胸片 X-ray 研究地图

从弱标签基准、视觉语言模型到真实临床效益的可审计全景

完整文字版综述： 本 README 已直接收录领域全貌、综合报告、检索与证据审计，以及全部 48 项工作的逐篇解读。无需打开网页即可阅读全部研究内容；在线地图仅提供可选的可视化筛选与机制图。

在线地图 · 结构化真源 · 原始综合报告 · 原始检索审计

阅读导航

1. 研究全貌
2. 路线与层级
3. 综合报告
4. 全部研究工作
5. 检索与证据审计
6. 复现与使用边界

研究全貌

领域概览： 胸片人工智能已经从单机构弱标签分类，推进到跨数据图文预训练、开放基础模型、专家报告评价和少量前瞻研究；但真正制约临床价值的仍是参考标准、分布偏移、捷径与公平、细微和长尾病灶、报告事实性以及工作流结局。阅读地图时应同时看主要路线和证据阶段：同一技术路线的内部高分不等于跨院稳健，更不等于患者获益。

研究领域： 胸部X线计算分析与临床转化

核心判断： 领域的主要矛盾已经从“能否识别常见异常”转为“能否在目标人群、目标工作流和持续监测下产生可复现净效益”。

阅读建议： 研究设计应优先建设跨机构、纵向、多读者且包含失败样本的验证体系，并把模型定位为可审计的人机协作组件；部署决策需使用目标场景阈值、亚组与校准审计以及前瞻结局。

范围与纳排边界： 覆盖截至 2026-08-11 的成人与儿科胸部X线数据、算法、评价和部署证据；正式同行评议与官方材料优先，重要预印本单列。排除胸部 CT、乳腺摄影、无胸片直接验证的通用模型和单纯疾病流行病学。地图按证据饱和而非穷尽全部论文构建，长尾病种、非英文数据库和未公开商业验证仍有遗漏风险。

覆盖说明： L2：47 条可复跑查询、75 个唯一筛选项、48 条正式论文或官方记录、34 条主张审计和 31 个核心项的双向引用追踪均已完成；两轮扩展新增率低于 5% 且没有产生新路线。该等级只表示冻结范围内的覆盖饱和，不代表系统综述或穷尽全部文献。

目标读者： 医学影像、医学人工智能与临床转化研究人员

来源材料： 正式会刊与 DOI、PubMed/PMC、PhysioNet/官方数据页、WHO/FDA/ACR 官方材料、作者项目与代码；搜索结果页仅用于发现。

地图中心标签： 胸片证据图

内容语言： zh-CN

维度	数值
纳入成果	48 项
年份范围	2017—2026
研究路线	7 条
分析层级	4 个
覆盖等级	L2
资料截止	2026-08-11
第二轴	证据成熟度与部署阶段

路线与层级

路线（ID）	收录	判定问题	说明
数据资源、标注与表征学习 / 数据与表征（data-labels）	5	这项工作的首要贡献是否是数据、标签、分割资源或可迁移表征，而非某个最终临床任务？	把临床影像与报告转化为可训练、可比较的资源，并降低专家标注需求；包括弱标签、专家标注、自监督和数据治理。
判别诊断、分诊与预后 / 判别与预后（diagnosis）	3	它的主要输出是否是图像级诊断、分诊或预后判断？	从胸片输出疾病/异常概率、正常与否、紧急程度或风险结局，覆盖单病种和多病种模型。
病灶定位、分割与结构化分析 / 定位与结构（localization）	3	它是否把像素、病灶、解剖区域或时间变化的精确结构作为主要研究对象？	输出框、掩膜、关键点、解剖关系或纵向变化，使异常判断与空间证据对齐。
报告生成、理解与评价 / 报告与评价（reporting）	6	它的首要贡献是否围绕报告文本的生成、抽取、事实性或临床评价？	生成或结构化胸片报告，并用实体关系、临床错误和专家审阅取代单纯词面相似度。
多模态与基础模型 / 基础模型（foundation）	8	它是否以广泛迁移、开放任务或多模态通用能力而非单一任务为主要目标？	通过大规模图像、报告和异质标签预训练，支持零样本、少样本、多任务、生成或可审计概念推理。
可靠性、公平与外部验证 / 可靠性与公平（reliability）	13	它的首要目的是否是揭示、量化或缓解模型失败与不公平，而非刷新任务性能？	审计标签噪声、域偏移、捷径、隐私、校准、亚组差异和解释方法能否真实反映模型边界。
临床工作流、人机协作与部署 / 临床部署（deployment）	10	研究是否直接改变真实或逼真临床工作流，并观察人机系统而非孤立模型？	把算法嵌入读片、分诊、筛查和报告流程，并评价读者、时间、转诊、监管或患者相关结局。

层级	说明
资源或内部回顾性验证 / E1 内部（0）	数据/标准定义、同源划分、内部回顾性基准或只证明方法可行；不能推断跨机构或临床效益。
跨数据集或独立外部验证 / E2 外部（1）	在未参与开发的机构、国家、人群或时间段评价，或专门审计分布偏移与亚组；仍不等同工作流收益。
人机比较或工作流模拟 / E3 人机（2）	包含读者研究、专家错误审阅、仿真队列或静默运行，直接评价人机交互但未完全改变临床照护。
前瞻部署、临床结局或官方采用 / E4 部署（3）	前瞻随机/务实试验、真实多中心部署、患者或流程结局，或限定适应证的官方政策/监管采用。

综合报告

胸片 X-ray 研究现状与难点：从弱标签基准到临床净效益

检索截止：2026-08-11。本文是研究地图的综合叙事，不是系统综述、荟萃分析或临床指南。文中 E1–E4 是本项目用于组织证据的成熟度分层，不代表论文质量评分。

核心结论

胸部X线人工智能已经完成了三次明显转向：从单病种、单机构的弱监督分类，转向跨数据集验证和结构化定位；再转向图文预训练、报告生成与基础模型；最近则开始用前瞻试验、静默运行和真实工作流检验实际价值。研究能力的边界因此变得更清楚：常见异常的回顾性识别已相对成熟，但“高分模型”并不自动成为“可靠系统”，更不能自动推出患者获益。

当前最稳妥的总体判断是：

1. 方法学进步真实存在。 大规模图像—报告资源、解剖结构标注、图文对比学习和多任务预训练显著降低了部分任务的标注成本，并扩展了零样本、少样本、定位和文本生成能力。
2. 临床收益高度依赖任务与工作流。 2023 年一项肺结节筛查随机试验提高了可行动结节检出率，而另一项急诊务实随机试验没有改善目标敏感度、假阳性率或下游照护指标；两者不是简单矛盾，而是说明适应证、阈值、读者、工作流和结局定义共同决定净效益。
3. 全领域证据呈倒金字塔。 E1 内部回顾性研究最多，E2 外部验证次之，E3 人机或静默研究明显较少，E4 前瞻部署、随机试验和官方限定采用仍稀缺。现有证据不足以支持通用、自主胸片诊断或自主报告替代。这里描述的是全领域的证据结构，不是由本地图内条目比例直接估计。
4. 主要瓶颈已经从“能否识别”转向“能否治理”。 参考标准误差、跨院偏移、捷径、亚组漏诊、校准、细微和长尾病灶、报告事实性、既往片利用、隐私、故障升级以及持续监测，决定了模型能否成为安全的工作流组件。

范围合同

本研究回答的问题是：胸片计算分析与临床转化的发展全貌、主要技术路线、证据边界、代表性工作和可证伪难点是什么？ 目标读者为具备医学影像或机器学习基础的研究人员与专业读者。

纳入对象包括成人与儿科正位、前后位、侧位和床旁便携式胸部X线图像，以及配套报告和必要临床上下文；纳入任务包括数据与标注、质量控制、诊断与分诊、检测与分割、报告生成与理解、图文预训练与基础模型、可靠性、公平性、人机协作和部署。证据场景覆盖研究基准、跨机构外部验证、急诊、住院、筛查和低资源环境，时间范围为奠基工作至 2026-08-11。

优先使用正式期刊或会议论文、PubMed/PMC、PhysioNet 和数据集官方页，以及世界卫生组织等官方材料。最终地图纳入 48 条正式或官方记录，其中 47 条为同行评议论文、数据集或基准，1 条为世界卫生组织正式政策；预印本只用于发现和核对版本族，不作为最终条目重复计数。排除胸部 CT、乳腺摄影、没有胸片直接实验的通用方法、与计算分析无直接关系的纯成像物理、无法核验一手入口的转述、营销材料和同一工作的重复版本。

“全面”在这里采用操作性定义：覆盖七类查询家族、主要来源角色、路线关键位置、反证与负面结果，并以连续两轮扩展检索均未出现新一级路线且边际新增率低于 5% 作为收敛依据；它不意味着穷尽所有疾病、地区、语言和商业产品。

研究地图：七条路线与 E1–E4 证据轴

七条主要路线按论文的首要研究问题互斥归类，跨路线关系保留为辅助标签：

1. 数据资源、标注与表征学习；
2. 判别诊断、分诊与预后；
3. 病灶定位、分割与结构化分析；
4. 报告生成、理解与评价；
5. 多模态与基础模型；
6. 可靠性、公平与外部验证；
7. 临床工作流、人机协作与部署。

第二轴描述证据离临床使用有多远，而不是模型规模或论文声望：

• E1：资源或内部回顾性验证。 数据或标准定义、同源划分、内部回顾性基准，或只证明方法可行；不能推断跨机构表现或临床效益。
• E2：跨数据集或独立外部验证。 在未参与开发的机构、国家、人群或时间段评价，或专门审计分布偏移与亚组；仍不等同工作流收益。
• E3：人机比较或工作流模拟。 包含读者研究、专家错误审阅、仿真队列或静默运行，直接评价人机交互，但未完全改变临床照护。
• E4：前瞻部署、临床结局或官方采用。 包含前瞻随机或务实试验、真实多中心部署、患者或流程结局，或限定适应证的官方政策或监管采用。

这一分层刻意把“大规模回顾性”“跨院测试”“读者比较”和“临床有效”分开。例如，模型在外院获得高 AUC 属于 E2；如果只进行离线读者实验，至多属于 E3；只有真实前瞻工作流或明确官方适应证才进入 E4。E4 也不必然表示正结果：一项严谨的无效随机试验，证据成熟度仍高于一项内部高分研究。

48 条地图记录中，E1、E2、E3、E4 分别为 10、20、12、6 条。这个构成服务于路线覆盖和决策价值：地图主动过采样跨域验证、负面结果、人机研究和部署证据，因此不能把条目计数当作全领域文献数量分布，也不能据此估计总体阳性率。

发展时间线

2017–2019：弱标签规模化与专家比较叙事

ChestX-ray8 以报告文本挖掘建立十万量级公开资源，推动了弱监督多标签分类。随后，CheXpert 显式建模不确定标签并设置多读者测试集，MIMIC-CXR 开放大规模影像—报告对。这一阶段解决了“没有足够公开数据”的一部分问题，也开始以专家比较组织模型评价，却把报告抽取误差、未提及即阴性和单中心采集偏差带进了模型。

同一早期阶段已经出现重要张力：CheXpert 在五项选定任务上设置专家比较，但Zech 等发现肺炎模型跨医院明显退化，且模型几乎可以直接识别医院来源。二者合读比单独引用“专家比较”或“外部退化”都更接近领域真实边界。

2020–2022：外部验证、结构化语义与捷径审计

PadChest 和 VinDr-CXR 扩展了语言、地区和专家标注来源；Chest ImaGenome 用解剖位置、属性和关系支持结构化推理。报告路线从词面指标转向临床实体与关系：CheXbert 提供报告标签器，RadGraph 建立放射学实体关系图。

可靠性研究同时改变了“外部验证”的含义。Roberts 等 对 COVID-19 胸片模型的系统性审视指出设计和报告缺陷普遍存在；DeGrave 等 证明模型可能依赖边缘、标记、投照方式等捷径，并警示即使独立数据也未必排除跨域稳定的错误特征。公平研究则显示服务不足人群可能承受选择性漏诊，胸片还能编码人类难以辨认的自报种族信息。

2022–2024：图文预训练、基础模型与公平泛化

CheXzero 展示了从自然语言监督中获得零样本分类能力；KAD 把知识增强引入图文预训练。研究目标从固定标签集合扩展到少样本、多任务和开放词汇，但“开放能力”也增加了验证空间：提示模板、疾病同义词、外部数据和任务选择都会改变结果。

这一时期的公平研究进一步表明，单个数据集上的公平优化不具备自动可迁移性。跨六个全球胸片数据集的研究 发现，多种公平干预在分布变化下难以稳定保持；这使“公平已解决”成为必须通过新机构、新时间段和交叉亚组重新检验的主张。

2023–2026：工作流试验、生成式报告与可审计模型

临床证据开始出现分化。肺结节筛查随机试验提高可行动结节检出，而急诊务实随机试验未改善目标敏感度、假阳性率或下游指标。生成式路线也从演示能力转向专家错误审阅：LLaVA-Rad 表明小型多模态模型可以生成和对话，但严格意义上的完全无错误报告比例仍很低；Flamingo-CXR 人机研究 显示部分场景下专家偏好或接受模型报告，同时也记录了不可忽略的临床显著错误。

2025–2026 年，数据与表征前沿同步推进。EVA-X 用约 52 万张无标签正位片进行纯图像自监督预训练，并在 11 项分类、定位、分割和少样本任务上迁移；这些仍是公开基准上的 E2 证据，不是临床部署。TAIX-Ray 发布 215,381 张床旁胸片，涉及 47,724 名重症监护患者，并在日常报告中采集分项、侧别和五级严重度；但它是德国单院回顾性资源，属于 E1，不能因标签在临床流程中采集就视为前瞻算法验证。Ark+ 强调开放、异质专家标签与广泛迁移，CLEAR 尝试把预测分解为可审计临床概念贡献。

真实工作流研究则给出三个边界不同的答案。Storey 等的正常片静默试验在英国五个站点连续运行 12 个月，分析 63,083 例成人胸片；专家复核发现 31 个临床重要漏诊和 412 个自然语言处理标签错误，且模型与报告均判正常者只占 18.5%。它支持上线前失败分析，但因没有改变照护，只属于 E3，不能支持自动放行。LungIMPACT 随机试验在 93,326 例初级保健胸片中发现，队列优先排序没有缩短 CT、确诊、转诊或治疗路径；两组阅片者均可见人工智能结果，因此阴性结论只针对被随机化的排序功能，不能外推为所有辅助阅片无效。Janus-Pro-CXR 在三家医院前瞻纳入 296 名患者，辅助初级医师后报告质量提高、书写时间缩短 18.3%；但研究主要限于无需历史片或侧位比较的正位片，没有患者处置或长期结局，定位仍是可编辑初稿工具而非自主报告。

七条路线的研究现状与难点

1. 数据资源、标注与表征学习

现状。 数据路线已从报告自动抽取的图像级弱标签，扩展到不确定标签、多读者框/掩膜、解剖场景图、纵向比较和图像—报告配对。ChestX-ray8、CheXpert 与 MIMIC-CXR 构成大规模训练基础，VinDr-CXR 提供多读者病灶框，CheXmask进一步为多套公开数据提供解剖分割。最新资源开始针对长期被通用数据集弱化的床旁场景：TAIX-Ray直接采集结构化分项和严重度标签，但其单院、回顾性和单次检查主要由临床报告者标注的性质仍需保留。表征侧的 EVA-X说明纯图像自监督可以同时服务语义与几何任务；它减少预训练标签依赖，却没有消除公开数据复用和跨院验证问题。

尚未解决。 规模不能修复参考标准。报告标签常受未提及、否定范围、历史信息和报告风格影响；同一影像可有多个合理观察层级，多读者共识也不是绝对真值。公开数据集中重症、便携式片和特定机构流程往往过度代表，而儿科、低资源、少数设备和长尾病种不足。患者级去重、跨版本泄漏、时间切分和标签生成链路仍需逐项审计。

研究判断。 下一代数据集的价值不应只由样本量决定，而应由跨机构代表性、纵向既往片、多读者不确定性、失败样本、采集元数据和可追溯参考标准共同决定。该路线的多数证据仍位于 E1；只有跨源验证或专门偏移审计进入 E2。

2. 判别诊断、分诊与预后

现状。 单病种肺炎、气胸、肺结节和结核筛查逐步扩展到多异常分类、正常片识别、紧急程度和预后。特定高对比、定义相对明确的任务可获得高回顾性性能；例如气胸分诊和结核筛查具备清楚的操作目标。多国多数据研究扩大了疾病集合，但跨数据结果仍随病种、患病率和参考标准显著变化。

尚未解决。 AUC 掩盖阈值、阳性预测值、工作量和漏诊代价；病种标签集合不统一，宏平均可掩盖细微、罕见但高危病灶。正常片自动放行尤其要求极低的关键漏诊率，而不仅是总体敏感度。预后模型还易混入治疗、住院流程和设备选择等非疾病因果信号。

研究判断。 判别模型应按单一可执行任务、目标患病率和目标阈值验证。对“读者水平”的判断至少需要病例谱控制、多读者与多阅片模式、外院测试和错误类型分析；即便满足这些条件，也只能支持 E2–E3 层面的比较，不能直接支持自主诊断。

3. 病灶定位、分割与结构化分析

现状。 该路线从分类热图和弱监督框，发展到多读者病灶框、肺/心影/纵隔分割、解剖区域属性和纵向关系。结构化输出有两类价值：一是为分类和报告提供空间约束，二是让临床人员检查“模型看到了哪里”。CheXlocalize 所关联的基准研究 系统比较显著性方法，表明常用解释图与真实病灶定位之间并不稳定一致。

尚未解决。 病灶边界本身可能模糊，多读者框差异很大；像素重叠指标不等同诊断充分性。显著性图可在分类正确时指向错误区域，也可能因后处理看似合理。侧位片、遮挡病灶、导管器械、弥漫性改变和纵向微小变化仍缺少均衡基准。

研究判断。 定位证据应以独立专家标注、读者一致性范围和病灶级敏感度为核心，并检验定位错误是否预测临床错误。可视化只能作为审计线索，不应被当作安全保证。

4. 报告生成、理解与评价

现状。 R2Gen代表记忆驱动的端到端报告生成，Miura 等则把事实完整性和一致性直接写入训练目标。评价随后从 BLEU、ROUGE 等词面相似度转向 CheXbert 标签、RadGraph 实体关系、临床错误类别和专家偏好；ReXVal/RadCliQ 研究以六名放射科医师对 200 组报告逐类计错为锚，同时证明检索报告可能在某些自动指标上超过生成模型，反证单一指标排名等同临床进步。

尚未解决。 文本相似不等于临床正确：模型可生成措辞流畅但方向、位置、程度或比较关系错误的报告。训练报告还包含模板偏好、临床上下文和历史片信息，而仅看当前正位片的模型无法可靠恢复这些内容。常见正常措辞容易抬高平均指标，罕见危急错误却可能被稀释；以另一个语言模型作裁判又带来裁判偏差和版本漂移。

研究判断。 自动报告的最低评价单元应是“临床可行动错误”，并分别报告遗漏、虚构、位置/侧别、严重度、比较和器械错误。生成模型当前更适合作为初稿、结构化检查或检索接口，最终报告仍需可追责的专业人员审核。

5. 多模态与基础模型

现状。 ConVIRT、BioViL、CheXzero 和 KAD 通过图文对齐学习全局与局部语义，推动零样本和少样本迁移；EVA-X 则展示不依赖配对报告的纯图像自监督路线。LLaVA-Rad 等生成模型加入问答和报告能力；Ark+ 使用异质专家标签构建开放基础模型，CLEAR 把可审计概念作为核心设计目标。研究焦点已从“一个模型对应一个标签集”转向统一表征、开放词汇和多任务适配。

尚未解决。 “基础”不意味着“普适”。不同研究选择的数据、提示、下游任务和调参预算不同，横向比较常不公平。模型可能记忆机构风格、患者身份或报告模板；生成能力扩大了错误空间。大模型的算力、版本、闭源数据和重复验证成本也使本地治理变难。零样本标签缺乏目标机构阈值与校准，不能直接转为临床决策。

研究判断。 基础模型应接受统一的冻结协议：公开训练谱系、患者级泄漏检查、跨国/跨设备外测、少样本预算匹配、提示敏感性、校准、亚组、隐私和临床错误审计。模型规模和任务数量不能替代这些证据。

6. 可靠性、公平与外部验证

现状。 该路线已从简单跨院 AUC 比较，扩展到标签噪声、医院来源、采集参数、捷径、校准、亚组漏诊、种族表征、隐私重识别和公平迁移。研究反复表明，模型可利用与目标相关但不可移植的代理特征；本地重新校准能够改善概率可信度，却不能自动修复表征和因果问题。

儿科与低资源证据尤其揭示边界：一项美国数据训练的儿科肺炎模型在内部测试表现较高，但在尼日利亚外部队列明显下降，说明年龄、地区、病原谱、设备和照护路径的复合偏移不能由样本规模替代。公平问题也不是只调一个阈值：如果基础表征、疾病谱和标签质量都随群体变化，单域公平约束可能在新机构失效。

尚未解决。 亚组样本量经常不足，交叉亚组更少；公开人口属性粗糙且缺失。外部验证研究常只报告一个汇总指标，不披露本地阈值、校准曲线、失败病例和工作量。解释图无法证明模型没有用捷径，监管许可也不等同目标医院有效。

研究判断。 可靠性不是部署前的一次考试，而是数据版本、设备、季节、患病率和工作流变化下的持续过程。最低要求应包括患者级时间外验证、本地校准、预设亚组、交叉亚组、关键漏诊、漂移触发器和停用/升级路径。

7. 临床工作流、人机协作与部署

现状。 部署形态包括队列优先级、第二读者、正常片筛除、报告初稿、质量检查和结核筛查。早期研究多为离线模拟，例如自动分诊研究估计可缩短危急病例等待；后续前瞻观察、静默运行和随机试验开始测量实际读者与流程。世界卫生组织已在限定条件下支持胸片 CAD 用于 15 岁及以上人群的肺结核筛查或分诊，并持续独立评价产品；这是一条明确适应证路径，不可外推为其他疾病或儿童的通用许可（世界卫生组织 2025 年政策材料）。

2026 年的三项核心工作不能合并成一个“临床有效”结论：Storey 静默试验是 E3 失败分析，不改变照护；LungIMPACT 是 E4 随机患者路径试验，但只随机队列排序且结果为阴性；Janus-Pro-CXR 是 E4 三院前瞻人机协作，改善报告质量和时间，却没有患者结局且排除了重要复杂场景。它们共同支持“先静默审计、再检验具体工作流功能、最后限定辅助角色”的部署路径，而不支持自治放行或通用替代。

尚未解决。 排队变快不保证确诊变快，报告变快不保证治疗变快，检出更多也不保证净获益。模型提示可能提高敏感度但降低特异度，造成检查和转诊负担；错误建议还可能诱导读者，且不同经验读者受影响不一。静默部署可发现数据和标签故障，却不能证明干预有效；随机试验又常局限于单中心、单任务和短期流程结局。

研究判断。 部署应把“人—模型—工作流”作为干预单元，预注册主要结局，同时测量关键漏诊、假阳性、时间、额外检查、治疗延迟、读者依赖、亚组和故障处置。当前最可信的定位是明确任务、限定人群、可回退且持续监测的辅助组件。

主要方法流派对比

流派	主要机制	当前最强证据	主要优势	典型失败方式	更合适的使用场景
弱监督多标签分类	从报告抽取标签训练图像分类器	E1–E2	规模大、成本低、便于基准	标签缺失与噪声、医院捷径、标签集合封闭	候选筛查、表征预训练、研究基准
专家监督检测/分割	框、掩膜或关键点监督	E1–E2	空间输出可核查，适合器械和局灶病灶	边界分歧、细微病灶漏检、定位指标与临床价值脱节	病灶复核、结构测量、报告约束
图文对比与知识增强预训练	对齐影像、报告、概念或知识图	E1–E2	零/少样本、开放标签、可迁移	提示敏感、报告偏差、校准不足、数据泄漏	研究平台、低标注适配、检索
自回归报告与多模态对话	根据影像生成文本或回答问题	E2–E3	交互自然、可形成初稿、覆盖多任务	流畅虚构、遗漏、侧别/比较错误、裁判偏差	人工审核初稿、结构化检查、教育
域泛化、校准与公平干预	重加权、约束、再校准或域适配	E2	直接处理目标机构风险	单域有效、跨域失效；可能牺牲其他亚组或任务	上线前本地化与持续监测
分诊和人机协作	调整队列、第二读者、提示或初稿	E3–E4	可在明确瓶颈下产生流程收益	自动化偏误、工作量转移、报告时间与患者路径脱节	有回退机制的限定工作流

不存在普遍占优的流派。弱监督适合构建规模，专家监督适合精确空间任务，图文预训练适合迁移，生成模型适合交互，而临床系统必须把这些能力嵌入治理与工作流。跨流派比较应保持训练数据、标注预算、测试人群和决策阈值一致，否则“模型领先”可能只是资源差异。

冲突、负面证据与不可外推的主张

随机试验的相反结果

肺结节筛查随机试验显示可行动结节检出率提高，而急诊多异常检测务实试验没有改善主要敏感度或假阳性率。合理解释不是“AI 有效”或“AI 无效”二选一，而是前者聚焦相对明确、低基线检出的特定任务，后者面对更异质的急诊病例与复杂读者行为。可证伪的结论必须写成“模型 X 在人群 Y、工作流 Z、阈值 T 下对结局 O 的影响”，不能写成“胸片 AI 改善诊断”。

效率不等于患者路径改善

Janus-Pro-CXR显示辅助初级医师可缩短报告书写时间，但 LungIMPACT未观察到 CT、确诊、转诊或治疗路径的相应改善。两项研究的人群、干预和终点不同，不能直接比较效果大小；它们共同说明“更快报告”只能作为中间流程结局。若后续容量、转诊规则或临床决策是瓶颈，影像科内部提速不会自动产生患者层面的时间收益。

外部验证不等于消除捷径

Zech 等证明模型可识别机构并跨院退化；DeGrave 等进一步指出错误特征可能在多个数据集共同存在。外部验证是必要条件，但只有当数据采集过程、病因结构和潜在捷径足够独立时，才具有较强反证力。需要结合元数据、遮挡/反事实试验、时间外数据和错误分层。

