The Impact of AI Assistance on Radiology Reporting: A Pilot Study Using Simulated AI Draft Reports

放射科医生面临着日益增长的工作量压力，影像检查数量不断增加，导致出现职业倦怠和报告延迟的风险。虽然基于人工智能（AI）的自动放射学报告生成在优化报告流程方面显示出潜力，但其对临床准确性和效率的实际影响证据仍然有限。本研究通过进行一项三名阅片者参与的多病例研究，比较了标准工作流程与AI辅助工作流程对放射学报告流程的影响。在两种工作流程中，放射科医生都需要审查病例，并修改标准模板（标准工作流程）或AI生成的初稿报告（AI辅助工作流程），以创建最终报告。为了进行控制评估，我们使用GPT-4生成模拟的AI初稿，并在一半的病例中故意引入1-3个错误，以模拟真实AI系统的性能。结果表明，AI辅助工作流程将平均报告时间从573秒显著减少到435秒（p=0.003），且两种工作流程之间在临床上显著的错误率上没有统计学差异。这些发现表明，AI生成的初稿可以有意义地加速放射学报告流程，同时保持诊断准确性，为应对临床实践中日益增加的工作量挑战提供了一种实用的解决方案。

该论文旨在解决放射科医生因影像检查量增加而面临的日益增长的工作压力问题，包括职业倦怠和报告延迟的风险。此外，论文还评估了基于AI的自动放射学报告生成对临床准确性和效率的实际影响。

论文的关键思路是通过引入AI生成的初稿来优化放射学报告的工作流程。与传统的工作流程相比，AI辅助的工作流程允许放射科医生在AI生成的初稿基础上进行修改，从而加速报告过程。这一方法不仅显著减少了报告时间，而且没有降低诊断准确性。

实验设计包括三个放射科医生参与的多案例研究，比较了标准工作流程和AI辅助工作流程。为了控制变量，使用GPT-4生成模拟AI初稿，并在一半的案例中故意引入1-3个错误以模拟实际AI系统的性能。结果显示，AI辅助工作流程将平均报告时间从573秒减少到435秒（p=0.003），且在临床显著错误方面没有统计学差异。这些发现表明，AI生成的初稿可以在保持诊断准确性的同时显著加速报告流程。

近年来，关于AI在医疗影像中的应用研究非常活跃。例如，《Deep Learning for Computer-Aided Diagnosis in Medical Imaging: A Survey》综述了深度学习在医学影像计算机辅助诊断中的应用；《Automated Radiology Report Generation Using Deep Learning: A Systematic Review》系统回顾了使用深度学习自动生成放射学报告的研究进展；《Evaluation of Deep Learning Models for Automated Detection of Abnormalities in Chest X-rays》评估了深度学习模型在胸部X光片异常检测中的表现。