# 医疗AI辅助诊断系统 - 案例资料

## 项目背景

某三甲医院2024年引入AI辅助诊断系统，主要用于影像科CT和MRI的辅助诊断。

## 资料1: 院长访谈

**时间**: 2025年3月

**内容**:
这个AI系统是我们医院数字化转型的重要一步。当时引进主要考虑几个方面：一是影像科医生人手不够，AI可以初筛，提高效率；二是减少漏诊，AI看片比人更仔细；三是标准化，AI可以保证诊断质量的一致性。

我们用的是一家创业公司的产品，当时考察了很多家。这家公司在AI医疗领域起步较早，有不少成功案例。当然，也有很多争议，比如准确性、责任划分等问题。

现在系统运行了大半年，效果还可以。但也遇到不少问题，比如医生不信任、病人有顾虑、还有数据安全等等。

## 资料2: 影像科医生反馈

**时间**: 2025年4月

**内容**:
说句实在话，最开始我们是很抵触的。担心AI抢饭碗，而且说实话，机器诊断总感觉不太靠谱。

但用了一段时间，发现还是有帮助的。特别是在肺结节筛查方面，AI确实能发现一些我们容易忽略的小结节。这对我们来说是好事，病人也受益。

不过，AI也不是万能的。它偶尔会漏诊，也会误报。我们最终还是要把关的，AI只是辅助，不能完全依赖它。

关于责任问题，如果AI诊断错了谁来担责？目前还是医生负责。法律上还没有明确规定，这也是我们担心的。

## 资料3: IT部门技术文档

**系统架构**:
```
AI辅助诊断系统
├── 数据采集层
│   ├── CT设备 (GE, Siemens, Philips)
│   ├── MRI设备
│   └── PACS影像存储
│
├── 数据处理层
│   ├── 数据脱敏模块
│   ├── 数据标注模块
│   └── 数据增强模块
│
├── AI分析层
│   ├── 肺结节检测模型
│   ├── 肺炎筛查模型
│   └── 骨折检测模型
│
└── 应用层
    ├── 医生工作站集成
    ├── 报告生成系统
    └── 质控系统
```

**数据流转**:
1. CT/MRI设备产生原始影像
2. 数据自动上传到PACS系统
3. AI系统从PACS拉取数据进行分析
4. 分析结果推送到医生工作站
5. 医生审核后生成最终报告

**关键参数**:
- 日处理影像: 约500例
- AI模型版本: v3.2.1
- 平均响应时间: <30秒
- 准确率: 肺结节检测 92%

## 资料4: 患者访谈

**时间**: 2025年5月

**内容**:
我去做CT检查的时候，医生告诉我有AI辅助诊断。我当时的反应是有点担心，机器靠谱吗？

但医生解释说AI只是初筛，最后还是人工审核。这样我就放心了，毕竟是三甲医院，医生经验丰富。

检查结果出来得比平时快一点，不知道是不是AI的作用。如果AI真的能帮助医生看得更准，我觉得是好事。

就是有一点担心，我的影像数据会不会被泄露？医院说是保密的，但我心里还是有点不踏实。

## 资料5: 系统日志（摘录）

```
[2025-03-15 09:23:15] INFO: 开始处理影像 StudyID: CT20250315001
[2025-03-15 09:23:17] INFO: 影像数据加载完成
[2025-03-15 09:23:18] INFO: 调用肺结节检测模型 v3.2.1
[2025-03-15 09:23:22] INFO: 模型推理完成，检测到3个结节
[2025-03-15 09:23:23] INFO: 生成结构化报告
[2025-03-15 09:23:25] INFO: 推送至医生工作站
[2025-03-15 09:23:26] INFO: 处理完成，耗时11秒
```

## 标注要点

本案例中的行动者：

**人类行动者**:
- 院长
- 影像科医生
- IT部门工程师
- 患者

**非人行动者**:
- AI诊断系统
- CT设备
- MRI设备
- PACS系统
- 肺结节检测模型
- 数据（影像数据、病历数据）
- 报告生成系统

**待分析**:
- AI系统与医生的关系
- 数据如何流动和转化
- 各方的利益和担忧
- 系统如何被接受/抵抗