“读者水平”不等于可替代读者

离线读者比较常限制病例数量、缺少既往片和临床史，也可能只比较单项判别指标。真实读者负责整合侧位、历史、器械、技术质量和沟通责任。即使某病种敏感度相当，也不能推出完整工作职责相当。

报告自动指标不等于临床安全

BLEU、ROUGE、实体 F1 或模型裁判均可遗漏严重但稀有的事实错误。LLaVA-Rad 和 Flamingo-CXR 的专家分析说明，临床显著错误仍是决定性瓶颈。自动指标可用于开发排序，不能单独作为自主报告的放行标准。

公平、许可和官方采用都有适用边界

单一数据集上的亚组差距缩小不能证明跨院公平；监管许可通常针对特定辅助或分诊用途，不代表自主诊断有效；世界卫生组织对结核 CAD 的采用限定疾病、年龄与流程，不能外推到儿童肺炎或通用多病种读片。

核心难点

1. 参考标准与标签生成链不可见。 报告不是纯影像真值，多读者共识也受任务定义影响。标签应保存来源、置信度、分歧和时间信息。
2. 分布偏移是复合而非单变量问题。 医院、设备、投照方式、床旁状态、疾病谱、治疗和报告风格共同变化，简单域适配很难覆盖。
3. 长尾风险与平均指标错位。 常见正常或大病灶支配平均性能，细小结节、隐匿气胸、导管错位和罕见危急征象决定安全下限。
4. 概率不可信与阈值不可迁移。 AUC 对校准和患病率不敏感，目标机构必须重定阈值并报告净获益和工作量。
5. 人机交互具有双向风险。 正确提示可补漏，错误提示也会诱导；读者经验并不能简单预测谁会受益。
6. 生成式事实性与纵向上下文缺失。 没有既往片、侧位或病史时，模型无法可靠生成比较和临床解释；流畅语言会放大过度信任。
7. 公平与隐私存在多目标张力。 去除显式人口属性不代表模型不编码相关特征；开放基础表征还可能增加患者重识别风险。
8. 部署终点离患者获益仍远。 许多研究停在报告时间、读者偏好或管理建议改变，缺少确诊、治疗、伤害和长期结局。
9. 持续治理成本被低估。 数据漂移、软件更新、接口故障、用户规避和责任分配需要长期监测，而非一次性验证。

可证伪研究议程

以下问题都应预先定义人群、干预、比较、结局和失败阈值，并允许产生否定答案：

1. 跨域因果稳定性。 在至少三个采集体系独立、时间不重叠的医院中，控制投照方式和设备后，模型关键病种敏感度是否仍保持在预设非劣界值内？若性能下降能否由可测元数据解释？
2. 安全正常片筛除。 在连续真实队列中，自动筛除是否能在降低读片量的同时，把预先定义的关键异常漏诊率控制在临床可接受上限；不同亚组是否同样满足？
3. 纵向与多视图增益。 加入侧位、既往片和关键病史后，临床显著报告错误是否相对单正位模型下降，并在外院保持？
4. 概念可审计性。 CLEAR 等概念模型给出的贡献是否与独立专家定位、反事实扰动和错误发生一致；概念解释能否提前识别失效，而不是事后合理化？
5. 生成报告非劣效。 在严格专家盲评下，模型辅助报告是否在“每例临床显著错误数”上非劣，同时减少总用时，且不增加遗漏和额外检查？
6. 公平的跨院泛化。 训练时公平约束在未见机构、时间段和交叉亚组中是否仍降低最差组关键漏诊，而不恶化总体净获益？
7. 人机分工个体化。 基于病例难度和模型不确定性的动态升级，是否优于固定提示策略；错误 AI 建议对不同经验读者的伤害是否可通过界面或培训降低？
8. 报告时间到治疗时间。 分诊或初稿系统是否真正缩短确诊、转诊或治疗，而非只移动影像科内部时间戳；若无效，瓶颈位于何处？
9. 低资源与儿科外部效度。 在本地连续入组、符合目标疾病谱的队列中，外部模型经有限校准后能否达到预设敏感度、特异度和工作量目标？
10. 持续监测与停用规则。 预设漂移和伤害触发器能否在临床事件发生前发现失效，并在软件、设备或人群变化后可靠决定重校准、回退或停用？

推荐阅读路径

快速建立全貌

1. 从 ChestX-ray8、CheXpert 和 MIMIC-CXR 理解弱标签、数据规模和图文配对的起点。
2. 对读 CheXpert 的专家比较、Majkowska 等的裁决参考标准研究与 Zech 的跨院退化研究，建立“读者比较不等于跨院稳健”的核心认识。
3. 阅读 Roberts 与 DeGrave，理解数据泄漏、偏倚和捷径为何会使漂亮基准失真。
4. 以 EVA-X、CheXzero、LLaVA-Rad、Ark+ 和 CLEAR 观察从纯图像或图文预训练到生成与可审计基础模型的演进。
5. 最后对读两项 2023 年随机试验、Storey 静默试验、LungIMPACT 和 Janus-Pro-CXR，把算法能力放回真实工作流。

按研究问题下钻

• 做数据或表征： ChestX-ray8 → CheXpert → MIMIC-CXR → VinDr-CXR → Chest ImaGenome → TAIX-Ray/EVA-X。
• 做定位与解释： VinDr-CXR → Chest ImaGenome → CheXlocalize 基准 → 捷径研究。
• 做报告生成： R2Gen → Miura 事实性奖励 → CheXbert/RadGraph → ReXVal/RadCliQ → LLaVA-Rad/Flamingo-CXR。
• 做基础模型： ConVIRT/BioViL → CheXzero/KAD → EVA-X → Ark+ → CLEAR，并同步阅读公平与隐私审计。
• 做临床转化： 自动分诊模拟 → Storey 静默失败分析 → 2023 年正负随机试验 → 世界卫生组织结核政策 → LungIMPACT/Janus-Pro-CXR。
• 做公平与低资源： Zech → 种族编码研究 → 跨数据公平泛化 → 儿科尼日利亚外部验证。

阅读任何一篇模型论文时，建议依次回答六个问题：训练数据来自哪里？标签如何生成？测试是否患者级独立且时间/机构外？阈值与校准如何确定？关键错误和亚组表现如何？研究测量的是模型、读者、流程还是患者结局？

覆盖、审计边界与更新建议

本地图最终策展 48 条正式或官方记录，并完成两轮不同来源组合的扩展检索：第一轮筛选 32 条去重候选，仅新增 CLEAR（3.13%）；第二轮围绕儿科、低资源、结核校准、隐私和纵向信息筛选 31 条，仅新增一项尼日利亚儿科外部验证（3.23%）。两轮均未形成新的一级路线，支持在既定范围内达到边际收敛。正式版本与预印本按同一工作合并，最终只保留正式版本；搜索结果页只作发现入口，关键主张回到论文、数据页或官方材料核验。48 条是按路线位置、历史连接和反证价值选择的核心地图，并主动强化 E2–E4，不能视为对全部胸片文献的随机抽样。

仍需明确以下限制：

• 这不是按 PRISMA 预注册的系统综述，也未对效应量做荟萃分析；“证据饱和”是研究地图的操作标准，不是穷尽性证明。
• 中文及其他非英文数据库、未公开商业部署、医院内部质量改进项目和失败但未发表研究覆盖不足，发表偏倚仍可能使效果看起来偏正。
• 长尾疾病、侧位片、儿童、低收入和中等收入地区、基层医疗、孕产人群以及多病共存仍明显欠代表。
• 基础模型与监管状态变化很快；模型版本、数据许可、撤稿和官方政策应在复用前重新核验。
• E1–E4 只表示证据离真实使用的距离，不代替偏倚风险、统计质量或临床重要性评价。一项 E4 阴性试验可能比 E1 阳性基准更能指导决策。

建议至少每 6–12 个月增量更新一次，并优先追踪：多中心随机或阶梯式部署试验、患者相关结局、儿科和低资源外部验证、生成报告临床错误、纵向/多视图模型、公平跨域复现、基础模型隐私，以及世界卫生组织和监管机构的适应证变化。任何更新都应保留检索式、版本族、排除原因和负面结果，避免研究地图退化为只收集“最好成绩”的论文清单。

结语

胸片 AI 最重要的进展，不是某个模型在某个基准上再次超过读者，而是领域开始能够区分四件不同的事：算法能否识别、人在模型辅助下能否做得更好、工作流能否更有效，以及患者是否真正获益。前三者已有不同程度的证据，第四者仍十分有限。未来高价值研究应减少通用“读片替代”叙事，转向限定适应证、可审计失败、跨域可复现、可回退并以临床净效益为终点的人机系统。

全部研究工作（48 项）

以下条目严格保持 atlas.json 的策展顺序，并在 README 内直接列出问题、机制、证据、局限、启示、核验边界与全部可用来源。

1. ChestX-ray8：医院规模胸片数据库及常见胸部疾病弱监督分类与定位基准｜ChestX-ray8: Hospital-Scale Chest X-Ray Database and Benchmarks on Weakly-Supervised Classification and Localization of Common Thorax Diseases（2017 · IEEE Conference on Computer Vision and Pattern Recognition (CVPR)）

作者： Xiaosong Wang、Yifan Peng、Le Lu、Zhiyong Lu、Mohammadhadi Bagheri、Ronald M. Summers

书目： 年份 2017；载体 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)；状态 同行评议；来源类型 dataset

分类： 主路线 数据资源、标注与表征学习；相关路线 数据资源、标注与表征学习、病灶定位、分割与结构化分析、判别诊断、分诊与预后；层级 资源或内部回顾性验证；阅读层级 核心；证据等级 B；简称 ChestX-ray8

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D2 / P=P2 / Q=Q1

定位： 首次把医院级报告派生弱标签、胸片多标签分类和无框弱定位放入同一公开基准。

问题： 如何在无法逐图进行专家精细标注时，利用医院积累的胸片与报告训练常见胸部疾病分类和定位模型？

机制： 从放射学报告抽取图像级疾病标签，以多标签卷积网络学习异常概率，并用类别相关的空间响应进行弱监督定位。

步骤：

1. 汇集正位胸片及其放射学报告
2. 用文本挖掘生成八类疾病的图像级弱标签
3. 训练统一的多标签卷积分类器
4. 由类别相关空间响应产生无框弱定位结果

证据：

• 正式论文描述了108,948张正位胸片、32,717名患者和八类报告派生疾病标签。
• 论文在同一资源上给出多标签分类与弱监督定位基线，并明确指出高精度全自动胸片阅读仍然困难。

局限：

• 标签由单机构报告自动抽取，存在漏标、否定和语义映射误差。
• 定位只由图像级标签间接学习，边界框验证子集很小，热区不能视为病灶分割。
• 论文中的ChestX-ray8与后续扩展的ChestX-ray14不是完全相同的数据版本。

意义：

• 奠定了大规模报告弱标签胸片学习的公共基准范式。
• 同时留下标签噪声、捷径学习和弱定位可信度三条长期研究主线。

边界： 以CVF正式全文和DOI为主入口；规模与八类标签严格按2017年ChestX-ray8论文记录，官方数据页现行ChestX-ray14版本仅作为数据入口，不混写版本数字。

标识： DOI 10.1109/CVPR.2017.369

证据位置：

• Abstract：数据规模、八类标签和弱监督任务定位
• Table 1：数据集与标签构成
• Methods／network architecture：多标签分类和定位机制
• Experiments：分类与定位基准

资源： 一手入口 · 数据

---

2. CheXpert：带不确定标签和专家比较的大型胸片数据集｜CheXpert: A Large Chest Radiograph Dataset with Uncertainty Labels and Expert Comparison（2019 · AAAI Conference on Artificial Intelligence）

作者： Jeremy Irvin、Pranav Rajpurkar、Michael Ko、Yifan Yu、Silviana Ciurea-Ilcus、Chris Chute、Henrik Marklund、Behzad Haghgoo、Robyn Ball、Katie Shpanskaya、Jayne Seekins、David A. Mong、Safwan S. Halabi、Jesse K. Sandberg、Ricky Jones、David B. Larson、Curtis P. Langlotz、Bhavik N. Patel、Matthew P. Lungren、Andrew Y. Ng

书目： 年份 2019；载体 AAAI Conference on Artificial Intelligence；状态 同行评议；来源类型 dataset

分类： 主路线 数据资源、标注与表征学习；相关路线 数据资源、标注与表征学习、判别诊断、分诊与预后、可靠性、公平与外部验证；层级 人机比较或工作流模拟；阅读层级 核心；证据等级 A；简称 CheXpert

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D2 / P=P2 / Q=Q2

定位： 把报告中的不确定性显式编码为第三种标签，并用专家共识测试集检验不同处理策略。

问题： 胸片报告常以可能、不能排除等方式表达不确定性，简单二值化会怎样影响模型训练和评测？

机制： 规则标签器从报告抽取十四种观察项及阳性、阴性、不确定状态，再分别测试不确定标签映射策略，并以多名放射科医师共识作为测试参考。

步骤：

1. 汇集胸片与同期自由文本报告
2. 规则标签器抽取十四种观察项及不确定状态
3. 用不同不确定标签策略训练多标签网络
4. 在专家共识测试集上与额外放射科医师比较

证据：

• 正式论文发布224,316张胸片，涉及65,240名患者和十四种观察项。
• 验证集由三名放射科医师独立标注，测试集由五名放射科医师形成共识，并在五项任务上进行专家比较。
• 论文显示不同病变适合的不确定标签处理方式并不相同。

局限：

• 大规模训练标签仍由单机构报告自动抽取，不等于逐图专家真值。
• 专家比较只覆盖五种选定病变，不能外推到全部十四项观察。
• 测试读者的操作点与连续模型曲线不能被简化为模型全面超过放射科医师。

意义：

• 确立了胸片不确定标签建模和专家共识评测的标准资源。
• 提示标签语义处理本身是模型设计的一部分，而非可忽略的数据清洗步骤。

边界： 依据AAAI正式论文页、全文和Stanford官方数据页；专家比较结论保留病种、参考标准和操作点边界，不扩写为普遍临床优越性。

标识： DOI 10.1609/aaai.v33i01.3301590

证据位置：

• Abstract：数据规模、不确定标签和专家比较设计
• Dataset construction／labeler：十四种观察项和不确定状态
• Uncertainty approaches：不同训练映射策略
• Expert comparison：验证集、测试集及读者比较

资源： 一手入口 · 数据

---

3. MIMIC-CXR：带自由文本报告的去标识公开胸片数据库｜MIMIC-CXR, a de-identified publicly available database of chest radiographs with free-text reports（2019 · Scientific Data）

作者： Alistair E. W. Johnson、Tom J. Pollard、Seth J. Berkowitz、Nathaniel R. Greenbaum、Matthew P. Lungren、Chih-ying Deng、Roger G. Mark、Steven Horng

书目： 年份 2019；载体 Scientific Data；状态 同行评议；来源类型 dataset

分类： 主路线 数据资源、标注与表征学习；相关路线 数据资源、标注与表征学习、报告生成、理解与评价、多模态与基础模型；层级 资源或内部回顾性验证；阅读层级 核心；证据等级 A；简称 MIMIC-CXR

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D2 / P=P2 / Q=Q2

定位： 把原始DICOM胸片、同期自由文本报告和稳定检查标识联合发布，成为图文胸片研究的基础设施。

问题： 如何在保护患者隐私的同时，公开足以支持图像理解、报告建模和临床数据联结的大型胸片资源？

机制： 分别从医院系统抽取检查、DICOM图像和报告，对患者、日期、DICOM头和像素内文字执行去标识，再以患者和检查标识重建关联。

步骤：

1. 从医院信息系统和PACS抽取患者检查、DICOM与报告
2. 对标识符、日期、报告文本和像素内文字去标识
3. 以匿名患者和检查标识关联图像与同期报告
4. 通过PhysioNet资质认证和数据协议受控发布

证据：

• 正式数据论文记录227,835项检查、65,379名患者和377,110张图像。
• 每项检查配有常规临床中同期撰写的半结构化自由文本放射学报告。
• 论文公开说明DICOM和报告的独立去标识流程、人工审计及访问要求。

局限：

• 数据源自单一美国学术医疗中心及其急诊相关患者，机构与人群代表性有限。
• 报告是常规临床叙述，不是为所有病变逐项建立的专家结构化真值。
• 日期偏移保留相对时间但移除了季节和星期信息，访问也需要资质和数据使用协议。

意义：

• 支撑了报告生成、图文对比学习和胸片基础模型的大量后续工作。
• 也使报告缺失、临床语境泄漏和单机构偏差成为必须显式审计的问题。

边界： 依据Scientific Data开放全文、PhysioNet项目和MIT-LCP官方代码；数据规模按论文版本记录，访问与去标识边界按Usage Notes披露。

标识： DOI 10.1038/s41597-019-0322-0

证据位置：

• Abstract：患者、检查、图像和报告规模
• Methods：电子病历、胸片和报告去标识流程
• Data Records：文件组织和检查级关联
• Usage Notes：认证、数据协议和复现要求

资源： 一手入口 · 代码 · 数据

---

4. PadChest：带多标签报告的大型胸片数据集｜PadChest: A large chest x-ray image dataset with multi-label annotated reports（2020 · Medical Image Analysis）

作者： Aurelia Bustos、Antonio Pertusa、Jose-Maria Salinas、María de la Iglesia-Vayá

书目： 年份 2020；载体 Medical Image Analysis；状态 同行评议；来源类型 dataset

分类： 主路线 数据资源、标注与表征学习；相关路线 数据资源、标注与表征学习、判别诊断、分诊与预后、病灶定位、分割与结构化分析；层级 资源或内部回顾性验证；阅读层级 桥接；证据等级 B；简称 PadChest

核验： 来源层级 T1；核验状态 abstract-checked；V/D/P/Q V=V2 / D=D2 / P=P2 / Q=Q1

定位： 以西班牙语报告、UMLS概念和细粒度解剖位置扩展了英语单机构胸片基准的标签范围。

问题： 如何构建覆盖更多影像发现、诊断和解剖位置的非英语胸片资源，同时控制人工标注成本？

机制： 汇集医院胸片与西班牙语报告，对一部分报告进行放射科医师人工标注，其余通过报告模型标注，并将概念映射到标准医学本体。

步骤：

1. 汇集西班牙医院胸片、报告和检查元数据
2. 由放射科医师人工标注部分报告
3. 用注意力文本模型扩展其余报告标签
4. 将发现、诊断和解剖位置规范化到UMLS概念

证据：

• 正式论文和项目页描述超过16万张图像、约6.7万名患者。
• 资源提供174种影像发现、19种鉴别诊断和104种解剖位置。
• 约27%的报告由医师人工标注，其余标签由报告模型生成。

局限：

• 资源来自单一西班牙医院，时间、设备和人群分布不能代表其他医疗系统。
• 人工与自动报告标签混合，标签质量随概念和语句表达而异。
• 报告标签描述临床报告内容，不等于对每张图像重新独立阅片。

意义：

• 扩大了胸片数据的语言、地域和标签本体覆盖。
• 适合研究标签层级、位置语义和跨语言迁移，但必须区分人工与自动标签。

边界： 本轮以出版社正式摘要、PubMed元数据和BIMCV官方项目页交叉核验；未用二次镜像补写方法细节，人工与自动标签比例及本体规模按作者资料陈述。

标识： DOI 10.1016/j.media.2020.101797

证据位置：

• Publisher Abstract：总体规模和多标签资源定位
• Official project description：患者、图像及标签本体
• Paper methods summary：人工与自动报告标注流程
• Data access page：许可和下载边界

资源： 一手入口 · 数据

---

5. VinDr-CXR：带放射科医师标注的开放胸片数据集｜VinDr-CXR: An open dataset of chest X-rays with radiologist's annotations（2022 · Scientific Data）

作者： Ha Q. Nguyen、Khanh Lam、Linh T. Le、Hieu H. Pham、Dat Q. Tran、Dung B. Nguyen、Dung D. Le、Chi M. Pham、Hang T. T. Tong、Diep H. Dinh、Cuong D. Do、Luu T. Doan、Cuong N. Nguyen、Binh T. Nguyen、Que V. Nguyen、Au D. Hoang、Hien N. Phan、Anh T. Nguyen、Phuong H. Ho、Dat T. Ngo、Nghia T. Nguyen、Nhan T. Nguyen、Minh Dao、Van Vu

书目： 年份 2022；载体 Scientific Data；状态 同行评议；来源类型 dataset

分类： 主路线 病灶定位、分割与结构化分析；相关路线 病灶定位、分割与结构化分析、数据资源、标注与表征学习、判别诊断、分诊与预后；层级 资源或内部回顾性验证；阅读层级 核心；证据等级 A；简称 VinDr-CXR

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D2 / P=P2 / Q=Q3

定位： 以两院多读者框标注和共识测试集补足报告级胸片资源缺少空间真值的问题。

问题： 如何为常见胸部异常同时建立图像级诊断标签和可用于病灶检测的多读者位置框？

机制： 从两家越南医院筛选成人PA片，通过专用标注平台让多名放射科医师独立标注局部框和全局诊断，并对测试集进行两阶段共识审阅。

步骤：

1. 从两家医院的原始DICOM中筛选有效成人PA胸片
2. 在VinDr Lab中标注二十二类局部框和六类全局诊断
3. 训练集每图由三名医师盲法独立标注
4. 测试集经三名初读和两名资深复核形成共识

证据：

• 正式数据论文发布18,000张胸片，来源于两家越南医院。
• 共有17名有资质的放射科医师参与；训练集保留三名读者标注，测试集发布五名读者流程形成的共识标签。
• 资源同时提供二十二类局部框和六类全局标签。

局限：

• 发布数据只含18,000张筛选后的成人PA片，不能代表床旁AP、侧位和儿科场景。
• 虽然来自两家医院，但均在越南，地域和设备覆盖仍有限。
• 框标注和病种本体存在读者差异，训练集并未合并为唯一共识真值。

意义：

• 为检测、定位和多读者不确定性研究提供了比报告弱标签更强的参考标准。
• 使跨国家胸片评价不再完全依赖美国公开数据。

边界： 依据Scientific Data开放全文、PhysioNet数据DOI和作者代码；两院与多读者描述不被提升为算法外部验证，训练集独立读者标签也不称作共识。

标识： DOI 10.1038/s41597-022-01498-w

证据位置：

• Abstract：数据来源、发布规模和多读者设计
• Methods／Data labeling：二十八类标签、读者分配和共识流程
• Data Records：框、图像级标签和文件结构
• Technical Validation／Usage Notes：去标识、质控和访问协议

资源： 一手入口 · 代码 · 数据

---

6. CheXmask：跨多中心胸片的大规模解剖分割掩膜数据集｜CheXmask: a large-scale dataset of anatomical segmentation masks for multi-center chest x-ray images（2024 · Scientific Data）

作者： Nicolás Gaggion、Candelaria Mosquera、Lucas Mansilla、Julia Mariel Saidman、Martina Aineseder、Diego H. Milone、Enzo Ferrante

书目： 年份 2024；载体 Scientific Data；状态 同行评议；来源类型 dataset

分类： 主路线 病灶定位、分割与结构化分析；相关路线 病灶定位、分割与结构化分析、数据资源、标注与表征学习、可靠性、公平与外部验证；层级 跨数据集或独立外部验证；阅读层级 桥接；证据等级 B；简称 CheXmask

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D2 / P=P2 / Q=Q2

定位： 用统一模型为五个公开胸片库生成肺和心脏解剖伪掩膜，并逐图附加估计质量指标。

问题： 如何在无法为数十万张胸片逐图人工勾画的情况下，获得跨数据集一致的解剖分割资源和可筛选的质量信息？

机制： 对五个公开胸片库筛选正位图像并统一预处理，以HybridGNet预测解剖关键点和轮廓，再用医师子集与反向分类准确率估计掩膜质量。

步骤：

1. 从五个公开数据集筛选PA或AP正位片
2. 统一尺寸后由HybridGNet预测解剖关键点和轮廓
3. 把轮廓转换为肺野与心脏像素掩膜
4. 用医师标注子集和反向分类准确率生成逐图质控指标

证据：

• 正式数据论文发布覆盖五个公开胸片库的657,566个解剖分割掩膜。
• 作者公开了医师子集评估、反向分类准确率质控、模型权重及重现代码。
• 论文明确说明掩膜由HybridGNet生成，而非对全部图像人工逐像素标注。

局限：

• 大规模掩膜是模型生成的伪标签，不能当作逐图人工金标准。
• 反向分类准确率是估计质量指标，也不能证明单张掩膜真实准确。
• 异常解剖、严重遮挡、床旁AP片和元数据错误可能导致系统性失败。

意义：

• 让跨数据集解剖归一化、裁剪、质量控制和结构化分析具备统一资源。
• 同时示范了伪标签资源必须把生成模型和质量估计边界一并发布。

边界： 依据Scientific Data全文和作者代码库；所有大规模掩膜均称为模型生成伪掩膜，医师评估和RCA仅作为技术验证，不写成逐图人工真值。

标识： DOI 10.1038/s41597-024-03358-1

证据位置：

• Abstract：五个数据集和657,566个掩膜
• Methods／Data preparation：视图筛选和预处理
• Methods／HybridGNet与RCA：伪掩膜和逐图质量估计
• Technical Validation：医师子集和质量控制
• Usage Notes／Limitations：错误视图和异常解剖风险

资源： 一手入口 · 代码

---

7. TAIX-Ray：带结构化、分项和分级报告的综合床旁胸片数据集｜A comprehensive bedside chest radiography dataset with structured, itemized and graded radiologic reports（2026 · Scientific Data）

作者： Daniel Truhn、Daniel Geiger、Robert Siepmann、Marc Sebastian von der Stück、Keno Kyrill Bressem、Jakob Nikolas Kather、Christiane Kuhl、Gustav Müller-Franzes、Sven Nebelung

书目： 年份 2026；载体 Scientific Data；状态 同行评议；来源类型 dataset

分类： 主路线 数据资源、标注与表征学习；相关路线 数据资源、标注与表征学习、判别诊断、分诊与预后；层级 资源或内部回顾性验证；阅读层级 核心；证据等级 A；简称 TAIX-Ray

