AI读片、分析眼底照片、在成百上千张病理切片中筛选癌变区域、根据影像和检验数据给出初步报告……近日，《JACC: Asia》同期在线发表了两项AI联合超声检查的应用研究：
一是AI基于血管内超声（IVUS）影像算出血流储备分数（FFR）类功能学指标，准确率高达94％；其二是AI基于经胸超声心动图视频与标准切面，检索生成报告，心脏专科医师给报告质量打了4分（满分5分）。
从两项研究结果上看，AI似乎已经掌握了基于影像的诊断。那么然后呢？AI是否具备了“独立行医”的能力，距离真正“独立行医”还有多远？
一、AI从IVUS影像算出了“FFR”：UFR诊断准确率高达94％
超声血流比值（UFR）是一种基于IVUS影像、由AI计算推导的FFR类功能学指标，无需压力导丝即可评估冠状动脉狭窄的血流动力学意义。FEATURE研究通过前瞻性设计，以压力导丝测得的FFR为参照标准，评估现场UFR识别血流动力学显著狭窄的冠状动脉病变的诊断准确性。入组106例患者，涵盖131条中度狭窄（50％～80％）血管。在导管室现场，FFR测量后即刻采集IVUS回撤影像，由分析者使用专用软件在现场进行分析，且对FFR结果设盲。
UFR与FFR中位数之间无统计学显著差异（0.85 vs. 0.84，P＝0.11），配对差值的中位数为0.01。以压力导丝FFR≤0.80为参照，UFR的诊断准确性达94％（95％ CI：88％～97％），显著超过预设目标值（78％）。UFR预测能力优于IVUS衍生MLA对生理学显著狭窄的判断（AUC 0.76），敏感性88％、特异性97％，AUC达0.96。
相应的阳性预测值和阴性预测值分别为93％（95％ CI：81％～97％）和94％（95％ CI：88％～97％）。在FFR为0.75～0.80的20支灰区血管中，UFR正确分类16支，一致率为80%；该亚组UFR与FFR的平均差值为0.01±0.04。不仅如此，ICC分析证实，在所有考察的亚组中，UFR与FFR测量值之间均具有良好至极佳的一致性，包括病变位置、多支血管病变、糖尿病、成像导管类型、病变长度、性别和年龄。
（A）UFR与FFR之间观察到强相关；（B）两种方法一致性良好。
二、多视图视频—语言AI精准解读超声心动图：心脏专家打高分
第一项研究发生在导管室，第二项研究则回到检查室，但两项研究用的是同一门技术：超声；解决的是同一类问题：超声影像里的信息。
该研究共纳入34,155名患者的69,482次经胸超声心动图检查。其中，46,852次检查及其对应的577,061段视频和临床报告用于模型训练，另设验证集和测试集。模型尝试整合心脏运动的时间动态信息，以及胸骨旁长轴、短轴和心尖两腔、三腔、四腔共5个标准切面的影像信息。
在16,436份候选临床报告的检索任务中，检索准确性随输入信息量增加而提升。只用静态图像时，正确报告进入前10位的比例（R@10）只有1.3％；换成视频输入，升到4.2％；再加上5个切面的多视图整合，达到6.0％；其中，需要综合运动、多切面互证的发现改善最为明显，如左心室扩大、室壁运动异常。外部验证中，左心室扩大分类准确率80.0％，室壁运动60.0％。三位心脏专科医师给AI检索生成报告的诊断准确性、完整性和临床实用性打分，中位数都是4分（满分5分）。
多视图视频模型与真实报告的匹配度最高（红字表示与真实情况不符）
三、严道心得——准确性这么高，AI能独立行医了？
1、UFR研究中，94%的诊断准确率来自半自动分析流程；原始软件有76.3%的血管需要人工校正，全自动流程的AUC也低于半自动流程（0.84 vs 0.96）。眼下的UFR更像一位需要资深技师在旁边扶一把的助手，还算不上独立阅片者。
2、超声心动图AI研究中，多视图模型的报告检索表现虽较单图像模型提升，但R@10仅为6.0%；不同临床发现的一致性也存在差异。这些结果说明，AI在特定任务上表现出色，却仍受图像质量、输入信息和人工复核等因素影响综合来看，多视图视频—语言模型更像是一项设计严谨的“AI能力验证”，而非“临床诊断”。
3、这些局限凑在一起，指向同一个问题，AI像一位成绩不错的考生，但它的成绩单，都是在考场里考出来的。换句话说，这位考生平时刷的题、考试的范围、旁边监考的人，都是研究团队精心安排的；出了考场，考题就换了，图像差一点、病变偏一点、患者焦躁一点，都是考场外才有的变量，不在既定的考纲范围内，而临床诊疗恰恰是一场没有考纲的考试。这时候能顶上去的，是医生的专业判断。让考生继续备考，让医生握着判卷的笔，把AI当工具，把信任留给验证，把责任留给人——这或许才是AI走进临床的正确方式。
参考文献：
1. Liu, L, Yu, L, Ding, D. et al. Diagnostic Accuracy of Artificial Intelligence–Enhanced Ultrasonic Flow Ratio for On-Site Assessment of Coronary Stenosis. JACC: Asia. 2026 Oct, 6 (10_Part_2) 2499–2511. https://doi.org/10.1016/j.jacasi.2026.04.011
2. Takizawa, R, Yamazaki, C, Kodera, S. et al. Comprehensive Echocardiography Interpretation Using Video and Multiview Vision-Language AI. JACC: Asia. 2026 Oct, 6 (10_Part_2) 2533–2546.https://doi.org/10.1016/j.jacasi.2026.06.039
JACC: Asia编委会
