尽管人工智能在图像诊断方面取得了巨大进步，但人类放射科医生的需求和薪酬却在持续增长。这主要是因为 AI 模型在真实医院环境中的表现远不如受控测试，严格的法规和保险政策限制了其独立应用，并且放射科医生的工作远不止解读图像。因此，AI 目前的角色是辅助而非替代，甚至可能因提高效率而增加了对人类专家的总体需求。
AI 的承诺与现实的矛盾
自 2017 年以来，像 CheXNet 这样的 AI 模型在基准测试中，其诊断肺炎等疾病的准确性已超过专业放射科医生。AI 领域的领军人物杰弗里·辛顿甚至在 2016 年宣称“人们现在应该停止培养放射科医生了”。如果 AI 将取代人类工作的预测是真的，放射学理应首当其冲。
然而，现实恰恰相反：
- 需求空前： 2025 年，美国放射科住院医师项目提供的职位数量创下历史新高。
- 薪资飙升： 同年，放射科成为美国收入第二高的医疗专业，平均年薪高达 52 万美元，比 2015 年增长了 48%。
放射学本应是 AI 替代人类的典型领域，但现实却是对人类专家的需求比以往任何时候都更加旺盛。
为什么 AI 尚未取代人类医生
有三个核心原因解释了这一现象：模型在现实世界中的表现不佳、法律与保险的限制，以及放射科医生工作的复杂性。
1. 从实验室到临床的巨大落差
AI 模型在受控的基准测试中表现出色，但在复杂的医院环境中却步履维艰。
- 数据局限性： 大多数模型只能诊断训练数据中常见的异常情况。目前约 60% 的模型集中在中风、乳腺癌和肺癌等少数领域，而这些仅占实际影像检查的一小部分。
- 环境适应性差： 当模型被部署到新的医院时，由于设备、操作流程和患者群体的差异，其性能可能会下降多达 20%。一个在某家医院训练的肺炎检测模型，在另一家医院的表现可能大幅变差。
- “完美”数据的偏见： 训练 AI 的数据集通常经过严格筛选，排除了模糊、角度不佳或复杂的真实世界图像。这使得模型更擅长处理最简单的病例，而这些病例医生本就能够轻松诊断。
- 缺乏背景知识： AI 无法理解上下文。例如，一个模型曾将手术缝合钉的影像特征误判为出血，这是人类医生不会犯的错误。
2. 历史的教训：计算机辅助诊断 (CAD) 的失败
20 世纪 90 年代，用于筛查乳腺癌的 CAD 系统曾被寄予厚望。然而，大规模临床应用的结果令人失望。
研究发现，使用了 CAD 系统的诊所虽然进行了多出 20% 的活检，但发现的癌症数量并没有增加。
事实证明，CAD 系统不仅没有提高癌症检出率，反而导致了更多的过度检查。更糟糕的是，医生们似乎过度依赖和信任 AI 的提示。一项研究显示，当 AI 未能标记出恶性肿瘤时，许多医生会将其视为图像“干净”的保证，从而导致漏诊率上升。
3. 监管与责任的壁垒
将诊断完全交给 AI 面临着巨大的法律和保险障碍。
- 严格的审批： 美国食品药品监督管理局 (FDA) 将 AI 软件分为两类。辅助工具只需证明其性能不亚于现有工具即可，但自主诊断工具则必须通过极其严格的审查，确保其在任何异常情况下都能拒绝读取并转交人类处理。
- 无法投保的风险： 诊断失误是医疗事故中代价最高昂的一项。保险公司认为，一个有缺陷的算法可能同时伤害成千上万名患者，风险远高于单个人类医生。因此，许多保险合同明确规定： > “保障范围仅适用于由执业医师审核和认证的判读；对于由软件自主生成的诊断，不提供任何赔偿。”
4. 放射科医生的多重角色
即便 AI 能够完美解读影像，也只能替代放射科医生工作的一小部分。
一项研究发现，放射科医生只有约 36% 的时间用于直接解读图像。其余大部分时间用于：
- 与主治医生沟通结果和建议。
- 与患者直接交流。
- 监督影像检查的执行过程。
- 指导和培训实习医生及技术人员。
效率悖论：技术越好，人越忙
经济学中有一个“杰文斯悖论”现象：当一项技术使某种资源的使用变得更便宜或更高效时，人们对该资源的总需求量反而会增加。
这在放射学领域已有先例。21 世纪初，医院从胶片转向数字系统，极大提高了医生的阅片效率。然而，没有放射科医生因此被解雇。相反，从 2000 年到 2008 年，美国的影像检查总使用率增加了 60%。因为检查变得更快、更方便，医生们更倾向于使用它们，甚至开创了新的应用场景，如全身 CT 扫描。
结论：人机协作是未来
目前来看，AI 在放射学中的角色是增强人类能力的工具，而非替代品。完全由 AI 负责诊断的模式，因其在现实世界的表现、监管要求和责任风险而变得昂贵且充满不确定性。
许多复杂的知识型工作都与放射学相似：任务多样、风险高、需求富有弹性。在这些领域，AI 的初步应用很可能会导致对人类专家需求的增加，而不是减少。
悖论依然成立：机器变得越好，放射科医生就变得越忙。