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D2 / P=P2 / Q=Q2

定位： 在日常ICU床旁读片中直接采集分项、侧别和五级严重度，减少事后自由文本标签抽取的信息损失。

问题： 床旁AP片质量不一、共病重叠且严重度重要，如何获得大规模、可训练的结构化临床标签？

机制： 连续汇集床旁AP胸片，要求常规报告者使用标准模板记录心影、淤血及左右侧异常的严重度，再发布患者级拆分、基线模型和代码。

步骤：

1. 在多个ICU病区连续采集床旁AP胸片
2. 放射科医师在常规报告时填写结构化分项模板
3. 保留侧别和五级严重度并关联人口与时间元数据
4. 按患者拆分并发布基线模型、代码和数据

证据：

• 正式数据论文发布215,381张床旁胸片，涉及47,724名ICU患者和2010至2023年的检查。
• 134名受训或获得资质的放射科医师在常规报告时提供结构化分项标签。
• 资源包含五级严重度、患者级预定义拆分、基线模型和完整训练评估代码。

局限：

• 这是单一德国大学医院的回顾性数据发布，不能视为多中心外部验证。
• 报告者可见病史、既往影像和检验，因此标签不一定只由当前胸片像素决定。
• 每次检查主要对应临床报告者或最终签署者，不是每图独立多读者共识；十四年间也存在设备与流程漂移。

意义：

• 为床旁胸片严重度建模和有序分类提供了比事后报告NLP更直接的标签资源。
• 提醒研究者区分前瞻采集结构化标签与前瞻部署算法：本工作仍属于E1资源证据。

边界： 依据Scientific Data开放全文、Hugging Face官方数据集和作者代码；结构化标签在日常报告中采集，但数据描述研究本身为单中心回顾性资源，故锁定为E1而非E4。

标识： DOI 10.1038/s41597-026-07271-7

证据位置：

• Abstract：数据规模、ICU人群和结构化报告
• Methods／Data collection：病区、设备、时间范围和AP采集
• Methods／Radiologist annotations：模板、严重度及临床上下文
• Data Records／Data Availability：拆分、数据和代码
• Technical Validation：基线模型与标签分布

资源： 一手入口 · 代码 · 数据

---

8. Chest ImaGenome：面向临床推理的胸片场景图数据集｜Chest ImaGenome Dataset for Clinical Reasoning（2021 · NeurIPS 2021 Datasets and Benchmarks Track）

作者： Joy T. Wu、Nkechinyere N. Agu、Ismini Lourentzou、Arjun Sharma、Joseph A. Paguio、Jasper S. Yao、Edward C. Dee、William Mitchell、Satyananda Kashyap、Andrea Giovannini、Leo A. Celi、Mehdi Moradi

书目： 年份 2021；载体 NeurIPS 2021 Datasets and Benchmarks Track；状态 同行评议；来源类型 dataset

分类： 主路线 病灶定位、分割与结构化分析；相关路线 病灶定位、分割与结构化分析、数据资源、标注与表征学习、报告生成、理解与评价、多模态与基础模型；层级 资源或内部回顾性验证；阅读层级 核心；证据等级 B；简称 Chest ImaGenome

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D2 / P=P2 / Q=Q2

定位： 把MIMIC-CXR中的解剖框、局部属性和纵向变化组织成解剖中心场景图，支持空间和关系推理。

问题： 仅有全局疾病标签和自由文本报告时，模型如何学习异常位于哪里、与哪个解剖结构相关以及相较既往如何变化？

机制： 用胸片图谱定位解剖区域，以规则NLP从报告抽取局部属性和比较词，再将对象、属性及纵向关系组织为场景图，并建立人工校正金标准子集。

步骤：

1. 从MIMIC-CXR选择正位图像及报告
2. 用图谱方法产生二十九个解剖对象框
3. 由规则NLP把报告实体和变化关系对齐到解剖对象
4. 输出逐图场景图并用五百名患者的人工子集评估

证据：

• 正式NeurIPS数据论文描述242,072张胸片的解剖中心场景图。
• 资源提供二十九个解剖位置、1,256种对象属性关系组合和超过67万条局部纵向比较关系。
• 作者另提供来自五百名独立患者的人工标注金标准场景图子集。

局限：

• 大规模局部标签主要由图谱定位和规则NLP自动生成，人工金标准只覆盖小子集。
• 资源完全派生自MIMIC-CXR，继承其单机构、报告偏差和访问限制。
• 固定解剖框与报告句子对齐可能遗漏小病灶、重叠病变和不在本体中的关系。

意义：

• 把胸片研究从全局标签推进到解剖对象、属性和纵向关系的结构化推理。
• 成为区域级报告生成、视觉问答和可定位多模态模型的重要中间资源。

边界： 以NeurIPS Datasets and Benchmarks正式论文及PhysioNet 1.0.0项目为一手来源；论文出版状态与数据DOI分开记录，自动银标和五百患者人工金标准不混称。

标识： DOI 10.13026/wv01-y230

证据位置：

• Abstract：图像规模、对象属性关系和纵向比较关系
• Dataset construction：图谱框和规则NLP管线
• Scene graph representation：对象、属性与关系结构
• Gold standard dataset：五百名患者人工子集
• PhysioNet Data Description：文件、拆分和访问要求

资源： 一手入口 · PDF · 数据

---

9. 胸片解释显著性方法基准评测｜Benchmarking saliency methods for chest X-ray interpretation（2022 · Nature Machine Intelligence）

作者： Adriel Saporta、Xiaotong Gui、Ashwin Agrawal、Anuj Pareek、Steven Q. H. Truong、Chanh D. T. Nguyen、Van-Doan Ngo、Jayne Seekins、Francis G. Blankenberg、Andrew Y. Ng、Matthew P. Lungren、Pranav Rajpurkar

书目： 年份 2022；载体 Nature Machine Intelligence；状态 同行评议；来源类型 benchmark

分类： 主路线 可靠性、公平与外部验证；相关路线 可靠性、公平与外部验证、病灶定位、分割与结构化分析；层级 人机比较或工作流模拟；阅读层级 核心；证据等级 A；简称 CheXlocalize

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D2 / P=P2 / Q=Q3

定位： 以CheXlocalize专家像素标注为基准，系统证明常用显著图并不可靠地等价于病灶定位。

问题： 分类模型的显著图是否真正覆盖放射科医师认为与病变相关的区域，且何种病灶几何特征最容易导致失败？

机制： 在三种网络上生成七类显著图，把热图阈值化为分割并与两名医师建立的参考掩膜比较，再以另一组医师构成人类定位基准。

步骤：

1. 训练多标签胸片分类模型并生成七类显著图
2. 把热图转为二值分割或最大响应点
3. 与两名专科医师绘制的参考分割比较
4. 用另一组三名医师建立人类基准并分析病灶几何因素

证据：

• 论文在十类病变、三种CNN架构和七种显著性方法上进行定量比较。
• Grad-CAM总体优于其他所测显著方法，但七种方法整体均显著落后于人类定位基准。
• 作者发布CheXlocalize开发集，含234张图像和643个专家分割；小且形状复杂的病灶差距最大。

局限：

• 较差定位可能同时来自分类模型和显著性算法，实验不能完全分离两者责任。
• 专家分割只覆盖234张CheXpert测试图像，部分病种阳性样本很少。
• 医师对病灶边界也存在差异，像素重叠并非解释临床价值的唯一指标。

意义：

• 反驳了把漂亮热图直接当作模型正确解释或临床可信证据的常见做法。
• 为定位解释提供专家像素基准，并要求同时评价重叠、命中率和病灶几何。

边界： 依据Nature Machine Intelligence开放全文；CheXlocalize是论文发布的专家分割开发集。负面结论限定于所测七种显著方法、三种架构和CheXpert样本，不外推到所有可解释方法。

标识： DOI 10.1038/s42256-022-00536-x

证据位置：

• Abstract：七种方法、人类基准和主要负面结论
• Main／Framework：三种架构、十类病变和两种定位指标
• Figure 1：参考分割与人类基准设计
• Table 1／Figure 2：显著方法与人类基准比较
• Figure 3／Discussion：病灶大小、形状和解释边界

资源： 一手入口

---

10. 用深度人工神经网络自动分诊成人胸片｜Automated Triaging of Adult Chest Radiographs with Deep Artificial Neural Networks（2019 · Radiology）

作者： Mattia Annarumma、Samuel J. Withey、Robert J. Bakewell、Enzo Pesce、Vicky Goh、Giovanni Montana

书目： 年份 2019；载体 Radiology；状态 同行评议；来源类型 paper

分类： 主路线 临床工作流、人机协作与部署；相关路线 临床工作流、人机协作与部署、判别诊断、分诊与预后；层级 人机比较或工作流模拟；阅读层级 核心；证据等级 B；简称 Annarumma分诊

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D2 / P=P2 / Q=Q2

定位： 把胸片异常预测转化为动态工作列表，并用后续连续病例模拟危急检查的报告时延。

问题： 在胸片积压场景中，能否由图像直接预测临床紧急度并重排报告队列，使危急检查更早获得正式报告？

机制： 先用报告NLP把历史检查映射为危急、紧急、非紧急和正常四级标签，再训练两网络集成预测优先级，并在后续病例上模拟动态队列。

步骤：

1. 从报告抽取影像发现并映射为四级临床优先级
2. 训练卷积网络集成由图像预测优先级
3. 按预测紧急度和等待时间构建动态工作列表
4. 在独立后续病例上模拟报告顺序与时延

证据：

• 模型使用470,388张连续成人胸片开发，并在15,887张后续胸片上进行工作列表模拟。
• 与历史实际顺序相比，模拟中危急和紧急检查的平均报告延迟均缩短。
• 作者公开了分类与模拟代码，并保留了少量不按自动队列报告的噪声情景。

局限：

• 研究是回顾性工作列表模拟，没有在真实临床系统中改变照护流程。
• 紧急度真值来自单一英国医院网络的报告和本地工作规则。
• 只测量报告时延，不提供误排序对处置或患者结局的影响。

意义：

• 示范了从离线分类指标走向可检验工作流效用的中间证据层。
• 也说明分诊模型应评价队列、资源约束和延迟，而不只评价AUROC。

边界： 依据Radiology的PMC正式全文和作者代码；结果明确写作独立时间段上的队列模拟，不称为真实上线、前瞻部署或患者获益。

标识： DOI 10.1148/radiol.2018180921

证据位置：

• Abstract：开发规模、独立模拟集和时延结果
• Materials and Methods／NLP-generated annotation：四级优先标签
• Deep Learning Architecture：图像紧急度模型
• Automated Image Prioritization：动态队列模拟
• Results／Discussion：时延、可行性及边界

资源： 一手入口 · 代码

---

11. 用深度学习从胸片评估长期死亡风险｜Deep Learning to Assess Long-term Mortality From Chest Radiographs（2019 · JAMA Network Open）

作者： Michael T. Lu、Alexander Ivanov、Thomas Mayrhofer、Ahmed Hosny、Hugo J. W. L. Aerts、Udo Hoffmann

书目： 年份 2019；载体 JAMA Network Open；状态 同行评议；来源类型 paper

分类： 主路线 判别诊断、分诊与预后；相关路线 判别诊断、分诊与预后、可靠性、公平与外部验证；层级 跨数据集或独立外部验证；阅读层级 桥接；证据等级 B；简称 CXR长期死亡风险

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D2 / P=P2 / Q=Q3

定位： 从常规正位胸片学习长期全因死亡风险，并在独立肺癌筛查试验队列中验证关联。

问题： 胸片是否包含超出显式影像发现和传统危险因素的长期健康风险信号？

机制： 在PLCO筛查片上训练风险分类器，将输出形成CXR风险分数，再在PLCO留出集和NLST独立队列中用生存模型检验。

步骤：

1. 在PLCO胸片和长期随访上训练死亡风险网络
2. 把模型概率映射为有序CXR风险分数
3. 在PLCO留出人群和NLST独立队列评估
4. 用Cox模型调整传统危险因素和放射学发现

证据：

• CXR风险分数在PLCO留出集与独立NLST队列中均与长期全因死亡相关。
• 在加入传统危险因素、放射科医师影像发现或两者后，风险分数仍保留独立关联。
• 论文同时展示了分层生存曲线和模型关注区域示例。

局限：

• 研究对象主要是55至74岁的美国肺癌筛查参与者，不能直接外推到普通住院、急诊或年轻人群。
• 模型输出与死亡相关并不证明因果机制，也没有说明何种干预能改善高风险人群结局。
• 关注区域可能包含性别、体型和既往手术等相关信息，解释图不能证明模型使用了可干预病理。

意义：

• 展示了胸片从病种识别扩展为全身健康和预后表型的可能性。
• 同时把可行动性、因果解释和人群迁移列为预后模型进入临床前的关键门槛。

边界： 依据JAMA Network Open正式全文与补充材料；只陈述外部队列中的预后关联和调整分析，不把风险分数表述为可干预因果因素或已证明的临床效益。

标识： DOI 10.1001/jamanetworkopen.2019.7416

证据位置：

• Figure 1：PLCO开发、测试与NLST外部队列
• Methods／Classifier and training：风险模型
• Figure 2：按CXR风险分数分层的生存曲线
• Supplement eTable 2–3：调整后风险模型
• Figure 3：Grad-CAM示例及其解释边界

资源： 一手入口

---

12. 用深度卷积神经网络自动检测正位胸片中的中量和大量气胸：回顾性研究｜Automated detection of moderate and large pneumothorax on frontal chest X-rays using deep convolutional neural networks: A retrospective study（2018 · PLOS Medicine）

作者： Andrew G. Taylor、Christopher Mielke、John Mongan

书目： 年份 2018；载体 PLOS Medicine；状态 同行评议；来源类型 paper

分类： 主路线 判别诊断、分诊与预后；相关路线 判别诊断、分诊与预后、可靠性、公平与外部验证；层级 跨数据集或独立外部验证；阅读层级 核心；证据等级 B；简称 Taylor气胸检测

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D2 / P=P2 / Q=Q2

定位： 以中大量气胸分诊为目标，并直接展示加入小气胸和迁移到外部NIH数据后性能下降。

问题： 能否在高敏感度或高特异度运行点识别需要优先处理的中大量气胸，且模型在更小病灶和外部数据上是否仍稳健？

机制： 由放射科医师确认气胸并分级大小，训练深度卷积模型并选择分诊运行点，再逐步加入小气胸及NIH外部胸片检验。

步骤：

1. 由放射科医师复核气胸并划分大小
2. 训练卷积网络检测中量和大量气胸
3. 在内部集选择高敏感度与高特异度运行点
4. 加入小气胸并在NIH外部数据上测试迁移

证据：

• 论文在内部测试中分别报告面向分诊的高敏感度和高特异度运行点。
• 当测试范围加入小气胸时，模型表现下降。
• 迁移到NIH外部数据后表现进一步改变，作者据此强调外部验证和目标定义的重要性。

局限：

• 训练来自单一机构，外部NIH标签和气胸大小定义与内部参考并不完全一致。
• 原研究按检查而不是严格按患者拆分，重复患者可能造成信息泄漏风险。
• 研究评估离线检测而非真实工作列表、治疗时间或患者结局。

意义：

• 说明病灶大小和目标定义本身会决定气胸模型看似优秀还是失败。
• 提供了早期、明确的跨数据集性能下降证据，反对只报告内部AUROC。

边界： 依据PLOS Medicine的PMC正式全文；外部性能变化与局限按作者定义陈述，不把NIH测试称为同质参考标准，也不掩盖按检查拆分的潜在泄漏。

标识： DOI 10.1371/journal.pmed.1002697

证据位置：

• Abstract：目标任务、内部与外部测试
• Methods／Reference standard：气胸确认和大小定义
• Results：内部运行点、小气胸与NIH外部结果
• Discussion：外部标签差异和分诊适用边界
• Limitations：回顾性设计及数据拆分

资源： 一手入口

---

13. 深度学习胸片解读：放射科医师裁决参考标准与人群校正评价｜Chest Radiograph Interpretation with Deep Learning Models: Assessment with Radiologist-adjudicated Reference Standards and Population-adjusted Evaluation（2020 · Radiology）

作者： Anna Majkowska、Sid Mittal、David F. Steiner、Joshua J. Reicher、Scott Mayer McKinney、Gavin E. Duggan、Krish Eswaran、Po-Hsuan Cameron Chen、Yun Liu、Sreenivasa Raju Kalidindi、Alexander Ding、Greg S. Corrado、Daniel Tse、Shravya Shetty

书目： 年份 2020；载体 Radiology；状态 同行评议；来源类型 paper

分类： 主路线 判别诊断、分诊与预后；相关路线 判别诊断、分诊与预后、可靠性、公平与外部验证；层级 人机比较或工作流模拟；阅读层级 核心；证据等级 A；简称 Majkowska裁决评价

核验： 来源层级 T1；核验状态 abstract-checked；V/D/P/Q V=V2 / D=D2 / P=P2 / Q=Q3

定位： 以放射科医师裁决真值和人群权重同时处理参考标准误差与富集测试集的谱偏倚。

问题： 当训练标签来自报告且测试集为提高阳性数量而富集时，怎样得到可与临床人群和放射科医师比较的可靠性能估计？

机制： 用报告NLP和专家复核形成训练标签，在多城市医院网络及ChestX-ray14建立独立测试集，由放射科医师裁决参考标准，再以逆概率加权校正抽样。

步骤：

1. 从医院网络和ChestX-ray14构建四项发现任务
2. 用报告NLP与专家复核生成训练标签
3. 由多名放射科医师裁决测试参考标准
4. 比较模型与读者并用逆概率权重恢复目标人群评价

证据：

• 正式论文针对气胸、肺部阴影、结节或肿块和骨折四项发现建立模型。
• 两个测试集分别来自多城市医院网络和公开ChestX-ray14，并使用放射科医师裁决参考标准。
• 研究同时报告富集样本上的读者比较和人群校正评价，直接处理谱偏倚。

局限：

• 研究为回顾性设计，仅覆盖四项影像发现。
• 专家裁决和人群校正提高评价质量，但测试条件仍不等同实时临床工作流。
• 未评价报告时间、处置改变、患者结局或模型上线后的分布漂移。

意义：

• 把参考标准质量和病例抽样机制提升为胸片模型评价的核心设计变量。
• 为后续读者研究提供了比单一报告标签和简单富集测试更严格的模板。

边界： 依据PubMed正式摘要、DOI和出版社元数据；本轮未取得开放全文，故不写入摘要未支持的具体性能数值，裁决和人群校正只按官方方法摘要陈述。

标识： DOI 10.1148/radiol.2019191293

证据位置：

• PubMed Abstract／Materials and Methods：两个数据源、四项任务和样本规模
• Reference standard description：放射科医师裁决流程
• Population-adjusted evaluation：逆概率加权设计
• Results：模型、读者和两套测试集比较

资源： 一手入口

---

14. EVA-X：用于通用胸片分析的自监督基础模型｜EVA-X: a foundation model for general chest x-ray analysis with self-supervised learning（2025 · npj Digital Medicine）

作者： Jingfeng Yao、Xinggang Wang、Yuehao Song、Huangxuan Zhao、Jun Ma、Yajie Chen、Wenyu Liu、Bo Wang

书目： 年份 2025；载体 npj Digital Medicine；状态 同行评议；来源类型 paper

分类： 主路线 多模态与基础模型；相关路线 多模态与基础模型、数据资源、标注与表征学习、病灶定位、分割与结构化分析、判别诊断、分诊与预后；层级 跨数据集或独立外部验证；阅读层级 核心；证据等级 B；简称 EVA-X

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D2 / P=P2 / Q=Q2

定位： 以纯图像自监督同时学习语义与几何特征，并在分类、定位、分割和少样本任务上迁移。

问题： 在不依赖结构化标签或配对报告的预训练阶段，如何得到兼顾病种语义和空间几何的通用胸片表征？

机制： 汇集多个公开数据集的无标签正位片，以冻结视觉分词器提供语义目标，将掩码图像建模与对比式特征学习结合，再对多种下游任务微调。

步骤：

1. 汇集多个公开胸片集并构建约52万张无标签正位片预训练集
2. 用冻结视觉分词器产生语义丰富的目标特征
3. 通过掩码图像建模同时学习语义和几何表示
4. 在分类、定位、分割与少样本任务上微调评估

证据：

• 正式论文报告约52万张胸片的纯图像自监督预训练，并提供三种参数规模的ViT模型。
• 作者在十一项胸片分析任务上评价分类、几何分析和少样本迁移。
• 论文给出多次运行的置信区间、参数与计算量比较，并公开模型实现。

局限：

• 下游任务仍需标签微调，不能把无标签预训练等同于无标注临床系统。
• 预训练和评测依赖多个反复使用的公开数据集，数据来源和病种本体并非真正独立。
• 主要处理正位片且没有前瞻临床或工作流验证，公开基准优势不能直接推断跨院安全性。

意义：

• 代表胸片表征从报告监督转向纯图像自监督并同时兼顾几何任务的前沿。
• 为少样本和多任务迁移提供可复现基线，但仍需独立外部与部署验证。

边界： 依据npj Digital Medicine开放全文和作者代码；保留作者在公开基准上的结果，但将其证据阶段锁定为E2，不把多数据集基准或少样本优势写成真实临床部署。

标识： DOI 10.1038/s41746-025-02032-z

证据位置：

• Abstract：通用胸片表征和十一项任务
• Figure 1：预训练数据、框架和下游任务
• Methods／Pre-training Data：Merged-520k构建和拆分
• Methods／EVA-X architecture and self-supervised learning：分词器与掩码目标
• Results／Figures 3–5：分类、少样本、定位和分割迁移

资源： 一手入口 · 代码

---

15. 通过记忆驱动Transformer生成放射学报告｜Generating Radiology Reports via Memory-driven Transformer（2020 · Conference on Empirical Methods in Natural Language Processing (EMNLP)）

作者： Zhihong Chen、Yan Song、Tsung-Hui Chang、Xiang Wan

书目： 年份 2020；载体 Conference on Empirical Methods in Natural Language Processing (EMNLP)；状态 同行评议；来源类型 paper

分类： 主路线 报告生成、理解与评价；相关路线 报告生成、理解与评价；层级 资源或内部回顾性验证；阅读层级 核心；证据等级 B；简称 R2Gen

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D2 / P=P2 / Q=Q1

定位： 以可持续读写的关系记忆和记忆条件层归一化，把跨句临床模式显式带入胸片报告解码。

问题： 常规图像描述模型如何在长篇、重复且高度模板化的放射学报告中保持跨句一致，并记住常见临床表达模式？

机制： 卷积编码器提取胸片区域特征，关系记忆模块在生成过程中持续更新全局状态，记忆驱动条件层归一化再逐层调制Transformer解码器。

步骤：

1. 由卷积网络编码一张或多张胸片的视觉区域特征
2. 关系记忆模块在每个生成步聚合并更新跨句状态
3. 由记忆状态生成条件层归一化参数
4. Transformer自回归解码完整报告

证据：

• 正式EMNLP论文在IU X-Ray与MIMIC-CXR两个公开报告生成基准上同时评价词面和临床标签指标。
• 消融实验把关系记忆和记忆驱动条件层归一化的贡献分别列出，并报告完整R2Gen在两套基准上的比较结果。
• 该工作建立了后续胸片报告生成论文长期沿用的MIMIC-CXR基准与代码基线。

局限：

• 证据来自公开数据的内部回顾性划分，没有独立医院或读者研究。
• BLEU、ROUGE和自动标签指标不能充分发现遗漏、虚构、位置或严重度错误。
• 记忆模块学习的是训练语料规律，可能放大模板复用和常见病偏置。

意义：

• 代表胸片报告生成从短图注模型转向面向长报告的专用记忆架构。
• 也为后续事实性奖励、检索生成和专家错误评价提供了可复现基线。

边界： 依据ACL Anthology正式论文页、正式PDF和作者代码；只计2020年EMNLP正式版本，结果限定为IU X-Ray与MIMIC-CXR内部基准，不提升为跨院或临床证据。

标识： DOI 10.18653/v1/2020.emnlp-main.112

证据位置：

• Abstract：关系记忆与记忆驱动条件层归一化的核心贡献
• Section 2／Figure 1：R2Gen整体架构
• Section 3.2–3.3：Relational Memory与Memory-driven Conditional Layer Normalization
• Tables 1–3：IU X-Ray、MIMIC-CXR主结果和消融

资源： 一手入口 · 代码

---

16. 提升图像到文本放射学报告生成的事实完整性与一致性｜Improving Factual Completeness and Consistency of Image-to-Text Radiology Report Generation（2021 · Conference of the North American Chapter of the Association for Computational Linguistics (NAACL-HLT)）

作者： Yasuhide Miura、Yuhao Zhang、Emily Tsai、Curtis P. Langlotz、Dan Jurafsky

书目： 年份 2021；载体 Conference of the North American Chapter of the Association for Computational Linguistics (NAACL-HLT)；状态 同行评议；来源类型 paper

分类： 主路线 报告生成、理解与评价；相关路线 报告生成、理解与评价、可靠性、公平与外部验证；层级 资源或内部回顾性验证；阅读层级 核心；证据等级 B；简称 Miura事实奖励

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D2 / P=P2 / Q=Q1

定位： 把临床实体覆盖和自然语言推断一致性直接写入强化学习奖励，针对漏报与事实冲突而非只优化词面重合。

问题： 报告生成模型即使取得较高BLEU，也常遗漏参考报告中的临床实体或生成与参考事实矛盾的句子，怎样直接优化这两类错误？

机制： 先由临床信息抽取器计算实体覆盖奖励，再由自然语言推断模型计算生成句与参考句的一致性奖励，与BERTScore组合后用强化学习优化生成器。

步骤：

1. 从生成报告和参考报告抽取临床实体
2. 以实体覆盖度构造事实完整性奖励
3. 用自然语言推断估计句对蕴含或矛盾并构造一致性奖励
4. 组合语义相似度后以强化学习微调报告生成器

证据：

• 正式NAACL论文在MIMIC-CXR和IU X-Ray上评价自动指标，并以临床信息抽取F1量化事实完整性。
• 论文报告其最佳方法相对基线的临床信息抽取F1绝对提高22.1点，并给出完整性与一致性奖励的消融。
• 人工评价显示奖励设计改善了临床信息覆盖和一致性，但并未把生成系统验证为可直接临床使用。

