologists-but-it-will-dramatically-change-their-jobs/#comments） 1. 热门文章首篇配图：利用不可听声纹识别浏览器技术令速卖通现出原形（https://arstechnica.com/security/2026/08/aliexpress-caught-fingerprinting-visitors-after-sending-inaudible-sounds-to-browsers/）