AI革命下的放射科医生：年薪52万美元的真相，AI没有“干掉”放射科医生

摘要: 尽管人工智能在医学影像领域的应用日益广泛，但放射科医生的需求量却达到了历史新高。本文探讨了这一悖论背后的原因，分析了AI在放射学应用中面临的挑战，以及人类医生在诊断、与患者沟通和处理复杂病例方面的独特优势。文章指出，AI在放射学领域的应用并非简单的替代，而是与人类医生相互协作，提高效率和诊断准确性的过程。

随着人工智能（AI）技术的快速发展，许多行业都面临着被自动化取代的担忧。然而，在医学影像领域，尽管AI模型的准确性和速度不断提高，但放射科医生的需求却达到了历史新高 。 这篇文章探讨了这一看似矛盾的现象，并分析了AI在放射学应用中面临的挑战，以及人类医生在诊断、与患者沟通和处理复杂病例方面的独特优势。

AI在放射学中的应用：现状与挑战

AI在放射学领域的主要应用是辅助诊断，即通过分析医学影像（如X光片、CT扫描和MRI）来检测疾病或异常情况。最早的AI模型，如CheXNet，能够以比普通放射科医生更高的准确率检测肺炎 。 随后，像Annalise.ai、Lunit、Aidoc和Qure.ai等公司推出了能够检测数百种疾病的AI模型，这些模型在基准测试中表现出比人类放射科医生更高的准确性和速度 。 有些产品甚至可以重新排列放射科医生的工作列表，优先处理危急病例，为医疗团队提供下一步的建议，或者生成符合医院记录系统的结构化草稿报告 。 甚至，一些模型，如IDx-DR，已经被批准在没有医生阅读图像的情况下使用 。 截至目前，已有超过700个FDA批准的放射学模型，约占所有医疗AI设备的三分之二 。

然而，尽管AI在某些方面表现出色，但在实际应用中，它仍然面临着诸多挑战：

1. 性能差异： 尽管AI模型在标准测试中表现出色，但在医院的实际操作中，其性能往往无法复制。 许多工具只能诊断在训练数据中常见的异常情况，并且在测试条件之外的效果不佳 ​。
2. 法律和监管限制： 监管机构和医疗保险公司对于批准或覆盖完全自主的放射学模型持谨慎态度 ​。
3. 工作范围有限： AI模型目前主要用于诊断，但放射科医生的大部分时间都花在其他活动上，如与患者和临床医生沟通 ​。
4. 模型泛化能力不足： 许多模型在一个医院训练后，在其他医院的表现会下降，这主要是由于医院之间的数据记录和设备存在差异 ​。
5. 数据集的局限性： 训练数据集通常具有严格的纳入标准，这使得模型倾向于在最简单的病例上表现出色，而在现实世界中的复杂病例上表现不佳 ​。
6. 偏差问题： 训练数据集可能缺乏儿童、妇女和少数族裔的病例，这使得模型在这些人群中的表现通常较差 ​。

放射科医生需求量高的原因

尽管AI在放射学领域取得了显著进展，但对人类放射科医生的需求却持续增长。 2025年，美国的放射诊断住院医师项目提供了创纪录的1,208个职位，比2024年增加了4%，而且该领域的空缺率也达到了历史新高 。 放射学在2025年是该国收入第二高的医学专业，平均收入为52万美元，比2015年的平均工资高出48%以上 。

这主要有以下三个原因：

• 诊断不仅仅是检测： 放射科医生不仅需要诊断，还需要与患者沟通，解释诊断结果，并与其他医生协作。 这些是AI目前无法完全胜任的任务 ​。
• 法律和监管的限制： 监管机构和医疗保险公司尚未批准或覆盖完全自主的AI放射学模型。 这意味着人类医生仍然需要参与诊断过程 ​。
• AI仅替代了部分工作： 即使AI能够准确诊断，它也只能替代放射科医生工作的一小部分。 放射科医生的大部分时间用于诊断以外的活动，如与患者和临床医生沟通 ​。

AI与人类医生的协同

AI在放射学领域的未来，并非是取代人类医生，而是与人类医生协同工作，提高效率和诊断准确性。 AI可以辅助医生完成重复性、标准化的任务，例如检测肺部结节或骨折，从而为医生节省时间和精力 。 这使得医生能够将更多时间用于更复杂的病例，与患者沟通，并与其他医生协作 。

计算机辅助诊断的经验教训

20世纪90年代，计算机辅助诊断（CAD）系统被开发用于筛查乳腺X光检查，以寻找乳腺癌。 在试验中，人类和CAD系统的结合在评估乳房X光检查方面的准确性优于单独的人类 。 美国政府为使用该技术的放射科医生支付了额外的费用； 到2010年，大约74%的乳房X光检查是由计算机辅助诊断与临床医生一起阅读的 。

然而，CAD的结果令人失望。 研究表明，CAD增加了图像被标记的数量，导致临床医生进行更多的活检，但并未发现更多的癌症 。 许多临床研究得出了类似的结论 。 这表明，在临床实践中，医生可能会过度依赖辅助AI工具，这与在实验室研究或其他受控实验中的行为不同 。

结论

AI在放射学领域的发展是一个复杂的过程，它既带来了机遇，也带来了挑战。 虽然AI在诊断方面取得了显著进展，但它无法完全取代人类医生。 放射科医生需要具备诊断、与患者沟通和处理复杂病例的能力，而这些能力是AI目前无法完全胜任的。

放射学领域的经验表明，AI的应用需要适应社会，并且受到社会规则的约束 。 AI的进步不一定会在其推广的最初几年内主导每个领域 。 充分利用AI的益处将涉及将其应用于社会，并将社会的规则应用于AI 。

在许多工作中，任务是多样化的，风险很高，并且需求具有弹性。 在这种情况下，我们应该期望软件最初会带来更多的人类工作，而不是更少 。 来自放射学模型的十年的经验教训既不是对产出增加的乐观，也不是对替代的恐惧。 模型可以提高生产力，但其实施取决于行为、机构和激励措施 。 目前，悖论依然存在：机器越好，放射科医生就越忙 。

图片

本文转载自​​知识图谱科技​​，作者：Wolfgang