局限：

• 实体抽取器和自然语言推断器本身会漏标或误判，奖励代理并非放射科真值。
• 与单一参考报告的一致不保证对影像事实正确，也可能惩罚合理的同义表述。
• 仍是公开数据内部回顾性实验，人工评价规模不能替代临床读者研究。

意义：

• 把胸片报告生成的优化目标从流畅度推进到可分解的事实完整性和一致性。
• 揭示评价模型本身会成为训练闭环中的潜在偏差来源。

边界： 依据ACL Anthology正式论文页和PDF；临床信息抽取F1增益按论文口径记录，人工评价不提升为外部验证或真实工作流收益。

标识： DOI 10.18653/v1/2021.naacl-main.416

证据位置：

• Abstract：事实完整性与一致性问题及主要增益
• Section 3／Figure 1：训练框架
• Sections 3.2–3.4：Entity、NLI与BERTScore奖励定义
• Tables 2–4：自动评价、消融与人工评价

资源： 一手入口

---

17. 结合自动标签器与专家标注，用BERT准确标注放射学报告｜Combining Automatic Labelers and Expert Annotations for Accurate Radiology Report Labeling Using BERT（2020 · Conference on Empirical Methods in Natural Language Processing (EMNLP)）

作者： Akshay Smit、Saahil Jain、Pranav Rajpurkar、Anuj Pareek、Andrew Y. Ng、Matthew P. Lungren

书目： 年份 2020；载体 Conference on Empirical Methods in Natural Language Processing (EMNLP)；状态 同行评议；来源类型 paper

分类： 主路线 报告生成、理解与评价；相关路线 报告生成、理解与评价、数据资源、标注与表征学习、可靠性、公平与外部验证；层级 资源或内部回顾性验证；阅读层级 核心；证据等级 B；简称 CheXbert

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D2 / P=P2 / Q=Q2

定位： 先用规则标签器扩展海量报告监督，再用少量放射科医师标签校准BERT，形成十四项胸片观察的标准报告标签器。

问题： 纯规则报告标签器难以覆盖复杂否定、不确定和同义表达，而逐份专家标注成本过高，如何结合两类监督？

机制： BERT先在约19万份规则伪标签报告上预训练，再在约一千份专家标注报告上微调，并用回译增强少量专家数据。

步骤：

1. 用CheXpert规则标签器为大规模报告生成十四项伪标签
2. 以伪标签预训练多任务BERT报告分类器
3. 对少量放射科医师标注报告进行回译增强
4. 在专家标签上微调并输出阳性、阴性、不确定或未提及状态

证据：

• 正式EMNLP论文以三个放射科医师标注的报告集评价十四项观察标签。
• CheXbert显著优于原CheXpert规则标签器，并在多数观察项上接近或超过单个读者与共识的一致程度。
• 该标签器随后成为报告生成临床F1和数据弱标签管线的常用组件。

局限：

• 输出被限制为十四项预定义观察，不能保留位置、严重度、变化和实体关系。
• 训练伪标签来自被比较的规则系统，可能继承其系统性偏差。
• 把CheXbert用于生成报告评价会形成同一标签器既定义目标又评估目标的闭环偏差。

意义：

• 推动胸片报告从词面相似度转向临床观察级结构化比较。
• 同时提醒任何基于自动标签器的临床F1都只覆盖标签本体内的事实。

边界： 依据ACL Anthology正式论文与作者代码；不把十四项报告标签的一致性写成完整报告事实正确性，也不把规则伪标签称为专家真值。

标识： DOI 10.18653/v1/2020.emnlp-main.117

证据位置：

• Abstract：自动标签与专家标签的两阶段训练
• Section 2／Figure 1：CheXbert训练流程
• Section 3：专家标注数据、回译和评价设计
• Tables 1–3：规则标签器、CheXbert与放射科医师比较

资源： 一手入口 · 代码

---

18. RadGraph：从放射学报告中抽取临床实体与关系｜RadGraph: Extracting Clinical Entities and Relations from Radiology Reports（2021 · Neural Information Processing Systems Datasets and Benchmarks Track）

作者： Saahil Jain、Ashwin Agrawal、Adriel Saporta、Steven Q. H. Truong、Du Nguyen Duong、Tan Bui、Pierre Chambon、Yuhao Zhang、Matthew P. Lungren、Andrew Y. Ng、Curtis P. Langlotz、Pranav Rajpurkar

书目： 年份 2021；载体 Neural Information Processing Systems Datasets and Benchmarks Track；状态 同行评议；来源类型 benchmark

分类： 主路线 报告生成、理解与评价；相关路线 报告生成、理解与评价、数据资源、标注与表征学习；层级 资源或内部回顾性验证；阅读层级 核心；证据等级 A；简称 RadGraph

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D2 / P=P2 / Q=Q2

定位： 以专家定义的实体和关系图表示报告事实，使报告理解与生成评价能够比较病变、解剖位置和修饰关系。

问题： 十四项标签无法表达病灶位置、存在状态及实体间关系，怎样建立可训练且可复用的放射学报告图结构？

机制： 由放射科医师定义实体和关系本体、双人标注并裁决报告，再训练基于Transformer的实体关系联合抽取模型，并扩展标注大规模MIMIC-CXR。

步骤：

1. 定义解剖、观察及存在状态实体与三类关系
2. 由临床标注者双重标注报告并由专家裁决
3. 训练实体识别和关系抽取模型
4. 对大规模MIMIC-CXR报告推理形成银标准图

证据：

• 正式NeurIPS数据与基准论文发布500份开发报告中的14,579个实体和10,889条关系。
• 测试集各含50份MIMIC-CXR与CheXpert报告，用于检验跨语料实体和关系抽取。
• 论文还对220,763份MIMIC-CXR报告生成模型银标，为RadGraph F1和后续报告评价提供基础。

局限：

• 专家金标准报告数量有限，关系类别和报告语域主要围绕胸片。
• 大规模MIMIC-CXR图是模型推理银标，不等同人工裁决。
• 图匹配仍会忽略报告风格、临床建议和未被本体编码的上下文。

意义：

• 把报告评价从十四项标签推进到实体—关系级事实结构。
• 成为RadGraph F1、RadCliQ及多种事实约束生成方法的共同基础设施。

边界： 依据NeurIPS Datasets and Benchmarks正式论文及PhysioNet官方版本页；正式论文与PhysioNet数据发布作为同一工作族入口，专家金标与模型银标严格分开。

证据位置：

• Abstract：本体、专家标注和模型资源定位
• Section 3／Figure 1：实体与关系本体
• Section 4／Table 1：开发、测试标注规模与流程
• Tables 2–4：实体和关系抽取结果及跨语料测试
• Data Records／PhysioNet v1.0.0：专家与银标文件边界

资源： 一手入口 · 数据

---

19. 评价自动胸片放射学报告生成的进展｜Evaluating Progress in Automatic Chest X-Ray Radiology Report Generation（2023 · Patterns）

作者： Feiyang Yu、Mark Endo、Rayan Krishnan、Ian Pan、Andy Tsai、Eduardo Pontes Reis、Eduardo Kaiser Ururahy Nunes Fonseca、Henrique Min Ho Lee、Zahra Shakeri Hossein Abad、Andrew Y. Ng、Curtis P. Langlotz、Vasantha Kumar Venugopal、Pranav Rajpurkar

书目： 年份 2023；载体 Patterns；状态 同行评议；来源类型 benchmark

分类： 主路线 报告生成、理解与评价；相关路线 报告生成、理解与评价、可靠性、公平与外部验证；层级 人机比较或工作流模拟；阅读层级 核心；证据等级 A；简称 RadCliQ／ReXVal

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D2 / P=P2 / Q=Q3

定位： 以六名放射科医师对生成报告逐类计错的ReXVal为锚，检验自动指标并学习更贴近专家错误总量的RadCliQ。

问题： 词面和标签指标是否真的反映放射科医师对漏报、虚构、位置、严重度和比较错误的判断？

机制： 构建参考—生成报告对，由多名放射科医师按六类错误及临床显著性计数，再比较多种自动指标与专家均值的相关性，并组合BLEU-2和RadGraph F1形成RadCliQ。

步骤：

1. 从MIMIC-CXR生成200组参考报告与模型报告对
2. 由六名认证放射科医师逐类计数显著与非显著错误
3. 计算词面、标签、图结构和嵌入指标与专家评分的相关性
4. 用回归组合BLEU-2与RadGraph F1得到RadCliQ并做失败分析

证据：

• 正式Patterns论文使用200组报告对和六名认证放射科医师建立ReXVal专家错误评价。
• RadGraph F1和复合指标RadCliQ与放射科医师评分的相关性高于所测传统词面指标。
• 作者同时展示最佳匹配检索报告可在多项自动指标上超过生成模型，反证单一指标排名等同临床进步。

局限：

• ReXVal来自MIMIC-CXR的有限报告对，专家相关性可能随语料、语言和报告风格变化。
• 专家之间对错误及临床显著性的判断存在明显差异，均值不是绝对金标准。
• RadCliQ在同一专家数据上拟合并评价，外部模型和未来生成分布仍需再验证。

意义：

• 确立专家逐类错误评价是报告生成事实性指标的必要校准层。
• 也说明自动指标只能作为筛查代理，不能替代放射科医师和工作流评价。

边界： 依据Patterns正式开放全文、DOI、PubMed/PMC和PhysioNet伴随数据页；相关性结论限定于ReXVal及所测指标，不称RadCliQ为完整临床真值。

版本： 2022年medRxiv预印本后形成2023年Patterns正式版本；地图只计正式论文，PhysioNet数据页作为伴随数据入口。

标识： DOI 10.1016/j.patter.2023.100802；工作族 ID radcliq-rexval

证据位置：

• Abstract：指标—放射科医师对齐问题与主要结论
• STAR Methods／ReXVal：200组报告、六名医师和六类错误定义
• Figure 2：专家错误标注框架与读者差异
• Figure 3／Table 1：各指标与放射科医师评分的相关性
• Figure 4：指标失败模式与RadCliQ构建

资源： 一手入口 · 数据

---

20. 从配对图像与文本对比学习医学视觉表征｜Contrastive Learning of Medical Visual Representations from Paired Images and Text（2022 · Machine Learning for Healthcare Conference (PMLR 182)）

作者： Yuhao Zhang、Hang Jiang、Yasuhide Miura、Christopher D. Manning、Curtis P. Langlotz

书目： 年份 2022；载体 Machine Learning for Healthcare Conference (PMLR 182)；状态 同行评议；来源类型 paper

分类： 主路线 多模态与基础模型；相关路线 多模态与基础模型、数据资源、标注与表征学习、判别诊断、分诊与预后；层级 跨数据集或独立外部验证；阅读层级 核心；证据等级 B；简称 ConVIRT

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D2 / P=P2 / Q=Q2

定位： 用自然产生的影像—报告对进行双向对比预训练，奠定医学图文监督替代ImageNet初始化的基础范式。

问题： 专家标签稀缺且报告规则抽取易错，能否直接利用影像与描述文本的配对关系学习可迁移视觉表征？

机制： 图像编码器与文本编码器分别映射影像和随机采样报告片段，通过批内双向对比目标拉近真配对、推远错配，再迁移到分类与零样本检索。

步骤：

1. 从常规医学数据取得图像与对应自由文本
2. 分别编码图像和报告片段
3. 用双向批内对比损失对齐真配对并分离错配
4. 将视觉编码器迁移到分类和图文检索任务

证据：

• 正式PMLR论文在四项医学图像分类和两项零样本检索任务上评价迁移。
• 在全部四项分类任务中，ConVIRT只用ImageNet初始化模型十分之一的标注数据即可达到更好或相当表现。
• 结果覆盖胸片与其他医学影像任务，但并未评价自由文本报告生成或临床工作流。

局限：

• 配对报告含临床先验和书写偏差，图文对齐不保证模型只学习影像可见信号。
• 迁移实验以有限公开基准为主，跨机构稳健性和校准未被系统审计。
• 研究证明表征和数据效率，不证明自动报告或临床决策能力。

意义：

• 成为CheXzero、BioViL等胸片视觉语言预训练工作的直接方法起点。
• 将报告从待预测文本转化为大规模自然监督来源。

边界： 依据PMLR 182正式论文页和PDF；预印本只用于版本溯源，不单独计数，也不把多任务迁移写成通用临床基础模型已经成立。

版本： 2020年arXiv预印本后收录于2022年MLHC的PMLR正式论文；地图年份和入口只按正式版。

标识： 工作族 ID convirt

证据位置：

• PMLR Abstract：四项分类、两项检索与十分之一标注数据结论
• Section 2／Figure 1：双编码器与双向对比目标
• Section 3：胸片预训练数据与迁移设置
• Tables 1–3：分类、少标注与零样本检索结果

资源： 一手入口

---

21. 充分利用文本语义改进生物医学视觉语言处理｜Making the Most of Text Semantics to Improve Biomedical Vision-Language Processing（2022 · European Conference on Computer Vision (ECCV)）

作者： Benedikt Boecking、Naoto Usuyama、Shruthi Bannur、Daniel C. Castro、Anton Schwaighofer、Stephanie Hyland、Maria Wetscherek、Tristan Naumann、Aditya Nori、Javier Alvarez-Valle、Hoifung Poon、Ozan Oktay

书目： 年份 2022；载体 European Conference on Computer Vision (ECCV)；状态 同行评议；来源类型 paper

分类： 主路线 多模态与基础模型；相关路线 多模态与基础模型、病灶定位、分割与结构化分析、报告生成、理解与评价；层级 跨数据集或独立外部验证；阅读层级 核心；证据等级 B；简称 BioViL

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D2 / P=P2 / Q=Q2

定位： 用胸片专用语言编码器强化报告语义，再以图文对比学习获得兼顾零样本分类与短语定位的BioViL表征。

问题： 通用文本编码器和简单句子采样会浪费放射学报告中的否定、章节与临床语义，怎样让图文预训练利用这些结构？

机制： 先以医学词表、掩码语言建模和报告章节匹配训练CXR-BERT，再与视觉编码器进行全局图文对比和持续语言建模，并用短语—像素相似度完成定位。

步骤：

1. 以胸片报告构建专用词表并训练CXR-BERT
2. 加入掩码语言建模和章节匹配以学习报告语义
3. 联合图像编码器执行全局图文对比预训练
4. 把共享嵌入迁移到零样本分类、检索和短语定位

证据：

• 正式ECCV论文在自然语言推断、零样本与少样本分类、图文检索和短语定位上系统评价文本语义设计。
• 作者发布MS-CXR专家短语定位数据，覆盖八类胸片发现，并用其比较跨模态空间定位。
• 在RSNA肺炎零样本分割中，BioViL报告IoU 0.355和Dice 0.496，高于所列GLoRIA基线的0.245和0.366。

局限：

• 预训练主要依赖MIMIC-CXR，报告和机构偏差可能进入共享表征。
• MS-CXR规模和八类发现覆盖有限，短语热图不等于精确病灶分割或因果解释。
• 零样本优势仍是回顾性基准结果，没有工作流或读者验证。

意义：

• 把胸片图文预训练从全局检索推进到可查询的局部语义对齐。
• 说明语言编码器质量会直接决定视觉语言模型的分类和定位上限。

边界： 依据ECCV/ECVA正式论文、Springer DOI和Microsoft官方代码；定位数值按正式论文表格记录，热图能力不扩写为临床可解释性。

标识： DOI 10.1007/978-3-031-20059-5_1

证据位置：

• Abstract：文本语义、零样本分类与定位贡献
• Figure 1／Section 3：CXR-BERT和BioViL联合训练
• Section 4.1：MS-CXR专家短语定位数据
• Tables 1–4：NLI、分类、检索和定位结果
• Table 5：RSNA零样本分割的IoU与Dice

资源： 一手入口 · 代码

---

22. 多模态图文匹配改进基于检索的胸片报告生成｜Multimodal Image-Text Matching Improves Retrieval-based Chest X-Ray Report Generation（2024 · Medical Imaging with Deep Learning (PMLR 227)）

作者： Jaehwan Jeong、Katherine Tian、Andrew Li、Sina Hartung、Subathra Adithan、Fardad Behzadi、Juan Calle、David Osayande、Michael Pohlen、Pranav Rajpurkar

书目： 年份 2024；载体 Medical Imaging with Deep Learning (PMLR 227)；状态 同行评议；来源类型 paper

分类： 主路线 报告生成、理解与评价；相关路线 报告生成、理解与评价、多模态与基础模型、可靠性、公平与外部验证；层级 人机比较或工作流模拟；阅读层级 核心；证据等级 A；简称 X-REM

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D2 / P=P2 / Q=Q3

定位： 用细粒度图文匹配重排检索候选并直接复用人写报告，在四名放射科医师错误评价中减少严重事实错误。

问题： 生成式模型容易虚构，而简单余弦检索又会返回与当前影像细节不符的报告，怎样提高检索式报告的临床匹配度？

机制： 先按图文嵌入余弦相似度召回候选报告，再用跨模态图文匹配器重排，并以自然语言推断过滤冲突和冗余句，最后拼接人写报告片段。

步骤：

1. 由图像嵌入从报告库召回候选
2. 用跨模态图文匹配分数重排细粒度候选
3. 以自然语言推断删除相互冲突或冗余句子
4. 组合保留的人写文本形成最终报告

证据：

• 正式PMLR论文报告X-REM在自然语言和临床指标上优于所测生成与检索基线。
• 四名放射科医师对60项检查形成240份评价；X-REM零错误报告为18%，高于基线检索的9%，但低于原人写报告的34%。
• 专家评价还显示X-REM降低平均和最大错误严重度，直接暴露自动指标之外的事实性差距。

局限：

• 检索库和评价均高度依赖MIMIC-CXR，罕见病和新组合受语料覆盖上限约束。
• 专家研究只有60项检查，无法稳定估计长尾错误和亚组差异。
• 复用既有报告可能复制其中的过时比较、模板偏差或原始错误。

意义：

• 证明增加模型规模并非唯一方向，受约束的人写文本复用可降低幻觉风险。
• 同时用专家错误率显示检索系统仍明显落后于原始临床报告。

边界： 依据PMLR 227正式论文页、PDF和作者代码；专家错误评价支撑E3，但样本与语料边界不允许外推为真实部署安全性。

版本： 会议报告发生于2023年，PMLR第227卷正式书目年份为2024；地图按正式PMLR版本记为2024。

标识： 工作族 ID x-rem

证据位置：

• PMLR Abstract：图文匹配和专家评价结论
• Figure 1／Section 2：召回、重排和NLI过滤流程
• Section 3.2：四名放射科医师、60项检查和错误严重度设计
• Tables 1–2：自动指标与消融
• Figure 3／Table 3：零错误比例和专家严重度评价

资源： 一手入口 · 代码

---

23. 通过自监督学习从未显式标注胸片中实现专家水平病变检测｜Expert-level Detection of Pathologies from Unannotated Chest X-ray Images via Self-supervised Learning（2022 · Nature Biomedical Engineering）

作者： Ekin Tiu、Ellie Talius、Pujan Patel、Curtis P. Langlotz、Andrew Y. Ng、Pranav Rajpurkar

书目： 年份 2022；载体 Nature Biomedical Engineering；状态 同行评议；来源类型 paper

分类： 主路线 多模态与基础模型；相关路线 多模态与基础模型、判别诊断、分诊与预后、可靠性、公平与外部验证；层级 人机比较或工作流模拟；阅读层级 核心；证据等级 A；简称 CheXzero

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D2 / P=P2 / Q=Q3

定位： 以原始胸片—报告对训练CLIP式模型，再用疾病阳性与阴性提示词零样本分类，并在外部数据和三名认证放射科医师上比较。

问题： 能否不为每种疾病建立显式训练标签，只利用日常报告自然监督，在测试时查询未见病种？

机制： 视觉Transformer和文本Transformer对377,110组MIMIC-CXR影像—报告做对比学习，推理时比较疾病阳性与阴性提示词相似度得到多标签概率。

步骤：

1. 用MIMIC-CXR影像与原始报告建立自然监督配对
2. 联合训练图像与文本编码器进行对比对齐
3. 为每种病变构造阳性和阴性提示词
4. 以相似度差输出零样本病变概率并在外部数据测试

证据：

• 正式论文用377,110组MIMIC-CXR影像—报告预训练，不使用显式病种训练标签。
• 在CheXpert五项竞赛病变上，平均MCC和F1与三名认证放射科医师无统计学显著差异，但单病种方向并不一致。
• 在PadChest 39,053张医师标注胸片上外部评价57项发现，显示跨国家零样本迁移，同时暴露长尾性能差异。

局限：

• MCC和F1仍需在带标签验证集上选择病种阈值，不能理解为全流程无标签。
• 表现取决于报告是否提及概念及提示词术语，跨语言和同义表达会造成波动。
• 任务限于图像级分类，低分辨率输入对细小病灶、定位和完整报告无直接保证。

意义：

• 把胸片图文对比预训练推进为真正可查询的零样本多病种分类。
• 专家比较也说明“平均无显著差异”必须与单病种不足和阈值依赖一起阅读。

边界： 依据Nature Biomedical Engineering开放全文、源数据和作者代码；专家水平表述严格限定于CheXpert五项任务的平均统计比较，不扩写为全面替代放射科医师。

标识： DOI 10.1038/s41551-022-00936-9

证据位置：

• Abstract：外部验证、专家比较和未见病种结论
• Figure 1／Methods／Model pre-training：377,110组配对与正负提示
• Figure 2／Table 1：CheXpert三名认证放射科医师比较
• Figure 3／Table 4：PadChest外部零样本评价
• Discussion／Limitations：提示词、验证阈值与任务边界

资源： 一手入口 · 代码

---

24. 胸部放射影像的知识增强视觉语言预训练｜Knowledge-enhanced Visual-Language Pre-training on Chest Radiology Images（2023 · Nature Communications）

作者： Xiaoman Zhang、Chaoyi Wu、Ya Zhang、Weidi Xie、Yanfeng Wang

书目： 年份 2023；载体 Nature Communications；状态 同行评议；来源类型 paper

分类： 主路线 多模态与基础模型；相关路线 多模态与基础模型、判别诊断、分诊与预后、病灶定位、分割与结构化分析；层级 人机比较或工作流模拟；阅读层级 核心；证据等级 A；简称 KAD

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D2 / P=P2 / Q=Q3

定位： 把UMLS知识图谱、报告实体关系和疾病查询网络结合，使胸片模型可用任意疾病名称做零样本诊断并产生注意证据。

问题： 简单图文对齐对细粒度医学术语和训练中未见疾病泛化不足，怎样显式注入医学知识并开放病种查询？

机制： 先学习UMLS概念与关系的知识编码器，再从报告抽取实体关系并做知识引导的图文对比，同时训练以疾病名称为查询的Disease Query Network。

步骤：

1. 从UMLS概念、定义和关系训练知识编码器
2. 用规则、RadGraph或语言模型从报告抽取实体关系
3. 以知识表示引导胸片—文本对比预训练
4. 用疾病名称查询DQN输出概率和视觉注意图

证据：

• 正式论文在PadChest、ChestXray14、CheXpert和ChestX-Det10四个外部数据集零样本评价。
• 在PadChest 177个训练未见类别中，KAD有31类AUROC至少0.900、111类至少0.700。
• 在CheXpert五项病变中，KAD有三项显著高于三名专家放射科医师的平均表现，但这只是选定分类任务比较。

局限：

• UMLS、RadGraph或语言模型的抽取错误会沿知识管线传播。
• 疾病名称查询仍主要输出图像级分类和粗注意图，不等于精确定位或完整诊断报告。
• 外部公开数据反复用于方法比较，专家对照仅覆盖CheXpert五项病变和固定操作点。

意义：

• 代表胸片基础模型从纯统计图文对齐转向可查询的医学知识先验。
• 为长尾、未见病种和开放词汇诊断提供了可复现路径，也引入知识源偏差这一新风险。

边界： 依据Nature Communications开放全文、源数据和作者代码；四数据集记为外部回顾性验证，专家比较严格限定于CheXpert五项病变，不表述为通用临床优越性。

标识： DOI 10.1038/s41467-023-40260-7

证据位置：

• Abstract：四个外部数据集和三项专家比较
• Figure 1／Introduction：知识编码器、报告抽取和DQN机制
• Figure 2：PadChest 177个未见类别零样本结果
• Figures 3–5：ChestXray14、CheXpert和ChestX-Det10结果
• Methods／Statistical analysis：阈值、置信区间和显著性设计

资源： 一手入口 · 代码

---

25. 面向胸片发现的临床可及小型多模态放射学模型与评价指标｜A Clinically Accessible Small Multimodal Radiology Model and Evaluation Metric for Chest X-ray Findings（2025 · Nature Communications）

作者： Juan Manuel Zambrano Chaves、Shih-Cheng Huang、Yanbo Xu、Hanwen Xu、Naoto Usuyama、Sheng Zhang、Fei Wang、Yujia Xie、Mahmoud Khademi、Ziyi Yang、Hany Awadalla、Julia Gong、Houdong Hu、Jianwei Yang、Chunyuan Li、Jianfeng Gao、Yu Gu、Cliff Wong、Mu Wei、Tristan Naumann、Muhao Chen、Matthew P. Lungren、Akshay Chaudhari、Serena Yeung-Levy、Curtis P. Langlotz、Sheng Wang、Hoifung Poon

书目： 年份 2025；载体 Nature Communications；状态 同行评议；来源类型 paper

分类： 主路线 多模态与基础模型；相关路线 多模态与基础模型、报告生成、理解与评价、可靠性、公平与外部验证；层级 人机比较或工作流模拟；阅读层级 核心；证据等级 A；简称 LLaVA-Rad

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D2 / P=P2 / Q=Q3

定位： 以胸片专用编码器、轻量适配器和7B语言模型生成发现，并用六名放射科医师标注的ReXVal校准GPT-4事实错误指标CheXprompt。

问题： 大型闭源多模态模型在胸片报告上既昂贵又易幻觉，怎样用可本地运行的小模型提升性能，并以可扩展指标逼近专家事实评价？

机制： 先用七个来源的697,435组影像—文本预训练胸片编码器，再经适配器对齐预训练语言模型并用LoRA微调；另由GPT-4按六类错误比较生成与参考报告。

步骤：

1. 汇集并清洗七个来源的胸片—报告或标签数据
2. 训练胸片专用视觉编码器并以轻量适配器连接语言模型
3. 分阶段对齐和LoRA微调以生成findings文本
4. 以ReXVal专家错误计数校准CheXprompt并评价内部与外部数据

证据：

• 正式论文使用697,435组影像—文本、约258,639名患者训练，并在MIMIC-CXR、Open-I、CheXpert和US-CXR上评价。
• CheXprompt在ReXVal六名认证放射科医师、200组报告对上与专家总错误Kendall tau-b大于0.75、显著错误大于0.70。
• 尽管优于所测更大模型，MIMIC测试中只有6.79%的报告无临床显著错误、2.58%完全无错误，主要失败为临床显著假阴性。

局限：

• CheXprompt依赖专有GPT-4和参考报告，模型更新、提示和参考错误都会改变评分。
• 训练数据中的部分报告由GPT-4从标签合成或翻译；CheXpert合成报告平均仍含3.78个错误。
• 无错误比例仍低且假阴性占主导，作者明确说明尚不适合实时临床部署。

意义：

• 证明高质量领域数据和模块化训练可让小模型超过更大的通用多模态模型。
• 更重要的是用专家校准指标量化剩余幻觉，反驳自动基准领先即可部署。

边界： 依据Nature Communications开放全文、源数据、永久代码版本和CheXprompt代码；E3来自专家标注指标校准，不把外部回顾性基准称为真实临床部署。

标识： DOI 10.1038/s41467-025-58344-x

证据位置：

• Abstract／Figure 1：697K数据、模块化训练和CheXprompt
• Results／Figures 2–3：MIMIC与Open-I、CheXpert、US-CXR外部评价
• Figure 4：ReXVal六名医师相关性和CheXprompt校准
• Results／Error-free reports：6.79%与2.58%无错误比例
• Supplementary Table 2：合成CheXpert报告平均3.78个错误

资源： 一手入口 · 代码 · 数据

---

26. CLEAR：基于临床概念的可审计放射学基础模型｜CLEAR: an Auditable Foundation Model for Radiology Grounded in Clinical Concepts（2026 · Nature Biomedical Engineering）

作者： Tianyu Han、Riga Wu、Yu Tian、Firas Khader、Lisa C. Adams、Keno K. Bressem、Christos Davatzikos、Jakob Nikolas Kather、Li Shen、David A. Mankoff、Eduardo Mortani Barbosa Jr.、Daniel Truhn

书目： 年份 2026；载体 Nature Biomedical Engineering；状态 同行评议；来源类型 paper

分类： 主路线 多模态与基础模型；相关路线 多模态与基础模型、可靠性、公平与外部验证、判别诊断、分诊与预后；层级 跨数据集或独立外部验证；阅读层级 核心；证据等级 A；简称 CLEAR

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D2 / P=P2 / Q=Q2

定位： 把胸片投影到36万余条放射学观察构成的概念空间，使每个预测可分解、可检索并可通过概念干预审计混杂。

问题： 高性能胸片基础模型的特征难以解释，发生跨院性能下降时怎样识别具体概念混杂并进行可操作干预？

机制： 从公开报告抽取368,294条观察并生成LLM语义嵌入，以DINOv2图像编码器和文本编码器做对比预训练，再将图像—概念相似度投影到概念空间用于预测和审计。

步骤：

1. 从报告抽取并去重形成368,294条放射学概念库
2. 以超过87万组影像—报告对训练图像和文本编码器
3. 计算图像对全部概念的相似度并投影到LLM嵌入空间
4. 将预测分解为概念贡献，定位混杂并实施概念干预

证据：

• 正式论文使用超过87万组影像—报告、239,391名患者训练，并在美国、西班牙和越南医师标注数据外部验证。
• 在VinDr-CXR 21项发现上平均零样本AUROC为0.782，对比CheXzero为0.750；PadChest 55项为0.700，对比0.668。
• 模型能追溯不同数据集肺炎性能差异到间质性改变和舌叶不张等概念混杂，但该解释仍需独立临床验证。

局限：

• 概念库和语义几何依赖报告抽取及外部LLM嵌入模型，不能视为专家逐项审核本体。
• 概念贡献的可分解性提高可审计性，但仍不证明识别到因果机制。
• 工作发表于2026年，尚缺独立复现、前瞻读者研究和工作流结局。

意义：

• 把基础模型可解释性从事后热图推进到可查询、可干预的临床概念层。
• 为跨院失败诊断提供机制化工具，同时引入概念库覆盖和LLM依赖的新审计对象。

边界： 依据Nature Biomedical Engineering开放全文、PubMed和作者官方代码；外部数据支撑E2，概念审计不自动提升为人机比较或部署证据，作者代码亦明确非医疗器械。

标识： DOI 10.1038/s41551-026-01741-4

证据位置：

• Abstract：训练规模、四个外部医师标注数据和审计用途
• Figure 1：概念库、对比预训练与概念嵌入机制
• Figure 2／Supplementary Tables 8–11：VinDr、Indiana和PadChest零样本结果
• Figure 2f–g：跨数据肺炎性能差异与混杂概念审计
• Figure 3：MIMIC训练、CheXpert外部线性探测

资源： 一手入口 · 代码

---

27. 面向胸部X线的完全开放人工智能基础模型｜A Fully Open AI Foundation Model Applied to Chest Radiography（2025 · Nature）

作者： DongAo Ma、Jiaxuan Pang、Michael B. Gotway、Jianming Liang

书目： 年份 2025；载体 Nature；状态 同行评议；来源类型 paper

分类： 主路线 多模态与基础模型；相关路线 多模态与基础模型、判别诊断、分诊与预后、可靠性、公平与外部验证；层级 跨数据集或独立外部验证；阅读层级 核心；证据等级 B；简称 Ark+

核验： 来源层级 T1；核验状态 abstract-checked；V/D/P/Q V=V2 / D=D2 / P=P2 / Q=Q2

定位： 以教师—学生循环训练在六个异质标注数据集间持续积累知识，开放模型、权重和代码，并测试常见、长尾、少样本、零样本与偏差韧性。

问题： 多个胸片数据集病种本体不一、标签不完整，简单合并会丢失专家知识，怎样在不重标全部数据的情况下得到可扩展开放基础模型？

机制： 学生网络带数据集专用多任务头，循环逐个扫描异质任务；教师网络以指数移动平均积累共享知识，并以投影一致性约束向后续任务传递。

步骤：

1. 汇集六个公开胸片数据集及其异质专家或报告派生标签
2. 学生模型通过任务专用头循环学习各数据集
3. 以指数移动平均把学生知识持续写入教师模型
4. 复用教师表征做微调、线性探测、少样本和零样本迁移

证据：

• Nature正式论文以六个公开数据集、超过70万张胸片预训练，并公开Ark+代码和权重。
• 论文分别评价常见胸部疾病、增量新任务、罕见少样本病种、十九项长尾疾病和无需训练的新场景迁移。
• 扩展数据还比较性别相关偏差、集中式与联邦式训练，但这些均为回顾性实验而非真实联邦部署。

局限：

• 六个公开数据集的弱标签、重叠人群和病种本体差异仍可能被共同编码。
• 多任务、少样本和零样本结果主要是分类基准，不能外推到完整报告或患者结局。
• 联邦学习和偏差耐受是实验性展示，未证明跨机构真实部署、隐私或持续监测效果。

意义：

• 展示异质公开标签可通过持续知识积累形成完全开放的胸片基础模型。
• 也把数据重叠、弱标签谱系和开放模型外部复现列为后续审计重点。

边界： 依据Nature正式论文页、PubMed、扩展数据说明和作者代码；正文订阅边界内不补写未核验的细分性能数字，Ark与Ark+按工作族去重。

版本： 2023年MICCAI Foundation Ark是前序工作；本条只计2025年Nature正式Ark+，两者不重复计数。

标识： DOI 10.1038/s41586-025-09079-8；工作族 ID foundation-ark

证据位置：

• Abstract：异质标签循环积累、开放性和能力范围
• Figure 1：Ark+总体定位
• Figures 2–5：常见病、增量与少样本、长尾和新场景结果
• Extended Data Figure 1：教师—学生、多任务头与循环训练
• Extended Data Tables 3–7：长尾、性别偏差、联邦模拟和预训练数据

资源： 一手入口 · 代码

---

28. GPT-4V尚不能生成放射学报告｜GPT-4V Cannot Generate Radiology Reports Yet（2025 · Findings of the Association for Computational Linguistics: NAACL）

作者： Yuyang Jiang、Chacha Chen、Dang Nguyen、Benjamin M. Mervak、Chenhao Tan

书目： 年份 2025；载体 Findings of the Association for Computational Linguistics: NAACL；状态 同行评议；来源类型 paper

分类： 主路线 可靠性、公平与外部验证；相关路线 可靠性、公平与外部验证、报告生成、理解与评价、多模态与基础模型；层级 跨数据集或独立外部验证；阅读层级 核心；证据等级 B；简称 GPT-4V负面审计

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D2 / P=P2 / Q=Q2

定位： 跨三套胸片基准拆分图像推理与报告合成，发现GPT-4o和GPT-4V的预测分布几乎不随真实病变变化，给出通用模型能力的系统反证。

问题： 通用多模态模型报告低分究竟来自看不懂胸片，还是知道病变后仍无法合成合格报告？

机制： 先用多种提示直接从图像生成报告，再把任务拆成图像到疾病标签和真实标签到报告两个阶段，分别以临床标签、词面和人工自然度代理比较。

步骤：

1. 在MIMIC-CXR、CheXpert Plus和IU X-Ray上直接提示生成报告
2. 把图像推理阶段改写为疾病标签预测
3. 检查预测标签分布是否随真实病变条件改变
4. 向模型提供真实疾病标签，单独评价报告合成并与微调Llama比较

证据：

• 正式Findings论文系统评价GPT-4o与GPT-4 vision-preview在三套胸片报告基准上的多种提示。
• 不同真实病变条件下，模型预测标签分布保持近似恒定，支持主要瓶颈在图像推理而非提示措辞。
• 即便输入真实疾病条件，GPT-4生成报告仍比微调Llama更不正确且更不自然，反驳仅补充结构化标签即可解决。

局限：

• 结论绑定于研究时点可用的GPT-4o和vision-preview版本，闭源模型更新后需重测。
• 三套公开基准和自动指标不能覆盖真实PACS、临床上下文与医师交互。
• 研究没有放射科医师逐例错误审阅，不能量化真实临床危害。

意义：

• 为通用医学视觉语言模型在胸片上的零样本能力提供强反证，防止以少量示例推断可用性。
• 说明应分别评价视觉推理与语言合成，避免把失败笼统归因于提示工程。

边界： 依据ACL Anthology正式论文页、PDF和DOI；结论明确绑定所测模型版本、提示和三套公开基准，不外推到所有后续GPT版本或所有医学影像任务。

标识： DOI 10.18653/v1/2025.findings-naacl.113

证据位置：

• ACL Anthology Abstract：三基准、两阶段拆分和主要负面结论
• Section 3：模型、提示与三套数据设置
• Section 4／Tables 1–3：直接报告生成的词面与临床指标
• Section 5／Figures 3–5：图像推理标签分布审计
• Section 6：给定真实条件的报告合成比较

资源： 一手入口

---

29. 临床医师与视觉语言模型在放射学报告生成中的协作｜Collaboration between Clinicians and Vision–Language Models in Radiology Report Generation（2025 · Nature Medicine）

作者： Ryutaro Tanno、David G. T. Barrett、Andrew Sellergren、Sumedh Ghaisas、Sumanth Dathathri、Abigail See、Johannes Welbl、Charles Lau、Tao Tu、Shekoofeh Azizi、Karan Singhal、Mike Schaekermann、Rhys May、Roy Lee、SiWai Man、Sara Mahdavi、Zahra Ahmed、Yossi Matias、Joelle Barral、S. M. Ali Eslami、Danielle Belgrave、Yun Liu、Sreenivasa Raju Kalidindi、Shravya Shetty、Vivek Natarajan、Pushmeet Kohli、Po-Sen Huang、Alan Karthikesalingam、Ira Ktena

书目： 年份 2025；载体 Nature Medicine；状态 同行评议；来源类型 paper

分类： 主路线 临床工作流、人机协作与部署；相关路线 临床工作流、人机协作与部署、报告生成、理解与评价、多模态与基础模型、可靠性、公平与外部验证；层级 人机比较或工作流模拟；阅读层级 核心；证据等级 A；简称 Flamingo-CXR

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D2 / P=P2 / Q=Q3

定位： 在美国重症与印度门诊数据上，以27名认证放射科医师盲法比较AI和人写报告，并测试医师编辑AI初稿的协作模式。

问题： 自动指标领先的视觉语言模型报告，是否真的被放射科医师认为可用于下游照护，且作为初稿能否与医师互补？

机制： 在MIMIC-CXR与印度IND1数据微调Flamingo生成findings和impression，随后开展盲法成对偏好、逐句错误修正和医师编辑AI初稿的协作评价。

步骤：

1. 用美国重症和印度门诊影像—报告微调Flamingo-CXR
2. 让认证放射科医师盲法比较AI与原人写报告
3. 逐条修正错误并标记临床显著性、位置和严重度
4. 以医师修订AI初稿构成协作报告并再次做偏好评价

证据：

• 正式论文招募美国11名和印度16名认证放射科医师，在两种临床与地域场景开展专家评价。
• 至少半数评审认为AI报告优于或等同人写报告的病例占美国重症56.1%、印度门诊77.7%，印度正常片子集为94%。
• 印度数据中24.8%的病例两类报告都有临床显著错误，22.8%仅AI有、14.0%仅人写有，显示互补与共同失败并存。

局限：

• 研究为历史去标识数据上的工作流模拟，没有在真实照护中上线或评价患者结局。
• 只向评审展示正位片，未系统利用侧位、纵向比较和完整临床语境。
• IND1及专家评分不可公开，模型又含不可共享的专有组件，独立复现受限。

意义：

• 将报告生成评价从自动分数推进到跨地域认证读者偏好、错误类型和协作收益。
• 同时证明AI与人写报告都含显著错误，适合研究互补审校而非宣称自治替代。

边界： 依据Nature Medicine正式开放全文、源数据说明和DOI；专家研究支撑E3，在线年份与正式卷年已分开记录，专有数据和组件边界明确保留。

版本： 论文于2024年11月在线发表，正式卷期为Nature Medicine 31卷599–608页（2025）；地图按正式卷年记为2025。

标识： DOI 10.1038/s41591-024-03302-1；工作族 ID flamingo-cxr

证据位置：

• Abstract：两场景偏好比例和临床显著错误分布
• Figure 1：盲法偏好、错误修正和协作评价框架
• Figure 2：印度数据疾病检测与专家标签比较
• Figure 3：MIMIC-CXR与IND1成对偏好及读者分歧
• Figure 4／Extended Data Figure 4：错误频率、显著性和交集
• Figure 5：医师编辑AI初稿的协作结果

资源： 一手入口

---

30. 用于临床实践中自动胸片解读的DeepSeek驱动人工智能系统｜A DeepSeek-powered AI System for Automated Chest Radiograph Interpretation in Clinical Practice（2026 · Nature Communications）

作者： Yaowei Bai、Ruiheng Zhang、Yu Lei、Xuhua Duan、Jingfeng Yao、Shuguang Ju、Chaoyang Wang、Wei Yao、Yiwan Guo、Guilin Zhang、Chao Wan、Qian Yuan、Lei Chen、Wenjuan Tang、Biqiang Zhu、Xinggang Wang、Tao Sun、Wei Zhou、Dacheng Tao、Yongchao Xu、Chuansheng Zheng、Huangxuan Zhao、Bo Du

书目： 年份 2026；载体 Nature Communications；状态 同行评议；来源类型 paper

分类： 主路线 临床工作流、人机协作与部署；相关路线 临床工作流、人机协作与部署、报告生成、理解与评价、多模态与基础模型、判别诊断、分诊与预后；层级 前瞻部署、临床结局或官方采用；阅读层级 核心；证据等级 A；简称 Janus-Pro-CXR

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D2 / P=P2 / Q=Q3

定位： 把1B参数Janus-Pro胸片化并接入三院前瞻人机协作，在296名患者中提高初级医师报告质量并缩短18.3%书写时间。

问题： 胸片多模态模型能否在普通硬件上进入真实报告流程，并在前瞻多中心环境改善初级放射科医师的质量和效率？

机制： 以MIMIC-CXR、CheXpert Plus和27院数据分阶段微调Janus-Pro 1B，并融合专家分类结果；部署后由初级医师参考AI初稿编辑，资深医师复核签发。

步骤：

1. 用公共影像—报告和27院回顾性数据分阶段微调1B多模态模型
2. 把专家分类结果、影像和临床史融合为结构化报告初稿
3. 在三家医院由随机分组的初级医师采用AI辅助或标准流程撰写
4. 由资深医师盲评并比较报告质量、一致性、偏好与系统记录时间

证据：

• 正式论文在27家医院回顾性评价，并于三家中国医院前瞻纳入296名患者开展AI—医师协作。
• 前瞻研究中AI辅助报告质量为4.36±0.50，对照为4.12±0.80；平均书写时间120.6秒对147.6秒，缩短18.3%。
• 模型为1B参数，在带RTX 4060 8GB的笔记本上报告1–2秒推理；但独立生成仍不足以替代医师。

局限：

• 前瞻样本仅296名，主要纳入无需历史或侧位比较的正位片，并排除图像质量差及妊娠或哺乳者。
• 资深医师签发报告仍是参考，研究没有患者处置、错误伤害或长期结局。
• 细微或复杂发现仍受限，模型独立生成不能替代放射科医师；正式论文注册号不应自动等同事前注册已完成审计。

意义：

• 提供胸片生成基础模型少见的多中心前瞻E4证据，并把质量和时间放在同一真实流程中评价。
• 也显示当前最可信定位是初级医师可编辑的本地初稿工具，而非自治报告系统。

边界： 依据Nature Communications正式开放全文、正式补充材料、Figshare数据和作者代码；预印本旧标题、旧作者表与旧注册号不混入，E4仅来自正式文中三院前瞻协作。

版本： 2025年出现过标题、作者和试验编号均变化的预印本版本；本条只计2026年Nature Communications正式版本及其NCT07117266。

标识： DOI 10.1038/s41467-026-72680-6；工作族 ID janus-pro-cxr

证据位置：

• Abstract：三院、296名患者、报告质量和18.3%时间缩短
• Figure 1／Results／Patients：公共数据、CXR-27和前瞻队列流程
• Table 1／Figure 3A–F：前瞻主要结局、偏好和书写时间
• Figure 4：MIMIC-CXR与CXR-27回顾性生成和六项病变结果
• Methods／Trial design与Evaluation of collaboration：随机分组和真实流程
• Discussion／Limitations：细微病变、参考报告和仅辅助使用边界

资源： 一手入口 · 代码 · 数据

---

31. 面向可扩展胸片诊断的人工智能方法开发与外部验证：多国横断面研究｜Development and External Validation of an Artificial Intelligence-Based Method for Scalable Chest Radiograph Diagnosis: A Multi-Country Cross-Sectional Study（2024 · Research）

作者： Zeye Liu、Jing Xu、Chengliang Yin、Guojing Han、Yue Che、Ge Fan、Xiaofei Li、Lixin Xie、Lei Bao、Zimin Peng、Jinduo Wang、Yan Chen、Fengwen Zhang、Wenbin Ouyang、Shouzheng Wang、Junwei Guo、Yanqiu Ma、Xiangzhi Meng、Taibing Fan、Aihua Zhi、Dawaciren、Kang Yi、Tao You、Yuejin Yang、Jue Liu、Yi Shi、Yuan Huang、Xiangbin Pan

书目： 年份 2024；载体 Research；状态 同行评议；来源类型 paper

分类： 主路线 可靠性、公平与外部验证；相关路线 可靠性、公平与外部验证、判别诊断、分诊与预后；层级 跨数据集或独立外部验证；阅读层级 核心；证据等级 B；简称 Liu多国26病种验证

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D2 / P=P2 / Q=Q2

定位： 用13个数据集、4个国家和26种胸部诊断检验大规模多标签胸片模型的可扩展性，同时暴露公共数据混合验证的边界。

问题： 多病种胸片模型能否跨公开数据源、国家和设备保持诊断性能，并扩展到训练标签之外的临床场景？

机制： 把多来源标签统一到26种诊断，为每一病种建立独立二项输出，使用十个公开数据集开发和内部测试，再在三个未参与训练的数据集及医师比较中评价。

步骤：

1. 汇集13个数据集并统一26种胸部诊断标签
2. 用ResNet-50骨干分别建模各诊断的二项概率
3. 在十个来源上开发并保留测试集
4. 在三个独立来源、跨设备图像和医师比较中评价

证据：

• 正式论文报告795,055张胸片，来源覆盖13个数据集和4个国家，并评价26种诊断。
• 26种诊断在测试集的平均AUROC为0.961，但正式外部验证中重点报告的是局部任务，例如肺部阴影AUROC为0.9634。
• 论文明确承认公共数据整合可能使同一患者影像跨训练与测试集合，三个独立数据集用于降低而非消除该风险。

局限：

• 11个来源为公开数据，标签定义、重复患者和预处理差异可能造成无法完全审计的混杂。
• 外部结果并未对26种诊断逐项提供同等强度的独立验证，不能用平均AUROC概括全部疾病。
• 没有前瞻部署、管理改变或患者结局；性别分析也不能代表完整公平性审计。

意义：

• 证明多源标签统一可以扩大胸片模型的任务覆盖，但也说明外部验证必须逐任务、逐来源报告。
• 为多病种通用模型设置了从数据规模到真实临床效益之间仍需跨越的证据边界。

边界： 以Research正式论文、DOI、PubMed与PMC全文为主入口。论文的26病种高平均AUROC属于多源回顾性评价，不写成通用诊断、持续学习、全面公平或临床获益证据。

标识： DOI 10.34133/research.0426；PMID 39109248；PMCID PMC11301699

证据位置：

• Abstract：数据规模、26种诊断、平均AUROC和外部验证结果
• Materials and Methods／Data sources and management：13个数据源、训练测试划分及三个外部集
• Table 1／Figure 1：数据集角色与研究流程
• Conclusion：公共数据患者交叉风险与外部验证边界

资源： 一手入口

---

32. 结核病自动胸片算法的多国头对头准确性比较｜A multi-country head-to-head accuracy comparison of automated chest X-ray algorithms for tuberculosis（2026 · Annals of the American Thoracic Society）

作者： William Worodria、Robert Castro、Sandra V. Kik、Victoria Dalay、Brigitta Derendinger、Charles Festo、Thanh Quoc Nguyen、Mihaja Raberahona、Swati Sudarsan、Alfred Andama、Balamugesh Thangakunam、Issa Lyimo、Viet Nhung Nguyen、Rivo Rakotoarivelo、Grant Theron、Charles Yu、Claudia M. Denkinger、Simon Grandjean Lapierre、Adithya Cattamanchi、Devasahayam J. Christopher、Devan Jaganath、R2D2 TB Network

书目： 年份 2026；载体 Annals of the American Thoracic Society；状态 同行评议；来源类型 paper

分类： 主路线 可靠性、公平与外部验证；相关路线 可靠性、公平与外部验证、判别诊断、分诊与预后、临床工作流、人机协作与部署；层级 跨数据集或独立外部验证；阅读层级 核心；证据等级 A；简称 七国结核CAD比较

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D3 / P=P2 / Q=Q3

定位： 在七国同一微生物学参考标准下独立比较七种结核胸片CAD，量化产品、国家和关键亚组的阈值异质性。

问题： 当前结核CAD产品能否在高负担国家达到世界卫生组织分诊目标，并以同一阈值服务不同国家和人群？

机制： 利用两项前瞻诊断研究中的有症状成人胸片，对七个明确版本的CAD离线评分，以Xpert MTB/RIF Ultra或培养为微生物学参考，并比较统一与人群特异阈值。

步骤：

1. 在七国门诊纳入持续咳嗽成人并采集胸片与痰标本
2. 以七个指定版本的CAD对每张胸片独立输出结核风险
3. 用Xpert Ultra或培养构建微生物学参考标准
4. 比较总体、国家、HIV和既往结核等亚组及特异阈值

证据：

• 正式版纳入3,901人并比较CAD4TB、qXR、INSIGHT CXR、DrAid、Genki、InferRead和Radify七种算法。
• 在固定90%敏感度时，特异度从30.9%到73.5%；CAD4TB、qXR与INSIGHT CXR达到70%最低目标。
• 国家和亚组异质性可由特异阈值部分改善，但HIV感染者、50岁及以上人群和既往结核人群仍存在边界。

局限：

• 对象是有至少两周咳嗽的成人门诊患者，不能直接外推至无症状人群、儿童或其他胸部疾病。
• 研究评价离线分诊准确性，没有检验确诊完成率、治疗启动、传播或患者结局。
• 产品阈值和版本会更新，名称相同不代表后续版本具有相同性能。

意义：

• 提供了低资源场景中少见的独立、同队列、同参考标准产品比较。
• 证明本地阈值是必要但不充分的，部署还需持续亚组监测和后续确诊能力。

边界： 以2026年期刊正式版和PubMed更新记录为主；厂商免费提供软件但未参与设计、收集、分析、发表决定或写作。预印本数字不得与正式版混写。

版本： 正式版更新自medRxiv DOI 10.1101/2024.06.19.24309061。预印本为五产品、3,927人；2026正式版为七产品、3,901人，以正式版为准且只计一次。

标识： DOI 10.1093/annalsats/aaoag011；PMID 41973983；PMCID PMC13152663；工作族 ID worodria-tb-cad

证据位置：

• Abstract：样本、七种CAD、目标标准及主要结果
• Procedures and CAD assessment：产品与算法版本
• Reference standards：微生物学阳性定义
• Table 2：总体头对头准确性
• Figures 2–3：统一与国家/亚组特异阈值比较

资源： 一手入口

---

33. 肺炎胸片深度学习模型的可变泛化表现：横断面研究｜Variable generalization performance of a deep learning model to detect pneumonia in chest radiographs: A cross-sectional study（2018 · PLOS Medicine）

作者： John R. Zech、Marcus A. Badgeley、Manway Liu、Anthony B. Costa、Joseph J. Titano、Eric Karl Oermann

书目： 年份 2018；载体 PLOS Medicine；状态 同行评议；来源类型 paper

分类： 主路线 可靠性、公平与外部验证；相关路线 可靠性、公平与外部验证、判别诊断、分诊与预后；层级 跨数据集或独立外部验证；阅读层级 核心；证据等级 A；简称 Zech跨医院泛化

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D3 / P=P2 / Q=Q3

定位： 用三家医院证明肺炎胸片模型可把机构来源和患病率当作捷径，内部高分不能替代跨院验证。

问题： 在一家医院训练的肺炎检测网络能否迁移到另一医院，性能变化是否由真实肺部信号以外的机构差异驱动？

机制： 分别在不同医院系统训练与测试肺炎分类器，交叉交换外部测试集，并训练医院来源分类器、控制患病率和检查显著区域以识别机构混杂。

步骤：

1. 从三个美国医院系统构建报告标签胸片队列
2. 在单院或合并数据上训练肺炎分类模型
3. 比较院内测试与跨院外部测试性能
4. 用医院来源识别、患病率基线和图像区域分析审计捷径

证据：

• 研究覆盖158,323张胸片，单院训练模型在外部医院的表现普遍低于内部测试。
• 模型可从胸片高精度识别医院来源；仅使用医院肺炎患病率的非图像基线也能在跨院混合测试中获得高表观AUROC。
• 合并多院训练并未自动消除机构、投照和患病率混杂。

局限：

• 只评价肺炎且限于三个美国数据源，不能量化所有病种、国家或设备的域偏移。
• 报告标签和人为构造的患病率实验不能完整代表真实部署中的参考标准和疾病谱。
• 研究揭示关联和可利用线索，但不能为每个错误确定唯一因果机制。

意义：

• 奠定胸片AI跨机构外部验证和来源捷径审计的核心范式。
• 要求评价按机构、时间、投照方式和患病率分层，而不是只报告合并AUROC。

边界： 依据PLOS Medicine正式开放全文、DOI与PMC；模型能识别医院来源是域混杂证据，不写成对特定人口属性的因果归因。

标识： DOI 10.1371/journal.pmed.1002683；PMID 30399157；PMCID PMC6219764

证据位置：

• Abstract：三院外部泛化问题和主要结论
• Methods／Data sources：医院队列与标签构建
• Results／Cross-domain performance：内部与外部比较
• Hospital-system classifier and prevalence analyses：来源识别与患病率捷径
• Figure 3：标记和院别相关图像区域示例

资源： 一手入口

---

34. 深度学习自动识别需转诊异常胸片：重校准的必要性｜Automated identification of chest radiographs with referable abnormality with deep learning: need for recalibration（2020 · European Radiology）

作者： Eui Jin Hwang、Hyungjin Kim、Jong Hyuk Lee、Jin Mo Goo、Chang Min Park

书目： 年份 2020；载体 European Radiology；状态 同行评议；来源类型 paper

分类： 主路线 可靠性、公平与外部验证；相关路线 可靠性、公平与外部验证、判别诊断、分诊与预后；层级 跨数据集或独立外部验证；阅读层级 核心；证据等级 B；简称 Hwang重校准

核验： 来源层级 T1；核验状态 abstract-checked；V/D/P/Q V=V2 / D=D2 / P=P2 / Q=Q2

定位： 在连续急诊队列中显示高判别性能可与系统性概率高估并存，而简单本地重校准可改善但不能消除部署风险。

问题： 商业胸片异常识别模型在新急诊队列中的概率是否可靠，能否在保持判别能力的同时完成本地重校准？

机制： 对商业模型在1,135名连续急诊患者上的概率输出进行校准审计，反复把同一队列随机分为重校准与验证集，比较八种重校准方法。

步骤：

1. 收集连续急诊患者胸片并运行既有商业模型
2. 同时评价AUROC、Brier分数和多种校准误差
3. 用681例拟合八种概率重校准方法
4. 在其余454例及反复随机划分中比较校准与判别

证据：

• 原模型AUROC为0.949，但平均和最大校准误差分别为0.069和0.179，整体倾向高估异常概率。
• 多种简单重校准方法降低平均校准误差，部分方法同时保持判别性能。
• 改进发生在同一医院队列的内部随机验证中，并非再次跨院验证。

局限：

• 单中心队列内重校准不能证明跨机构、跨时间或设备更新后的概率可靠。
• 重校准只调整输出概率，不能修复表征捷径、标签偏倚或遗漏病种。
• 没有评价阈值改变对临床处置、资源使用或患者结局的影响。

意义：

• 把校准从可选统计量提升为胸片模型本地部署前的必要检查。
• 说明AUROC稳定不代表风险概率可直接用于阈值决策。

边界： 以European Radiology正式元数据和PubMed结构化摘要核验；精确数字均来自摘要。未取得完整正文深读，因此不外推具体重校准方法的优先级。

标识： DOI 10.1007/s00330-020-07062-7；PMID 32661584

证据位置：

• Abstract／Objectives：校准问题与研究目标
• Abstract／Methods：1,135例、681/454划分和八种方法
• Abstract／Results：原始AUROC与校准误差
• Results：Brier分数、校准误差和判别保持比较

资源： 一手入口

---

35. 放射学新冠检测人工智能选择了捷径而非信号｜AI for radiographic COVID-19 detection selects shortcuts over signal（2021 · Nature Machine Intelligence）

作者： Alex J. DeGrave、Joseph D. Janizek、Su-In Lee

书目： 年份 2021；载体 Nature Machine Intelligence；状态 同行评议；来源类型 paper

分类： 主路线 可靠性、公平与外部验证；相关路线 可靠性、公平与外部验证、判别诊断、分诊与预后；层级 跨数据集或独立外部验证；阅读层级 核心；证据等级 A；简称 DeGrave捷径

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D3 / P=P2 / Q=Q3

定位： 证明拼接式新冠胸片数据可让模型依赖标记、边缘、投照方式和来源差异，甚至常规外部测试也未必识别稳定捷径。

问题： 表面准确的新冠胸片模型究竟学习病理信号还是数据来源混杂，外部验证能否充分排除捷径？

机制： 按早期研究方式把阳性与阴性胸片从不同来源拼接训练模型，在新医院测试，并结合显著图、裁剪、低容量模型和生成式分析定位非病理线索。

步骤：

1. 构造来源与新冠标签高度相关的胸片训练集合
2. 训练不同容量的分类模型并进行跨医院测试
3. 用显著图和图像干预定位标记、边缘及投照捷径
4. 检验替代标签和外部数据是否消除泛化缺口

证据：

• 模型频繁关注肺野外的侧别标记、箭头、图像边缘、膈肌和心影等来源相关特征。
• 降低模型容量、简化标签或采用外部医院数据均未自动消除泛化问题。
• 论文直接警告：若错误线索跨域稳定，单一外部测试集也可能给出虚假安全感。

局限：

• 实验针对早期新冠拼接数据和特定架构，不能推出所有胸片模型均以相同方式失效。
• 显著图和生成式分析提供诊断线索，但不能单独证明模型的因果决策规则。
• 没有前瞻工作流或患者层面验证。

意义：

• 把数据采集过程本身确立为模型输入的一部分，推动反事实和元数据审计。
• 说明外部验证是必要条件，但其反证强度取决于数据生成过程是否真正独立。

边界： 主引Nature Machine Intelligence正式DOI；PMC页面用于核对预印本全文和版本关系，不把预印本PMID或PMCID误配给正式论文。

版本： 正式版取代medRxiv DOI 10.1101/2020.09.13.20193565。PMID 32995822和PMC7523163对应预印本，不作为正式版独立记录。

标识： DOI 10.1038/s42256-021-00338-7；工作族 ID degrave-covid-shortcuts

证据位置：

• Abstract：捷径、跨院失败和外部验证边界
• Results 2.3：替代解释与低容量模型检验
• Results 2.4／Figure 2：标记、边缘和投照相关显著区域
• Discussion：外部验证仍可能漏掉稳定捷径

资源： 一手入口

---

36. 用机器学习基于胸片和CT检测及预测新冠的常见陷阱与建议｜Common pitfalls and recommendations for using machine learning to detect and prognosticate for COVID-19 using chest radiographs and CT scans（2021 · Nature Machine Intelligence）

作者： Michael Roberts、Derek Driggs、Matthew Thorpe、Julian Gilbey、Michael Yeung、Stephan Ursprung、Angelica I. Aviles-Rivero、Christian Etmann、Cathal McCague、Lucian Beer、Jonathan R. Weir-McCall、Zhongzhao Teng、Effrossyni Gkrania-Klotsas、AIX-COVNET、James H. F. Rudd、Evis Sala、Carola-Bibiane Schönlieb

书目： 年份 2021；载体 Nature Machine Intelligence；状态 同行评议；来源类型 review

分类： 主路线 可靠性、公平与外部验证；相关路线 可靠性、公平与外部验证、判别诊断、分诊与预后；层级 跨数据集或独立外部验证；阅读层级 核心；证据等级 A；简称 Roberts方法审查

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D3 / P=P3 / Q=Q3

定位： 系统审查早期新冠胸片与CT模型，发现质量筛选后的62项研究仍无一具备可证实的临床用途，并给出全流程方法建议。

问题： 疫情期迅速发表的影像机器学习模型中，哪些具有潜在临床用途，常见偏倚和复现缺陷集中在哪里？

机制： 跨MEDLINE、EMBASE和三大预印本平台系统检索新冠影像模型，经题摘、全文、CLAIM与放射组学质量评分筛选，再用PROBAST和分领域清单审查。

步骤：

1. 检索2020年1月至10月的胸片与CT新冠模型
2. 完成去重、题摘和全文纳排
3. 用CLAIM、放射组学质量评分和PROBAST审查
4. 从数据、评价、复现、报告和同行评议五方面形成建议

证据：

• 正式版从2,212条初始记录进入415篇全文筛查，质量筛选后详细审查62项研究。
• 审查结论是没有一个模型因方法学缺陷或底层偏倚而具备可证实的潜在临床用途。
• 常见缺口包括缺少外部验证、稳健性分析、人口信息、置信区间、校准和充分局限报告。

局限：

• 检索截至2020年10月，不能把结论外推到后来采用更强设计的模型。
• 同时包含胸片和CT、诊断与预后及正式论文和预印本，不能为单个产品提供性能估计。
• 这是系统性方法审查而非某一算法的前瞻外部验证。

意义：

• 为胸片AI建立了外部验证、患者级划分、置信区间、校准和临床效用的最低方法底线。
• 提醒高发表数量不能替代可部署证据，尤其在快速应急数据拼接场景。

边界： 依据Nature Machine Intelligence正式全文、DOI和机构开放版本；结论限定于既定检索期内的早期新冠影像模型。

版本： 正式版取代arXiv:2008.06388。预印本摘要写61项质量纳入，正式版为62项，以正式版为准。

标识： DOI 10.1038/s42256-021-00307-0；工作族 ID roberts-covid-pitfalls

证据位置：

• Abstract：检索范围、筛选数量和总体负面结论
• Figure 1：正式版PRISMA流程与62项纳入
• Table 1：PROBAST风险领域
• Results／Quality screening failures：常见方法缺陷
• Recommendations：数据、评价、复现、报告和评审建议

资源： 一手入口

---

37. 胸片人工智能在医疗服务不足人群中的漏诊偏倚｜Underdiagnosis bias of artificial intelligence algorithms applied to chest radiographs in under-served patient populations（2021 · Nature Medicine）

作者： Laleh Seyyed-Kalantari、Haoran Zhang、Matthew B. A. McDermott、Irene Y. Chen、Marzyeh Ghassemi

书目： 年份 2021；载体 Nature Medicine；状态 同行评议；来源类型 paper

分类： 主路线 可靠性、公平与外部验证；相关路线 可靠性、公平与外部验证、判别诊断、分诊与预后；层级 跨数据集或独立外部验证；阅读层级 核心；证据等级 A；简称 交叉亚群漏诊偏倚

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D3 / P=P2 / Q=Q3

定位： 在三个大型胸片资源及其合并数据中证明，平均性能可掩盖女性、少数族裔、低收入保险和交叉亚群的选择性漏诊。

问题： 胸片分类器是否在历史上医疗服务不足的单一及交叉人口亚群中更容易把异常影像判为无异常？

机制： 训练多标签胸片分类器，把错误的无异常预测定义为漏诊代理，在MIMIC-CXR、CheXpert、ChestX-ray14及合并数据中按种族、性别、年龄和保险分层。

步骤：

1. 在三个公开胸片资源上训练疾病与无异常分类器
2. 用错误预测无异常衡量算法漏诊
3. 按人口与保险属性计算单亚群误差差异
4. 进一步审计种族、性别等交叉亚群

证据：

• 研究在三个数据集和一个多源合并集上重复观察到服务不足亚群的漏诊差异。
• 交叉亚群可能承受比任何单一属性分层更明显的错误，平均指标会稀释这种风险。
• 差异方向和幅度随数据集、任务与标签结构变化，公平性不能由一个全局阈值概括。

局限：

• 研究观察标签下的错误率差异，没有直接测量诊断延误、治疗差异或患者伤害。
• 人口字段缺失、保险代理和报告派生标签可能影响亚组估计。
• 公开美国数据的结论不能自动外推到其他国家、儿童或具体商业系统。

意义：

• 把公平审计从总体与单一亚组扩展到交叉亚组和漏诊方向。
• 要求部署后持续跟踪目标人群中的阈值、校准和临床后果。

边界： 依据Nature Medicine正式开放全文、PubMed和PMC；漏诊偏倚是模型错误差异，不等同已观察到的患者伤害或有意种族使用。

标识： DOI 10.1038/s41591-021-01595-0；PMID 34893776；PMCID PMC8674135

证据位置：

• Abstract：研究对象、三个数据集和漏诊偏倚结论
• Main／Figure 1：无异常标签与漏诊度量框架
• Results：单一与交叉亚群比较
• Discussion：数据标签和真实健康影响边界

资源： 一手入口

---

38. 医学影像人工智能识别患者种族：建模研究｜AI recognition of patient race in medical imaging: a modelling study（2022 · The Lancet Digital Health）

作者： Judy Wawira Gichoya、Imon Banerjee、Ananth Reddy Bhimireddy、John L. Burns、Leo Anthony Celi、Li-Ching Chen、Ramon Correa、Natalie Dullerud、Marzyeh Ghassemi、Shih-Cheng Huang、Po-Chih Kuo、Matthew P. Lungren、Lyle J. Palmer、Brandon J. Price、Saptarshi Purkayastha、Ayis T. Pyrros、Lauren Oakden-Rayner、Chima Okechukwu、Laleh Seyyed-Kalantari、Hari Trivedi、Ryan Wang、Zachary Zaiman、Haoran Zhang

书目： 年份 2022；载体 The Lancet Digital Health；状态 同行评议；来源类型 paper

分类： 主路线 可靠性、公平与外部验证；相关路线 可靠性、公平与外部验证、数据资源、标注与表征学习；层级 跨数据集或独立外部验证；阅读层级 核心；证据等级 A；简称 影像中的种族信息

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D3 / P=P2 / Q=Q3

定位： 跨胸片、CT、乳腺摄影和多家机构证明深度模型可从人类难以辨认的影像信号预测自报种族，传统去混杂难以消除。

问题： 医学影像是否编码可被模型利用的自报种族信息，这种能力能否跨机构、模态和常见代理变量保持？

机制： 在公开与私有多模态影像上训练种族分类器，执行跨数据集外部验证，并用体型、疾病分布、图像质量、频域、裁剪与噪声实验检验候选代理机制。

步骤：

1. 在MIMIC-CXR、CheXpert和Emory胸片等数据训练种族分类器
2. 跨机构和跨成像模态评价泛化
3. 单独检验体型、疾病和乳腺密度等候选代理
4. 以裁剪、噪声、频域和局部区域分析探查信息来源

证据：

• 胸片种族识别在内部和外部环境均保持高AUROC，且该现象在CT和乳腺摄影中也出现。
• 体重指数、疾病分布和乳腺密度等候选代理单独不能解释模型表现。
• 裁剪、降质和频域干预后信息仍部分保留，研究未找到可简单移除的单一视觉机制。

局限：

• 模型预测的是数据中的自报种族类别，不等于种族具有单一生物影像表型。
• 证明可编码人口属性，不等于已证明某一疾病模型必然使用该属性造成临床歧视。
• 具体可辨识机制仍未解决，不能据此提出可靠的像素级删除方案。

意义：

• 反驳了胸片天然不含敏感人口信息的假设。
• 要求开发者和监管者在外部环境按自报人口属性审计疾病性能，而不能只删除结构化字段。

边界： 依据The Lancet Digital Health正式开放全文、PubMed与PMC；记录区分敏感属性可预测性、疾病模型公平差异和真实患者伤害三个层级。

标识： DOI 10.1016/S2589-7500(22)00063-2；PMID 35568690；PMCID PMC9650160

证据位置：

• Summary／Methods：数据集、外部验证和机制实验
• Summary／Findings：跨模态表现与候选代理结果
• Table 2：机制实验总览
• Table 3：胸片内部与外部种族识别表现
• Discussion：编码与临床歧视之间的证据边界

资源： 一手入口

---

39. 公平医学影像人工智能在真实泛化中的边界｜The limits of fair medical imaging AI in real-world generalization（2024 · Nature Medicine）

作者： Yuzhe Yang、Haoran Zhang、Judy W. Gichoya、Dina Katabi、Marzyeh Ghassemi

书目： 年份 2024；载体 Nature Medicine；状态 同行评议；来源类型 paper

分类： 主路线 可靠性、公平与外部验证；相关路线 可靠性、公平与外部验证、判别诊断、分诊与预后；层级 跨数据集或独立外部验证；阅读层级 核心；证据等级 A；简称 域外公平边界

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D3 / P=P2 / Q=Q3

定位： 用六个国际胸片数据集证明域内去偏可产生局部最优模型，却不能稳定迁移为新机构中的公平。

问题： 减少人口属性编码和域内错误率差距的方法，能否在分布偏移后同时保持准确性、校准与亚组公平？

机制： 在六个胸片数据集的四项任务上训练经验风险最小化与多种去偏模型，测量人口属性编码、域内公平、校准和域外公平，并用眼科与皮肤科数据补充验证。

步骤：

1. 训练疾病分类器并测量其人口属性编码
2. 比较域内错误率差距与编码强度
3. 应用重采样、GroupDRO和域对抗等去偏方法
4. 在未见胸片数据集上复测公平、准确性和校准

证据：

• 人口属性编码越强通常伴随更大的域内公平差距。
• 多种方法可在原分布缩小公平差距，但公平与校准、平均精度等指标存在权衡。
• 16种任务与属性组合中，域内公平与域外公平并无一致相关，部分组合甚至呈反向关系。

局限：

• 主要胸片分析集中在四项任务和公开回顾性数据，未评价真实医院照护。
• 错误率差距只是多种公平定义之一，缩小差距不保证健康结果更公平。
• 人口属性可能在部分疾病中具有因果或临床相关性，不能机械删除所有编码。

意义：

• 把公平验证从单次域内审计提升为跨机构持续监测问题。
• 要求模型选择同时观察总体性能、亚组性能、校准和目标场景分布变化。

边界： 依据Nature Medicine正式开放全文、DOI、PubMed和PMC；研究支持域外公平不可由域内结果保证，不支持把任何单一去偏算法宣称为普适方案。

标识： DOI 10.1038/s41591-024-03113-4；PMID 38942996；PMCID PMC11485237

证据位置：

• Abstract：六个胸片集、域内与域外公平结论
• Figure 2：人口编码与公平差距
• Figure 3／Extended Data Figure 5：域内去偏及指标权衡
• Figure 4／Extended Data Figure 6：域内到域外公平迁移
• Discussion：公平定义、因果与部署边界

资源： 一手入口

---

40. 低资源场景中利用人工智能从胸片检测儿童肺炎：试点研究｜Detection of pneumonia in children through chest radiographs using artificial intelligence in a low-resource setting: A pilot study（2025 · PLOS Digital Health）

作者： Taofeeq Oluwatosin Togunwa、Abdulhammed Opeyemi Babatunde、Oluwatosin Ebunoluwa Fatade、Richard Olatunji、Godwin Ogbole、Adegoke Falade

书目： 年份 2025；载体 PLOS Digital Health；状态 同行评议；来源类型 paper

分类： 主路线 可靠性、公平与外部验证；相关路线 可靠性、公平与外部验证、判别诊断、分诊与预后、数据资源、标注与表征学习；层级 跨数据集或独立外部验证；阅读层级 核心；证据等级 B；简称 尼日利亚儿科跨域验证

核验： 来源层级 T1；核验状态 abstract-checked；V/D/P/Q V=V2 / D=D3 / P=P2 / Q=Q2

定位： 把美国公开儿科胸片训练的肺炎分类器前瞻性外测于尼日利亚两家机构，观察到准确率与AUROC大幅下降，直接展示低资源儿科场景的域偏移。

问题： 在高收入国家公开儿科数据上开发的二分类模型，能否直接迁移到非洲低资源医院的前瞻性临床胸片？

机制： 用5232张美国公开儿科胸片开发VGG19模型，并在尼日利亚伊巴丹一家三级医院和一家私营影像中心前瞻收集190张胸片，以两名盲法放射科医师共识为参考标准进行外部验证。

步骤：

1. 在美国开放儿科胸片上训练正常与肺炎二分类模型
2. 于2023年11月至2024年8月在尼日利亚两家机构前瞻收集病例
3. 由两名盲法放射科医师形成共识标签
4. 比较内部测试与尼日利亚外部测试的准确率、召回率、F1和AUROC

证据：

• 开发集含5232张胸片，外部集含190张胸片，其中93张正常、97张肺炎。
• 内部测试准确率为86%、AUROC为0.93；尼日利亚外部测试准确率降至58%、AUROC降至0.65。
• 外部测试召回率为0.48，提示总体AUROC尚可时仍可能漏掉较多肺炎病例。

局限：

• 外部样本仅190例，且来自同一城市的两家机构，不能代表尼日利亚或撒哈拉以南非洲全部儿科场景。
• 任务仅区分正常与肺炎，参考标准为影像医师共识而非微生物学或完整临床诊断。
• 研究没有把模型接入照护流程，也没有评价治疗、住院或死亡等患者结局。

意义：

• 低资源与儿科模型必须使用目标地区、目标设备和目标人群作外部验证，不能以公开数据内部成绩替代。
• 外部敏感度下降可被总体指标掩盖，部署门槛应包含病例级漏诊审查和本地重校准。

边界： 依据PLOS Digital Health正式论文、PubMed和PMC；正式版优先于medRxiv预印本，证据支持跨域失效，不支持将小样本试点解释为模型已适合低资源部署。

工作族： type=preprint / identifier=10.1101/2024.12.01.24318269 / role=正式论文的前序版本，不重复计数

标识： DOI 10.1371/journal.pdig.0000713；PMID 40991626；PMCID PMC12459801

证据位置：

• Abstract：研究设计、数据规模与内部—外部性能差
• Methods：两机构前瞻采集、盲法医师共识与VGG19开发
• Results：190例外部验证及各项分类指标
• Discussion：设备、成像流程和人群差异造成域偏移的解释

资源： 一手入口

---

41. 隐藏分层导致医学影像机器学习出现具有临床意义的失败｜Hidden Stratification Causes Clinically Meaningful Failures in Machine Learning for Medical Imaging（2020 · Proceedings of the ACM Conference on Health, Inference, and Learning）

作者： Luke Oakden-Rayner、Jared Dunnmon、Gustavo Carneiro、Christopher Ré

书目： 年份 2020；载体 Proceedings of the ACM Conference on Health, Inference, and Learning；状态 同行评议；来源类型 paper

分类： 主路线 可靠性、公平与外部验证；相关路线 可靠性、公平与外部验证、判别诊断、分诊与预后、数据资源、标注与表征学习；层级 跨数据集或独立外部验证；阅读层级 核心；证据等级 B；简称 隐藏分层

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D3 / P=P2 / Q=Q3

定位： 证明粗粒度标签的总体高性能可以掩盖临床重要子类的严重失败，并提出以标签体系审查和无监督聚类发现隐藏亚组。

问题： 当一个临床标签合并病因、位置、严重度或形态不同的子类时，总体测试指标是否会掩盖高风险子组的失效？

机制： 在胸片等医学影像任务上审查标签体系，以预先定义临床子类和模型表征聚类形成细分组，再比较粗标签总体性能与子组性能。

步骤：

1. 识别临床上异质但在数据中被合并的粗标签
2. 用专家定义子类评价各组性能
3. 对模型表征执行无监督聚类以发现潜在亚组
4. 比较总体指标与最差子组指标并定位系统性错误

证据：

• 多项影像任务中，临床重要子类之间可出现超过20个百分点的性能差异，而总体指标不显示该失败。
• 胸片标签中的病变类型和表现差异可形成稳定的隐藏分层，少见但严重子型尤其容易被忽略。
• 模型表征聚类能够在没有完整细粒度标注时发现部分高错误亚组，但不能代替临床命名和验证。

局限：

• 研究包含多种医学影像任务，并非所有实验都针对胸片。
• 部分子类由既有标签或专家规则定义，结果依赖数据中可获得的细粒度信息。
• 发现性能差异不等于已经证明患者伤害，也未给出可自动消除分层的通用算法。

意义：

• 胸片模型报告应同时给出临床重要细分类别和最差子组性能，而不能只给宏平均AUROC。
• 数据集建设需保留病因、严重度、位置和获取方式等可支持失败分析的元数据。

边界： 依据ACM正式会议论文、DOI、PubMed与PMC；该研究建立的是子组审计要求，不能把聚类结果直接当成新的疾病实体或患者结局证据。

标识： DOI 10.1145/3368555.3384468；PMID 33196064；PMCID PMC7665161

证据位置：

• Abstract：隐藏分层定义与主要发现
• Section 2：临床标签体系及子类构造
• Figures 2–4：总体与子组性能差异及聚类结果
• Discussion：发现性聚类、标签设计与临床解释边界

资源： 一手入口

---

42. 综合胸片深度学习模型对放射科报告和患者结局影响的评估：真实世界观察研究｜Assessment of the effect of a comprehensive chest radiograph deep learning model on radiologist reports and patient outcomes: a real-world observational study（2021 · BMJ Open）

作者： Catherine M. Jones、Luke Danaher、Michael R. Milne、Cyril Tang、Jarrel Seah、Luke Oakden-Rayner、Andrew Johnson、Quinlan D. Buchlak、Nazanin Esmaili

书目： 年份 2021；载体 BMJ Open；状态 同行评议；来源类型 paper

分类： 主路线 临床工作流、人机协作与部署；相关路线 临床工作流、人机协作与部署、判别诊断、分诊与预后、可靠性、公平与外部验证；层级 前瞻部署、临床结局或官方采用；阅读层级 核心；证据等级 B；简称 真实世界报告改变

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D2 / P=P2 / Q=Q2

定位： 在澳大利亚远程放射服务中前瞻观察人工智能如何改变真实报告与管理建议，显示可测工作流影响很小且缺少对照。

问题： 一个覆盖多种胸片异常的商业模型接入日常阅片后，究竟会多大程度改变最终报告和患者管理，而不只是离线准确率？

机制： 将模型接入覆盖106个站点的远程放射工作流，11名放射科医师在6周内记录模型是否引发报告或管理建议变更，并对2972例连续使用进行描述性分析。

步骤：

1. 在真实远程放射系统中向阅片医师显示模型结果
2. 要求医师记录结果是否改变报告
3. 进一步记录额外影像或临床处置建议
4. 汇总病例、站点和医师层面的使用结果

证据：

• 2972例中有92份报告发生改变，占3.1%。
• 43例产生患者管理建议，占1.4%；29例建议追加影像，占1.0%。
• 研究提供了模型在106个真实站点和11名医师中的前瞻使用证据，但没有无人工智能对照组。

局限：

• 单臂观察设计不能证明变更由人工智能造成，也不能判断变更是否提高了准确性。
• 关键结果由使用医师记录，存在漏报和主观判断偏倚。
• 研究未系统验证最终诊断、患者结局或成本效益，且作者与产品开发存在利益关联。

意义：

• 真实部署评价应记录报告改变、后续检查与患者路径，而不应把模型展示次数当作临床价值。
• 报告改变率低并不等于无价值或安全，需要有对照和独立参考标准判断改变方向。

边界： 依据BMJ Open正式开放全文、DOI、PubMed和PMC；E4表示真实前瞻部署证据，并不自动表示因果强度达到随机试验。

标识： DOI 10.1136/bmjopen-2021-052902；PMID 34930738；PMCID PMC8689166

证据位置：

• Abstract：场景、2972例规模与报告改变比例
• Methods：106个站点、11名医师和前瞻记录流程
• Results／Tables 1–3：报告、管理和追加影像变更
• Discussion：观察设计、自报结果与因果边界

资源： 一手入口

---

43. 急诊急性呼吸症状患者胸片常规阅片与人工智能辅助阅片比较：务实随机临床试验｜Conventional Versus Artificial Intelligence-Assisted Interpretation of Chest Radiographs in Patients With Acute Respiratory Symptoms in Emergency Department: A Pragmatic Randomized Clinical Trial（2023 · Korean Journal of Radiology）

作者： Eui Jin Hwang、Jin Mo Goo、Ju Gang Nam、Chang Min Park、Ki Jeong Hong、Ki Hong Kim

书目： 年份 2023；载体 Korean Journal of Radiology；状态 同行评议；来源类型 paper

分类： 主路线 临床工作流、人机协作与部署；相关路线 临床工作流、人机协作与部署、判别诊断、分诊与预后、可靠性、公平与外部验证；层级 前瞻部署、临床结局或官方采用；阅读层级 核心；证据等级 A；简称 急诊务实随机试验

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D3 / P=P2 / Q=Q3

定位： 在急诊真实流程中随机比较人工智能辅助与常规胸片解读，3576名患者的敏感度和假阳性率均无显著改善。

问题： 商业胸片辅助检测接入急诊值班住院医师阅片后，能否在不增加假阳性的情况下提高急性胸部疾病识别敏感度？

机制： 在一家三级转诊医院急诊将急性呼吸症状患者随机分至人工智能辅助或常规解读，除显示商业模型结果外保持标准流程一致，并以急诊后至少30天病历审查建立临床参考标准。

步骤：

1. 将3576名急诊患者随机分配至人工智能组或对照组
2. 由值班住院医师在相同临床流程中完成胸片解读
3. 以至少30天病历随访确定急性胸部疾病参考标准
4. 比较敏感度、假阳性率及工作流相关结果

证据：

• 人工智能组1761人，对照组1815人；相应急性胸部疾病病例为472例和491例。
• 敏感度为67.2%对66.0%，比值比1.02，95%置信区间0.70–1.49，P=0.917。
• 假阳性率为19.3%对18.5%，比值比1.00，95%置信区间0.79–1.26，P=0.985；模型本身在部分任务上的高假阳性没有转化为临床获益。

局限：

• 单中心研究主要由值班住院医师使用一种商业产品，不能外推至所有医院、模型或专家阅片者。
• 实际疾病患病率低于设计预期，部分效应估计置信区间较宽。
• 阴性结果仅否定该场景和版本的辅助策略，不能解释为所有胸片人工智能均无效。

意义：

• 离线准确率优势必须经过真实流程随机试验验证，模型性能不会自动转化为读者性能。
• 辅助系统评价应同时预设敏感度和假阳性代价，并报告使用者经验与实际采纳行为。

边界： 依据Korean Journal of Radiology正式开放全文、DOI、PubMed和PMC；记录保留阴性主要结局，不以模型单独性能替代随机组间结果。

标识： DOI 10.3348/kjr.2022.0651；PMID 36788769；PMCID PMC9971841

证据位置：

• Abstract：随机设计、3576人及主要阴性结果
• Methods／Study Design：急诊纳入、随机化与人工智能版本
• Methods／Reference Standard：至少30天病历审查
• Table 2：敏感度与假阳性率组间比较
• Discussion：统计效能、使用者和单中心边界

资源： 一手入口

---

44. 人工智能提高健康筛查人群胸片结节检出率：随机对照试验｜AI Improves Nodule Detection on Chest Radiographs in a Health Screening Population: A Randomized Controlled Trial（2023 · Radiology）

作者： Ju Gang Nam、Eui Jin Hwang、Jayoun Kim、Nanhee Park、Eun Hee Lee、Hyun Jin Kim、Miyeon Nam、Jong Hyuk Lee、Chang Min Park、Jin Mo Goo

书目： 年份 2023；载体 Radiology；状态 同行评议；来源类型 paper

分类： 主路线 临床工作流、人机协作与部署；相关路线 临床工作流、人机协作与部署、判别诊断、分诊与预后、可靠性、公平与外部验证；层级 前瞻部署、临床结局或官方采用；阅读层级 核心；证据等级 A；简称 筛查结节随机试验

核验： 来源层级 T1；核验状态 abstract-checked；V/D/P/Q V=V2 / D=D3 / P=P2 / Q=Q3

定位： 在10476名健康体检者的开放标签务实随机试验中，人工智能辅助使需行动肺结节检出率从0.25%增至0.59%，且未观察到假转诊率显著增加。

问题： 在低患病率体检人群中显示肺结节检测结果，能否提高随后CT证实的需行动结节检出，而不会显著增加阳性报告和假转诊？

机制： 在单中心健康筛查流程中将受检者随机分至人工智能辅助或非辅助组，由三名资深放射科医师之一阅片，并以三个月内CT确认的Lung-RADS 4类结节作为主要结局。

步骤：

1. 将10476名体检者等量随机分至人工智能组和对照组
2. 由资深放射科医师按分组决定是否查看商业检测结果
3. 用三个月内CT确认需行动结节和恶性结节
4. 比较检出率、阳性报告率、敏感度和假转诊率

证据：

• 人工智能组和对照组各5238人。
• 需行动结节检出率为0.59%对0.25%，比值比2.4，95%置信区间1.3–4.7，P=0.008。
• 恶性结节检出为8例对0例；假转诊率45.9%对56.0%、阳性报告率2.3%对1.9%，组间差异均未达统计显著。

局限：

• 单中心、开放标签且只有三名资深放射科医师，不能直接外推到有症状患者或其他阅片者。
• 主要结局是CT证实的结节检出，不是肺癌死亡率、过度诊断或长期患者获益。
• 事件数少，恶性结节和假转诊估计不稳定；正式论文后有表格计数勘误。

意义：

• 胸片人工智能可在特定低患病率筛查流程提高可行动发现，但仍需评估下游CT、过度诊断和成本。
• 阳性检出增加应与转诊负担和长期临床净获益一并报告。

边界： 依据Radiology正式论文、PubMed及2026年正式勘误；主要试验只计一次，并显式保留勘误，不把结节检出增加等同于死亡率改善。

工作族： type=erratum / identifier=10.1148/radiol.269006 / pmid=42048596 / role=更正Table 3非人工智能组阴性总数为2392；不改变统计结果或结论

标识： DOI 10.1148/radiol.221894；PMID 36749213

证据位置：

• Abstract：设计、10476人及主要效应值
• Methods：随机化、三名阅片者与需行动结节定义
• Table 2：主要和次要检出结局
• Table 3及2026年勘误：非人工智能组阴性总数更正
• Discussion：单中心筛查人群和长期结局边界

资源： 一手入口

---

45. 人工智能辅助对放射科医师影响的异质性及其预测因素｜Heterogeneity and predictors of the effects of AI assistance on radiologists（2024 · Nature Medicine）

作者： Feiyang Yu、Alex Moehring、Oishi Banerjee、Tobias Salz、Nikhil Agarwal、Pranav Rajpurkar

书目： 年份 2024；载体 Nature Medicine；状态 同行评议；来源类型 paper

分类： 主路线 临床工作流、人机协作与部署；相关路线 临床工作流、人机协作与部署、可靠性、公平与外部验证、判别诊断、分诊与预后；层级 人机比较或工作流模拟；阅读层级 核心；证据等级 A；简称 人机协作异质性

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D3 / P=P2 / Q=Q3

定位： 在140名放射科医师、324张胸片和15项任务中展示辅助效应高度异质，错误人工智能在总体及半数任务上会降低读者表现，传统经验指标难以预测谁会受益。

问题： 平均人机协作收益是否适用于每位放射科医师与每项异常，能否用年资、亚专科、基础表现或人工智能熟悉度预测个体收益？

机制： 开展大规模离线多阅片者研究，使140名放射科医师在有无人工智能辅助条件下判读324张胸片的15类异常，并把辅助效应与医师、任务、模型正确性和病例特征关联。

步骤：

1. 收集140名不同经验和亚专科背景的放射科医师
2. 在随机化的有无辅助条件下判读324张胸片
3. 按15项病变任务估计医师级与任务级辅助效应
4. 检验经验、基础表现及人工智能正确性对效应的预测能力

证据：

• 辅助效应在医师和病变之间显著异质，平均改善不能代表个体结果。
• 年资、亚专科、人工智能熟悉度和较低基础表现都不能稳定预测谁会获得更大收益。
• 错误人工智能预测会降低总体读者表现，并在15项单病变任务中的约一半观察到不利影响。

局限：

• 这是离线阅片实验，不包含真实工作流的时间压力、历史片、临床信息和后续处置。
• 研究针对一个案例集和特定模型输出，个体效应预测可能随产品、界面与机构变化。
• 没有患者结局，不能把读者级表现变化直接解释为健康获益或伤害。

意义：

• 部署不能只报告平均读者增益，应按使用者、任务和模型正确性审计辅助效应分布。
• 需要设计错误感知、置信度呈现和持续监测机制，降低错误建议造成的自动化偏倚。

边界： 依据Nature Medicine正式开放全文、DOI、PubMed与PMC；证据支持辅助效应异质和错误建议风险，不支持按年资简单决定是否使用人工智能。

标识： DOI 10.1038/s41591-024-02850-w；PMID 38504016；PMCID PMC10957478

证据位置：

• Abstract：140名医师、15项任务与主要异质性结论
• Methods：324例、随机辅助条件和效应估计
• Figures 2–3：医师级与任务级辅助效应分布
• Figure 4：传统经验因素的预测能力
• Figure 5：人工智能正确与错误时的读者效应

资源： 一手入口

---

46. 用于结核病筛查的计算机辅助检测软件：世界卫生组织政策声明｜Use of computer-aided detection software for tuberculosis screening: WHO policy statement（2025 · World Health Organization）

作者： World Health Organization

书目： 年份 2025；载体 World Health Organization；状态 官方报告或标准；来源类型 official-report

分类： 主路线 临床工作流、人机协作与部署；相关路线 临床工作流、人机协作与部署、判别诊断、分诊与预后、可靠性、公平与外部验证；层级 前瞻部署、临床结局或官方采用；阅读层级 核心；证据等级 A；简称 世界卫生组织结核CAD政策

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D3 / P=P3 / Q=Q3

定位： 世界卫生组织基于FIND独立验证和技术咨询组审议确认六款产品达到15岁及以上人群结核筛查性能标准，把采用边界锁定到产品、版本、人群与用途。

问题： 面对品牌和版本持续增加的胸片结核CAD，哪些具体产品达到统一目标产品性能标准，可以在何种年龄和用途范围内被政策支持？

机制： 通过公开征集制造商、FIND独立验证平台测试及世界卫生组织结核诊断技术咨询组审议，将产品性能与预设标准比较并形成产品级政策声明。

步骤：

1. 公开邀请结核CAD制造商提交具体软件版本
2. 由FIND在独立验证平台完成标准化性能评估
3. 由技术咨询组审查结果并与世界卫生组织性能标准比较
4. 发布达到标准的产品及年龄、用途和实施限制

证据：

• 六款CAD产品达到世界卫生组织用于15岁及以上人群结核筛查的性能标准。
• 政策明确不推荐把该结论外推到15岁以下儿童和青少年。
• 该声明更新了2021年基于三款产品的推荐，以应对新品牌和新版本进入市场。

局限：

• 政策只覆盖胸片结核筛查，不是结核最终确诊，也不适用于其他胸部疾病。
• 结论绑定受评产品及版本，后续软件更新、当地患病率和阈值变化需要重新核验。
• 达到性能标准不等于已证明改善死亡率、治疗完成率或成本效益；15岁以下人群没有推荐。

意义：

• 监管和采购记录必须绑定品牌、算法版本、适应证、年龄与本地阈值，不能用同品牌旧版本证据替代。
• 政策采用提供规模化入口，但仍须连接分子确诊、转诊、治疗与质量监测。

边界： 依据世界卫生组织2025年6月10日正式政策声明及官方出版页；官方采用属于E4，但不能替代具体国家的本地验证、患者结局和动态产品版本核查。

标识： ISBN 978-92-4-011037-3

证据位置：

• 官方页面Overview：独立评估流程、技术咨询组与六款达标产品
• 政策声明Executive summary：推荐用途和适用人群
• 产品评估章节：提交版本、数据与目标性能标准
• Implementation considerations：阈值、本地流程、基础设施和后续确诊

资源： 一手入口

---

47. 人工智能分诊正常胸片：静默试验与失败分析｜AI Triage of Normal Chest Radiographs: A Silent Trial and Failure Analysis（2026 · Radiology: Artificial Intelligence）

作者： Mathew Storey、Anthony Chung、Jack Packer、Ann-Marie Bartsch、Anita Rhodes、Rafal Colta、Simon Rickaby、Christina Malamateniou、Geraldine Dean、Susan Shelmerdine

书目： 年份 2026；载体 Radiology: Artificial Intelligence；状态 同行评议；来源类型 paper

分类： 主路线 临床工作流、人机协作与部署；相关路线 临床工作流、人机协作与部署、可靠性、公平与外部验证、判别诊断、分诊与预后、数据资源、标注与表征学习；层级 人机比较或工作流模拟；阅读层级 核心；证据等级 A；简称 正常片静默试验

核验： 来源层级 T1；核验状态 abstract-checked；V/D/P/Q V=V2 / D=D3 / P=P2 / Q=Q3

定位： 英国五个医院站点、12个月、63083例成人胸片的前瞻静默试验显示正常片分流潜力有限，并通过专家复核发现31个临床重要漏诊和412个报告标签错误。

问题： 商业模型能否在多中心真实病例流中可靠识别正常胸片以降低报告优先级，同时将临床重要漏诊控制在可审计范围？

机制： 模型在五个英国国家医疗服务体系医院站点静默运行一年，不改变照护；以放射科报告形成初始标签，并由专家复核不一致病例，区分模型漏诊与自然语言处理标签错误。

步骤：

1. 在五个医院站点连续静默处理成人胸片12个月
2. 比较模型正常或异常判定与临床报告标签
3. 由专家复核不一致病例并排除自然语言处理标签错误
4. 量化临床重要漏诊和可潜在降低优先级的正常一致病例

证据：

• 共分析63083例；模型判定50661例异常、12422例正常。
• 异常检测敏感度97%、特异度35%、阳性预测值57%、阴性预测值94%。
• 排除412个自然语言处理标签错误后，专家复核确认31个临床重要模型漏诊，估计漏诊率0.05%；模型与报告均为正常的病例仅占18.5%。

局限：

• 静默试验不改变排序、报告或患者照护，因此没有工作流效率和患者结局的因果证据。
• 初始参考标准依赖报告和自然语言处理，412个标签错误显示表面性能可被参考标准噪声扭曲。
• 31个重要漏诊说明低总体漏诊率仍不能支持未经人工复核的自动放行；结果绑定英国成人场景和特定产品。

意义：

• 前瞻静默期应在正式部署前审计模型失效与标签管线，而不只验证总体敏感度。
• 正常片分流需要病例级漏诊治理、持续复核和明确升级机制，不能从高阴性预测值直接跳到自动签发。

边界： 依据Radiology: Artificial Intelligence正式论文元数据与PubMed摘要；这是E3前瞻静默证据，不是自主正常片放行或患者结局证据。

标识： DOI 10.1148/ryai.250964；PMID 42017801

证据位置：

• Abstract：五站点、12个月、63083例及性能指标
• Methods：静默部署、报告标签和不一致病例复核
• Results／failure analysis：412个标签错误与31个临床重要漏诊
• Discussion：正常片分流比例与自动放行边界

资源： 一手入口

---

48. 肺癌诊断路径中的人工智能胸片优先排序：LungIMPACT随机对照试验｜AI-based chest X-ray prioritization in the lung cancer diagnostic pathway: the LungIMPACT randomized controlled trial（2026 · Nature Medicine）

作者： Nick Woznitza、Lesley Smith、Janette Rawlinson、Iain Au-Yong、Bindu George、Madava G. Djearaman、Arjun Nair、Richard W. Lee、Neal Navani、Siyabonga Ndwandwe、Caroline S. Clarke、Andrew Creeden、Josh Newsome、Indrajeet Das、Sylvia Abaokporo、Richard Tucker、James Hathorn、David R. Baldwin

书目： 年份 2026；载体 Nature Medicine；状态 同行评议；来源类型 paper

分类： 主路线 临床工作流、人机协作与部署；相关路线 临床工作流、人机协作与部署、判别诊断、分诊与预后、可靠性、公平与外部验证；层级 前瞻部署、临床结局或官方采用；阅读层级 核心；证据等级 A；简称 LungIMPACT患者路径试验

核验： 来源层级 T1；核验状态 full-text-checked；V/D/P/Q V=V3 / D=D3 / P=P2 / Q=Q3

定位： 五个英国国家医疗服务体系站点、93326例初级保健胸片的按日随机试验表明，人工智能优先队列没有缩短CT、肺癌诊断、转诊、治疗或改善分期。

问题： 对人工智能提示可疑肺癌的初级保健胸片立即提升工作队列优先级，能否让下游CT、确诊、转诊和治疗更早发生？

机制： 在五个站点按日随机开启或关闭人工智能工作列表优先级；两组阅片时均可看到人工智能结果，因此隔离检验排序功能而非整个辅助阅片系统，并追踪完整肺癌路径。

步骤：

1. 在五个站点按工作日随机开启或关闭人工智能优先排序
2. 两组均保留阅片者可见的人工智能结果
3. 将初级保健胸片链接至CT、肺癌诊断、转诊、治疗和分期数据
4. 按预注册结局比较两组患者路径时间

证据：

• 97731例中排除4405例数据合规或随机化失败病例，最终分析93326例，优先开启45987例、关闭47339例。
• 至CT中位时间两组均为53天，几何均值比0.97，95%置信区间0.93–1.02，P=0.31；14天内CT的中位时间均为8天。
• 558人确诊肺癌；至确诊中位时间44天对46天，几何均值比0.98，95%置信区间0.83–1.16，P=0.84。
• 转诊、治疗和确诊分期均无显著差异；人工智能与报告不一致占30.3%，专家复核其中23.9%有可行动发现。

局限：

• 随机化单位是工作日，检验的是队列优先级功能；两组均显示人工智能结果，不能据此否定辅助阅片整体。
• 英国初级保健和国家医疗服务体系的下游瓶颈可能不同于其他卫生系统。
• 研究没有显示患者路径改善，但并非所有临床质量或长期生存结局都有充分效能。

意义：

• 更快进入阅片队列不等于更快完成CT、确诊或治疗，部署评价必须沿完整患者路径定位真正瓶颈。
• 阴性务实试验应精确对应被随机化的功能，避免把单一排序策略的无效夸大为整类人工智能无效。

边界： 依据Nature Medicine正式开放全文、DOI、PubMed、PMC和ISRCTN注册；正式结果主引一次，注册仅作方案核验，阴性结论限定于随机化的工作列表优先级策略。

工作族： type=trial-registration / identifier=ISRCTN78987039 / role=核验预注册设计和患者路径结局，不作为独立研究重复计数

标识： DOI 10.1038/s41591-026-04253-5；PMID 41876649；PMCID PMC13190311；注册号 ISRCTN78987039

证据位置：

• Abstract：93326例、按日随机与全部主要路径结局
• Trial protocol／ISRCTN78987039：预设随机化和主要结局
• Figure 1：纳入、排除与两组样本
• Tables 2–3：CT、诊断、转诊、治疗和分期结果
• Discussion：两组均可见人工智能及排序功能的可解释边界

资源： 一手入口 · 项目页

---

检索与证据审计

展开完整检索、纳排、去重、证据分级与覆盖限制

胸部X线计算分析与临床转化：检索与证据审计

审计结论

本审计覆盖截至 2026-08-11 的胸部X线计算分析、模型评价与临床转化证据。检索结果支持七条互斥主要路线：数据资源与标注、判别诊断与预后、病灶定位与结构化分析、报告生成与评价、多模态与基础模型、可靠性与公平、临床工作流与部署。领域证据呈明显的倒金字塔结构：资源和内部回顾性研究最丰富，跨机构与跨人群验证较少，前瞻部署、随机试验和患者结局证据最稀缺。

独立反证审计不支持将“高 AUC”“达到读者水平”“外部数据集验证”“报告时间缩短”或“监管许可”直接写成普遍临床有效。已有跨院研究证明模型可识别医院来源并借用患病率等捷径；公平缓解可在新域失效；高判别性能可伴随失校准；错误人工智能建议会损害部分读者；两项重要务实随机试验没有改善急诊诊断表现或肺癌诊断路径。结核筛查是目前适应证、阈值和政策边界最明确的规模化路线，但仍存在国家、性别、既往结核和 HIV 亚组异质性，且世界卫生组织尚不推荐用于 15 岁以下人群。

在冻结范围与已披露来源边界内，五道检索与证据闸门均有可复算记录支撑，本审计判定为 L2 声明范围内覆盖饱和。这表示七条主要路线在当前查询矩阵下达到结构和证据饱和，不表示穷尽全部论文，也不把本项目包装为遵循 PRISMA 的系统综述。47 条查询、75 个唯一筛选账本项、48 条最终地图记录、34 条已审计主张以及 31 个核心项的双向引用追踪共同构成该判定；Embase、Scopus、Web of Science 和中文数据库未做全量原生导出等限制仍然保留。

1. 范围合同

1.1 研究问题与受众

• 研究问题：胸部X线计算分析与临床转化形成了哪些主要路线，各路线能直接证明什么，在哪些人群、机构、设备、疾病与工作流中存在可靠性边界？
• 受众：具备医学影像、机器学习或临床转化基础的研究人员与专业读者。
• 截止日期：2026-08-11。
• 地域：全球；主动覆盖高收入医疗体系、低资源和高结核负担场景，并审计地域与人群代表性。
• 语言：以英文一手文献和官方材料为主，允许中文一手材料；本次没有形成中文数据库的可复跑全量导出，因此不声称覆盖中文长尾文献。
• 完成目标：以七类查询家族、承诺来源、七条主要路线、负面证据、两轮独立补漏和逐条证据账本达到声明范围内的 L2 覆盖饱和；不以固定篇数或搜索首页重复冒充穷尽。

1.2 对象、任务与结局

纳入成人及儿科正位、侧位和床旁便携式胸部X线，及其配套报告、既往片和必要临床上下文。任务包括：

1. 数据集、标签、参考标准、自监督表征和数据治理；
2. 正常/异常、多病种诊断、单病种筛查、分诊与预后；
3. 病灶检测、定位、分割、解剖场景图和纵向变化；
4. 报告生成、报告理解、检索和临床事实性评价；
5. 图文预训练、零样本迁移、多模态和基础模型；
6. 域偏移、捷径、标签噪声、校准、不确定性、公平、隐私和复现；
7. 人机协作、静默测试、真实部署、随机试验、监管和患者相关结局。

主要结局包括判别与定位性能、报告临床错误、跨域稳健性、亚组差异、校准、读片效率、转诊和检查时间、实际管理改变、诊断与治疗时间、复诊、不良事件及患者健康结局。报告改变、管理建议改变和患者结局被视为三个不同层级，不得互相替代。

1.3 纳入、排除与证据状态

纳入条件：

• 直接定义数据资源、任务、方法路线、评价范式或临床部署边界；
• 有 DOI、PubMed/PMC、正式会刊、试验注册、官方标准、监管或官方项目等稳定一手入口；
• 对路线全貌、外部验证、负面边界或临床应用提供不可替代信息；
• 与截止日期和胸部X线范围一致。

排除条件：

• 胸部 CT、乳腺摄影或其他非胸片模态，除非仅作为胸片参考标准且不被当作主要研究对象；
• 仅讨论疾病流行病学、硬件物理或通用视觉方法，且没有胸片直接实验；
• 只有营销声明、新闻或二手转述，无法定位正式一手入口；
• 同一成果的重复数据库记录、预印本与正式版重复，或已由更完整正式版本取代；
• 元数据冲突无法消解、证据不足或已撤稿。

出版状态与证据成熟度分开记录：同行评议、预印本和官方报告不互相替代。证据阶段采用：E1 为资源或内部回顾性验证；E2 为跨数据集或独立外部验证；E3 为多读者、人机实验、工作流模拟或静默运行；E4 为真实前瞻部署、随机/务实试验、患者路径或限定适应证的官方采用。外部验证本身最高只到 E2。

2. 承诺来源与来源角色

来源层级	承诺来源	用途与边界
T1 正式证据	PubMed、PMC、DOI、期刊正式页、CVF、AAAI、ACL Anthology	核验元数据、方法、直接结果、负面边界和出版状态
T1 官方证据	WHO、FDA、NICE、ACR、ClinicalTrials.gov、ISRCTN	核验适应证、政策、监管标签、注册结局和试验状态；官方采用不等同患者获益
T1/T2 数据入口	PhysioNet、NIH、Stanford、MIT 及数据集正式论文	核验数据版本、许可、对象、标签来源和访问条件
T2 项目材料	作者官方项目页和代码仓库	核验代码、权重、数据说明和复现条件；不单独支撑临床有效性
T3 发现线索	通用网页搜索、索引摘要和机构新闻	仅用于发现候选，不支撑最终主张

预印本仅在没有正式版本或版本差异本身重要时保留。检索过程中一旦发现正式版本，即以正式版为主入口，并在版本族中记录预印本关系。

3. 查询家族与可复跑精确式

3.1 七类查询家族

查询家族	覆盖目标	已执行来源
核心对象	数据、分类、检测、报告、多模态与部署的总入口	PubMed/PMC、正式会刊、PhysioNet
历史与奠基	NIH ChestX-ray、CheXpert、MIMIC-CXR、早期读者比较	CVF、AAAI、Scientific Data、PLOS Medicine
方法路线	定位/分割、报告生成、图文预训练、基础模型	CVF、ACL Anthology、Nature 系列、正式期刊
评测与应用	外部验证、读者研究、结核筛查、部署和随机试验	PubMed、WHO、试验注册、正式期刊
综述与谱系	术语、评价演变和引文链	PubMed/PMC、正式综述；综述只用于发现和方法学反证
风险与反证	标签噪声、域偏移、捷径、公平、校准、错误协作和负面试验	PubMed/PMC、Nature 系列、PLOS Medicine
前沿与更新	2025–2026 基础模型、报告生成、前瞻部署和监管更新	PubMed、CVF、ACL Anthology、Nature、WHO、FDA、ACR

最终查询账本共 47 条：前 30 条覆盖发现、核验、反证、会刊/数据入口与两轮补漏，随后追加 12 条 PubMed 主题式及 5 条 WHO、FDA、NICE、ClinicalTrials.gov、ISRCTN 官方政策/监管/注册式。每条实际执行式均逐行保存在 planning/search_ledger.jsonl；下列代码块给出可直接复跑的主题式、撤稿/勘误核查式和官方入口式。

3.2 PubMed 可复跑式

以下前 12 条主题式和最后 1 条撤稿/勘误核查式可直接复制到 PubMed。复跑时应把结果日期上限设为 2026-08-11，并导出 PMID、题名、年份、出版类型和 DOI 后再去重。

("Radiography, Thoracic"[Mesh] OR "chest radiograph*"[tiab] OR "chest x-ray*"[tiab])
AND ("Artificial Intelligence"[Mesh] OR "deep learning"[tiab] OR "machine learning"[tiab])
AND (dataset*[tiab] OR label*[tiab] OR classification[tiab] OR detection[tiab]
     OR segmentation[tiab] OR report*[tiab] OR deployment[tiab])

("chest radiograph*"[tiab] OR "chest x-ray*"[tiab])
AND ("external validation"[tiab] OR generaliz*[tiab] OR multicent*[tiab]
     OR "temporal validation"[tiab] OR "cross-institution*"[tiab])
AND ("artificial intelligence"[tiab] OR "deep learning"[tiab])

("chest radiograph*"[tiab] OR "chest x-ray*"[tiab])
AND ("domain shift"[tiab] OR "distribution shift"[tiab] OR shortcut*[tiab]
     OR confound*[tiab] OR failure[tiab] OR robustness[tiab])

("chest radiograph*"[tiab] OR "chest x-ray*"[tiab])
AND ("label noise"[tiab] OR "reference standard*"[tiab] OR adjudicat*[tiab]
     OR "uncertainty label*"[tiab] OR reproducib*[tiab])

("chest radiograph*"[tiab] OR "chest x-ray*"[tiab])
AND (fairness[tiab] OR bias[tiab] OR race[tiab] OR sex[tiab]
     OR underserved[tiab] OR underdiagnos*[tiab])
AND ("artificial intelligence"[tiab] OR "deep learning"[tiab])

("chest radiograph*"[tiab] OR "chest x-ray*"[tiab])
AND (calibrat*[tiab] OR uncertainty[tiab] OR "selective prediction"[tiab]
     OR abstention[tiab] OR "out-of-distribution"[tiab])
AND ("artificial intelligence"[tiab] OR "deep learning"[tiab])

("chest radiograph*"[tiab] OR "chest x-ray*"[tiab])
AND ("human-AI"[tiab] OR "AI assistance"[tiab] OR "reader study"[tiab]
     OR automation[tiab] OR trust[tiab] OR explanation*[tiab])

("chest radiograph*"[tiab] OR "chest x-ray*"[tiab])
AND (prospective[tiab] OR random*[tiab] OR pragmatic[tiab]
     OR deployment[tiab] OR "silent trial"[tiab])
AND ("artificial intelligence"[tiab] OR "deep learning"[tiab])

("chest radiograph*"[tiab] OR "chest x-ray*"[tiab])
AND ("patient outcome*"[tiab] OR management[tiab] OR mortality[tiab]
     OR "time to diagnosis"[tiab] OR "time to treatment"[tiab] OR workflow[tiab])
AND ("artificial intelligence"[tiab] OR "deep learning"[tiab])

(tuberculosis[Mesh] OR tuberculosis[tiab])
AND ("chest x-ray"[tiab] OR "chest radiograph*"[tiab])
AND ("computer-aided detection"[tiab] OR "artificial intelligence"[tiab])
AND (independent[tiab] OR multicountry[tiab] OR prospective[tiab]
     OR threshold*[tiab] OR implementation[tiab])

(child*[tiab] OR pediatric*[tiab] OR paediatric*[tiab])
AND ("chest radiograph*"[tiab] OR "chest x-ray*"[tiab])
AND ("artificial intelligence"[tiab] OR "deep learning"[tiab])
AND (external[tiab] OR prospective[tiab] OR generaliz*[tiab] OR deployment[tiab])

("chest radiograph*"[tiab] OR "chest x-ray*"[tiab])
AND ("foundation model"[tiab] OR "vision-language"[tiab]
     OR "report generation"[tiab] OR multimodal[tiab] OR longitudinal[tiab])

("chest radiograph*"[tiab] OR "chest x-ray*"[tiab])
AND ("Retracted Publication"[Publication Type]
     OR "Retraction of Publication"[Publication Type]
     OR "Published Erratum"[Publication Type]
     OR retracted[Title] OR correction[Title])

3.3 会刊、官方和注册入口复跑式

以下式子用于一手入口核验，不以搜索结果页支撑结论：

site:openaccess.thecvf.com chest x-ray dataset detection segmentation
site:ojs.aaai.org CheXpert chest radiograph uncertainty labels
site:aclanthology.org chest x-ray radiology report generation factuality evaluation
site:physionet.org chest x-ray MIMIC-CXR VinDr-CXR ImaGenome
site:who.int "computer-aided detection" "chest X-ray" tuberculosis
site:accessdata.fda.gov "chest radiograph" artificial intelligence 510(k)
site:nice.org.uk "chest X-rays" artificial intelligence lung cancer
site:clinicaltrials.gov "chest x-ray" artificial intelligence randomized
site:isrctn.com "chest x-ray" artificial intelligence randomised

扩展轮 A 的可复跑子式为：

site:pubmed.ncbi.nlm.nih.gov 2025 2026 chest radiograph AI external validation prospective
site:openaccess.thecvf.com 2025 chest x-ray foundation model
site:aclanthology.org 2025 2026 chest x-ray report generation evaluation
site:nature.com 2025 2026 chest x-ray foundation model fairness prospective

扩展轮 B 的可复跑子式为：

site:pubmed.ncbi.nlm.nih.gov pediatric chest radiograph AI external validation low-resource
site:pubmed.ncbi.nlm.nih.gov tuberculosis chest x-ray CAD calibration HIV prior tuberculosis
site:who.int chest x-ray CAD tuberculosis pediatric threshold
site:physionet.org chest x-ray longitudinal prior image privacy

4. 筛选、纳排与去重统计

4.1 可严格复算的统计

统计由最终 planning/search_ledger.jsonl、planning/screening.csv、planning/claim_ledger.csv、planning/citation_tracing.csv 和 atlas.json 直接复算。网页、动态索引和站点限定入口不提供跨时间稳定的数据库总命中量，因此 47 条查询的 hits 全部记为 null；部分 PubMed E-utilities 当次 Count 只保留在 notes 中用于诊断查询宽窄，不作为稳定总命中。null 表示“未取得可长期复现的总量”，不表示零命中。

指标	数值	解释
查询日志记录	47	每条包含日期、来源、精确式或查询家族、筛查量、纳入动作和来源角色
hits=null 记录	47	不伪造数据库总命中数；动态 Count 仅作为查询 notes
查询级可见结果槽位	451	screened 的总和；同一论文可跨查询、数据库和正式入口重复出现，不是唯一候选或唯一文献数
查询级纳入动作	109	included 的总和；表示查询内进入核验的动作次数，不是最终唯一纳入数
反证轮	7 条查询；筛查 42；纳入动作 11	覆盖域偏移、公平、捷径、报告评价和泛化失败
两轮独立补漏	筛查 63；新增 2	扩展轮 A 为 1/32，扩展轮 B 为 1/31
唯一筛选账本项	75	每项 candidate ID、规范 ID 和来源 URL 均唯一；包含论文版本、监管转移项和撤稿项，不等同 75 项独立研究
筛选决定	纳入 48；排除 20；转移 7	20 项排除包括证据增量不足 12、重复记录 2、被正式或现行版本取代 5、已撤稿 1；7 项监管材料转入部署背景
最终地图记录	48	48 个 include ID 与 atlas.json 的 48 个 ID 一一对应；ID、题名和主 URL 均无重复
主张审计	34/34 为 audited	每条均有直接证据位置和 V/D/P/Q 向量，覆盖数字、比较、因果、安全及边界表述
引用链追踪	62 行；31 个核心项	每个核心项各有一条后向和一条前向记录；60 条保留候选，2 条如实记录未发现后续正式证据

因此，451 个结果槽位、109 次查询级纳入动作、75 个唯一筛选账本项和 48 条最终记录是四个不同统计层级，不能互换。项目没有把这些数值拼成伪造的数据库总命中或 PRISMA 流程总量。

4.2 纳排规则与排除码

逐候选筛选使用以下排除码：范围外、词面重合、重复记录、无法核验一手来源、证据不足、非目标成果类型、被更新版本取代、已撤稿。最终账本实际使用了“证据增量不足、重复记录、被更新版本取代、已撤稿、范围外转移”五类决定理由；未使用的预设码保留为复跑规则。边界案例按以下规则处理：

• 胸片和 CT 混合研究：只有可单独提取胸片方法或结果时纳入，不能把混合结论全部归于胸片。
• 报告生成：只有图像到报告、报告事实性或临床错误与胸片直接相关时纳入；纯语言模型文本总结排除。
• 基础模型：必须有胸片直接评测；通用模型仅凭作者宣称可处理医学图像不纳入。
• 监管材料：只支撑许可范围、预期用途和日期，不支撑临床净效益、公平或自主诊断。
• 商业产品研究：必须绑定产品和算法版本；厂商提供软件不自动排除，但需披露其在设计、分析和写作中的角色。

4.3 去重规范键

去重顺序为 DOI → PMID/PMCID/试验注册号/正式会议 ID → 正式论文 URL → 规范化题名与第一作者。预印本、会议版、期刊扩展、更正和撤稿归入同一 work_family_id，但结论或实验发生实质变化时保留版本差异。数据集论文、数据版本和同名模型不能因名称相同而误合并。

5. 版本族、更正与撤稿检查

截至 2026-08-11，对最终 48 条主入口及筛选账本中的版本候选检查 PubMed 更新字段、正式论文页、DOI 和可用 Crossmark 入口后，最终纳入集未发现撤稿标记。确认的版本族和冲突如下：

工作	版本关系	规范入口与处理
CheXpert	arXiv 1901.07031 → AAAI 正式版	主引 10.1609/aaai.v33i01.3301590，只计一次
DeGrave 等 COVID-19 捷径研究	medRxiv 10.1101/2020.09.13.20193565 → Nature Machine Intelligence 正式版	主引 10.1038/s42256-021-00338-7
Roberts 等 COVID-19 方法学审查	arXiv 2008.06388 → Nature Machine Intelligence 正式版	主引 10.1038/s42256-021-00307-0；预印本与正式摘要的质量纳入数有 61/62 的版本差异，采用正式版本
Worodria 等七国结核 CAD 比较	medRxiv 10.1101/2024.06.19.24309061 → 2026 正式版	预印本为五产品、3,927 人，正式版为七产品、3,901 人；主引 10.1093/annalsats/aaoag011，不跨版本混写样本和结果
LungIMPACT	ISRCTN78987039、方案材料和 2026 结果论文	同一试验族；结果主引 10.1038/s41591-026-04253-5，注册用于核验预设结局
Nam 等结节筛查随机试验	2023 正式论文 → 2026 勘误	主引 10.1148/radiol.221894；勘误 10.1148/radiol.269006 将 Table 3 非人工智能组阴性总数更正为 2,392，不改变统计结果或结论
CheXNet 与 CheXNeXt	名称相近但不是简单预印本—正式版关系	CheXNet 预印本和 CheXNeXt 正式 PLOS Medicine 工作必须分开，不得静默合并

发现并明确排除一项已撤稿相邻工作：Badr M 等，Deep Learning-Based Networks for Detecting Anomalies in Chest X-Rays，原 DOI 10.1155/2022/7833516；撤稿通知 DOI 10.1155/2023/9801414，PMID 37388325。该工作不得作为方法、性能或历史代表作进入地图。

产品版本是持续更新风险。Lunit、qXR、CAD4TB 等名称跨论文重复出现，但算法版本、适应证、阈值、监管地区和部署方式不同；不同版本的性能不得直接合并。FDA 设备列表和 WHO 结核 CAD 产品政策是动态入口，复跑时必须记录查询日期和具体许可编号或产品版本。

6. 反证与负面结果检索

反证轮主动组合 failure、limitation、negative result、domain shift、shortcut、fairness、calibration、external validation、randomized、patient outcome、pediatric 和 low-resource。主要反证如下：

1. 跨医院域偏移与来源捷径。 Zech 等在三家机构的肺炎任务中发现内部表现高于院外表现，模型几乎可直接识别医院来源；合并训练并不自动消除患病率与机构混杂。正式入口：10.1371/journal.pmed.1002683。
2. 疫情数据拼接捷径。 DeGrave 等显示 COVID-19 胸片模型依赖标记、投照和数据来源等非病理信号；Roberts 等系统审查发现早期模型因偏倚和方法学缺陷均不具备可证实的临床用途。正式入口：DeGrave、Roberts。
3. 标签与参考标准。 CheXpert 明确保留报告不确定标签，不同病种需要不同处理；多读者裁决研究说明报告弱标签、单读者和简单多数投票不能视为无误金标准。AUC 和读者比较必须报告标签来源和裁决过程。
4. 高 AUC 不等于概率可靠。 Hwang 等的模型 AUC 为 0.949，但系统性高估异常概率，本地重校准可显著改善校准误差。正式入口：10.1007/s00330-020-07062-7。
5. 公平性并非域内阈值问题。 Seyyed-Kalantari 等发现服务不足和交叉亚群出现选择性漏诊；Yang 等进一步显示域内公平缓解不能稳定迁移至新机构。正式入口：10.1038/s41591-021-01595-0、10.1038/s41591-024-03113-4。
6. 人机平均增益掩盖个体受损。 Yu 等在 140 名放射科医师和 15 项任务中发现人工智能帮助效应高度异质，错误建议可降低读者表现，年资和亚专科不能可靠预测获益。正式入口：10.1038/s41591-024-02850-w。局部解释还可能加强对错误建议的无核查信任：10.1148/radiol.233261。
7. 急诊随机试验阴性。 3,576 名急诊患者的务实随机试验中，人工智能没有改善敏感度、假阳性率、CT 使用、抗生素决策、急诊停留或 30 天复诊。正式入口：10.3348/kjr.2022.0651。
8. 报告更快不等于诊断更快。 LungIMPACT 分析 93,326 例胸片，人工智能优先级虽缩短报告时间，却没有改善至 CT、肺癌诊断、治疗或分期。正式入口：10.1038/s41591-026-04253-5。该试验随机化的是优先级，两组阅片时均可见人工智能，因此否定的是该具体部署功能，而不是所有辅助阅片。
9. 正常片静默分流仍有漏诊与标签误差。 英国五站点 63,083 例静默研究只有 18.5% 与人类报告一致地判为正常，并发现 31 个临床重要漏诊和 412 个自然语言标注错误；静默结果不能直接变成自动放行。正式入口：10.1148/ryai.250964。
10. 结核 CAD 需要人群和场景阈值。 七国正式比较纳入 3,901 名有症状成人和七款明确产品；在固定 90% 敏感度时，产品特异度为 30.9%–73.5%，国家、HIV、年龄和既往结核会改变性能，局部阈值也不能消除所有亚组问题。正式入口：10.1093/annalsats/aaoag011。WHO 2025 政策只支持达到标准的具体产品用于 15 岁及以上人群：官方政策。
11. 儿科跨域失败。 儿科肺炎模型内部 AUC 0.95，外部数据仅 0.54，显著图转向颅骨、纵隔和腹部等非目标区域。正式入口：10.1007/s10140-021-01954-x。尼日利亚前瞻性小型研究也由内部 AUC 0.93 降至当地外部 AUC 0.65：10.1371/journal.pdig.0000713。

这些反证限定了可接受的主张：不得把回顾性读者比较写成临床替代；不得只报 AUC 而省略校准、患病率、阈值和每千例错误；不得把报告改变写成患者获益；不得把监管许可写成跨人群有效；不得把域内公平改善写成域外公平；不得把成人结核政策外推到儿童。

7. 两轮边际收敛与引用链追踪

7.1 边际新增

扩展轮	来源和主题	去重后实际筛查	新增纳入	边际新增率	新一级路线
A	PubMed、CVF、ACL Anthology、Nature；2025–2026 外部验证、基础模型、报告生成、公平和前瞻研究	32	1	3.13%	0
B	PubMed、WHO、Nature、PhysioNet；儿科、低资源、结核阈值、隐私和纵向既往片	31	1	3.23%	0

两轮使用不同来源组合和主题入口，新增率均低于 5%，且均没有新增一级路线，满足数值边际收敛条件。扩展轮 A 新增 CLEAR，补足可审计概念基础模型；扩展轮 B 新增尼日利亚儿科肺炎跨域失败研究，补足儿童和低资源负面证据。低边际新增只说明当前分类结构趋于稳定，不证明已经穷尽所有论文或长尾疾病。

7.2 前后向追踪

planning/citation_tracing.csv 共 62 行，覆盖 31 个预先指定的核心追踪项；每项恰有一条后向和一条前向记录，均保存候选、关系类型、规范入口、决定和边界说明。该集合覆盖全部七条主要路线和 E1–E4 四个阶段：数据与标签 3 项、判别诊断 2 项、定位 2 项、报告 5 项、基础模型 7 项、可靠性 6 项、部署 6 项。60 条追踪候选被保留为谱系或后续证据，2 条记录为完成检索后“未发现”。

后向追踪覆盖公开胸片—报告资源、弱标签与不确定标签、定位标注、报告生成、图文预训练、捷径、公平及临床试验的直接前序；前向追踪用于确认正式版本、后续外部验证、独立反证和部署结果。CLEAR 和 Janus-Pro-CXR 均为 2026 年新近正式工作：截至截止日未发现正式发表的独立前向复现、患者结局验证或明确反证，账本保留了各自复跑式并将决定写为“未发现”。这两个阴性追踪结果是完整执行后的证据空白，不是漏填或用推测补造引文。

结合两轮 1/32 与 1/31 的低边际新增、两轮均无新一级路线，以及七条路线均有双向追踪代表，本审计认为边际收敛条件在冻结范围内成立。

8. 五道 L2 闸门

闸门	判定	证据与缺口
1. 范围与来源	通过	范围合同、截止日期、纳排边界、七类查询家族和 T1/T2/T3 来源角色已冻结；47 条查询均保存日期、来源、精确式、筛查量与纳入动作，47 条 hits 均按不可稳定复现原则记为 null；未执行的数据库全量导出已披露
2. 分支代表性	通过	最终 48 条记录覆盖七条主要路线：数据与标签 5、诊断 3、定位 3、报告 6、基础模型 8、可靠性 13、部署 10；75 项唯一筛选账本保存 48 项纳入、20 项排除和 7 项背景转移；两轮均无新增一级路线，各路线的奠基/代表、前沿和评价/反证位置已覆盖，证据稀疏位置已写入限制
3. 边际收敛	通过	两个来源组合与主题入口不同的完整扩展轮分别为 1/32（3.13%）和 1/31（3.23%），均低于 5% 且无新路线；62 行引用链覆盖 31 个核心项，每项各有一次前向和后向追踪，CLEAR 与 Janus-Pro-CXR 的前向“未发现”有日期和复跑式
4. 深读	通过	atlas.json 的 48 条记录均包含问题、机制、2–5 个机制步骤、直接证据、证据位置、局限、启示、一手入口、source_note 与 V/D/P/Q；41 条为全文核验，7 条仅在摘要或正式元数据可得层级核验，并以 verification_state、证据等级和来源边界限制表述，不从不可得正文推断
5. 证据审计	通过	claim_ledger.csv 的 34 条指定核心主张全部为 audited，全部具有证据位置和 V/D/P/Q；版本族、正式版优先、Nam 2026 勘误、撤稿排除、负面试验与商业产品版本边界均已进入成品；最终 48 条的 ID、题名和主 URL 无重复

综合判定：五道闸门全部通过，覆盖等级为 L2 声明范围内覆盖饱和。该等级只对本范围合同、截止日期和已执行来源有效，不转化为“全部文献已穷尽”或“系统综述已完成”的声明。

9. 失败入口与覆盖限制

1. 数据库总命中不可得。 通用网页、动态索引和站点限定搜索不提供跨时间稳定总命中，故 47 条查询均以 hits=null 保存。451 个可见结果槽位和 109 次查询级纳入动作不能用来生成数据库级 PRISMA 总量。
2. PubMed 页面偶发访问验证。 个别页面触发访问验证时，改由 PMC、DOI、正式期刊页或 PubMed 已索引摘要核验；没有以搜索摘要替代核心论文证据。
3. 数据库覆盖限制。 本轮没有形成 Embase、Scopus、Web of Science、IEEE Xplore 或中文数据库的全量原生导出和逐条去重；因此不声称覆盖所有工程会议、非英文和地区性临床文献。
4. 不是系统综述。 本项目是以路线、反证和证据饱和为目标的研究地图，没有执行多数据库全量导出、双人独立题录筛选、研究级偏倚工具或荟萃分析；75 个筛选账本项足以审计本地图的纳排，但不能冒充系统综述的完整检索总体。
5. 商业模型不透明。 训练数据、版本更新、阈值、设备适配和代码常不公开；产品同名不代表算法相同，跨论文性能不可直接合并。
6. 动态监管入口。 FDA 人工智能器械列表、510(k) 标签、WHO 产品评估和 NICE 建议会更新；必须绑定许可编号、适应证、版本和检索日期。监管通过不能替代前瞻患者结局。
7. 儿科与低资源证据稀疏。 儿科、便携设备、HIV、既往结核和当地阈值研究数量有限，亚组置信区间和参考标准差异较大；成人高收入场景结果不可外推。
8. 长尾任务遗漏风险。 尘肺和职业病、设备位置、图像质控、纵向变化、机会性非胸部结局、隐私重识别、联邦学习、网络故障和上市后漂移监测尚未达到与主路线相同的深读密度。
9. 患者结局不足。 多数研究结局仍是 AUC、读者表现、报告改变或时间；实际治疗改变、不良事件、死亡、生活质量和健康公平的随机或长期证据极少。
10. 报告与基础模型快速更新。 2025–2026 多模态和生成模型迭代快，正式版、权重、提示方案和评测集可能变化；在线优先发表与期刊卷期需在后续更新时重新核验。

10. 可复核的核心一手入口

• 数据与标签：CheXpert；Majkowska 等专家裁决评价。
• 跨院与捷径：Zech 等；DeGrave 等；Roberts 等。
• 校准与公平：Hwang 等；Seyyed-Kalantari 等；Yang 等。
• 人机协作与真实流程：Yu 等；Jones 等；正常片静默试验。
• 随机与患者路径：急诊务实随机试验；LungIMPACT。
• 低资源、结核与儿科：七国结核 CAD 比较；WHO 2025 政策；儿科跨域失败；尼日利亚儿科外部验证。
• 监管边界：FDA 人工智能器械动态列表；Lunit INSIGHT CXR Triage K211733；NICE 胸片肺癌软件建议。

本审计只把上述入口用于其能直接支持的层级：论文支持研究设计与观察结果，注册支持预设方案，监管与政策支持限定适应证，任何单一入口都不被扩大为领域普遍有效或患者获益证明。

复现与使用边界

• atlas.json 是人工维护的结构化研究真源；data/、网页与本 README 是确定性派生阅读层。
• 页面可离线打开；论文、代码、数据集与官方图表等一手外部入口需要联网。
• 机制步骤与网页机制图是依据一手文字证据形成的解释性整理，不替代原论文图表或独立复核。
• 出版状态、阅读优先级、证据等级与展示层级是不同维度，不能互相替代。
• 本综述有明确截止日期和纳入边界，不声称穷尽互联网中的全部长尾资料。

生成与验证工具：build-research-atlas。