AI 原生 PACS
从岗位流程到系统建设

这份文档写给影像科主任、信息科负责人和参与评审的临床医生看：先把“什么是、什么不是”说清，再逐个岗位讲流程怎么变、机器做到哪一步、人保留哪些决定权，最后落到系统怎么分层、怎么招标、怎么分期验收。

目录

1. 先分清：四条试金石
2. 一次检查全程：从申请到随访的九个节点
3. 护士与检查登记
4. 技师与扫描执行
5. 诊断医生阅片与报告
6. 审核医生
7. 归档、检索与随访
8. 排班与资源调度
9. 工作量统计与绩效
10. 质量管理
11. 数据流：四类资产、三条契约
12. 系统怎么建（一）：总体架构与十个子系统
13. 系统怎么建（二）：标准、接口与部署方式
14. 系统怎么建（三）：组织、安全与三期实施路线图
15. 全岗位通用纪律：AI 做到哪、停在哪
16. 成熟度分级、采购甄别与现有工作的定位

1  先分清：四条试金石

传统 PACS 解决的是胶片数字化问题：图像存得下、调得出。RIS 管登记、排班和报告流程。这套分工用了三十年，问题不在老，而在它假设每一步都靠人完成。近几年科里陆续上了肺结节检出、骨折提示、报告模板等工具，多数是单独一套软件、单独一个入口，医生想起来才点，不点就和没有一样。厂商把这类拼装也称作 AI 原生，评审时需要一套能当场验证的判据。

评审会上逐条要证据

三代系统的目标不一样

2  一次检查全程：从申请到随访的九个节点

老流程是直线排队：登记、等扫描、扫描、等阅片、写报告、等审核、签发、归档。先后只看谁先到，急不急靠临床打电话催，质量靠事后抽查。改成原生流程后，直线变成流水线：每个节点在往下传“这例该谁接”的同时，还沉淀“这一步已经确认了什么”。后面八个岗位的章节，都是把这张图放大到单个岗位看。

图 1  一次检查全程：九个节点

深色两格（AI 预读、分诊派单）是与传统流程差别最大的地方：机器在医生打开病例之前，已读过一遍并排好顺序。

看这张表要注意一件事：每个节点留下的不只是“做完了”的状态，而是可供下一步直接使用的结构化内容。登记留下的临床问题决定预读重点，扫描留下的质量分决定诊断医生要不要对某个征象打折扣。入口信息写得含糊，后面所有自动化都会跟着打折，这是后面登记岗位要反复强调的原因。

现在是怎么干的，问题出在哪

• 申请单多为手写或自由文本：检查目的写“查因”、部位缺侧别、临床问题缺失，诊断医生读片时没有对照，只能凭图像猜临床想问什么。
• 适应证和禁忌靠经验把关：重复检查、造影剂过敏、体内金属、妊娠、肾功能异常，往往到了扫描室甚至报告端才被发现，患者白跑、检查取消、纠纷都出在这里。
• 预约靠人工排号：急诊、住院、门诊混在一起，空腹、憋尿、停药等准备事项靠口头交代，没确认、没回执，爽约和临时取消占了不少机时。
• 登记内容写错只能电话追改，系统不校验，下游也用不上。

图 7  每个岗位共用的操作闭环

机器先做准备和提示，人确认，确认过程留痕，再回流为规则改进。这条纪律在八个岗位都成立。

改了之后：操作步骤

这一步沉淀什么数据

登记的产出从一张单据变成一组可计算的临床背景：结构化临床问题、风险标签、初始优先级。这组数据是后面协议推荐、分诊排序和报告起草的直接输入。入口质量决定后面自动化上限。

岗位职责变化与要防的风险

护士的职责从录入转向把关：处理系统标出的例外、核对疑点、与临床科室沟通确认。拦截规则要统计误拦率，超阈自动降为仅提示。系统不得自动拒单或改单。

现在是怎么干的，问题出在哪

• 协议靠习惯选：同一种检查，不同技师扫的范围和序列不一样，图像之间没法比，历史对比经常对不上。
• 质量靠自己看：摆位偏、运动伪影、序列缺失、增强时相不对，漏过去之后诊断端只能将就看，或者打电话召回重扫，患者和科室都付代价。
• 剂量和不良事件靠事后统计：曝光超量、对比剂外渗，发现时已经过了处理和记录的最佳时机。
• 技师的活儿只按例数记：难度、补扫、拦下的问题检查都不进统计，认真把关的人吃亏。

改了之后：操作步骤

这一步沉淀什么数据

扫描环节新增三类过去只存在于技师经验里的数据：实际执行的协议（不是计划协议）、逐序列质量分、剂量与事件记录。它们既是诊断医生的阅读背景，也是设备状态、协议优化和人员培训的数据来源。

岗位职责变化与要防的风险

技师从单纯执行转向对图像质量负责，有更多时间处理患者沟通、体位和突发情况。要防的风险是质控模型误判导致不必要的补扫、增加辐射：要设补扫率监控，某条规则触发的补扫如果事后多被证实是误报，该规则自动降级并复核阈值，而不是让技师无限补下去。

现在是怎么干的，问题出在哪

• 工作列表先到先得：急诊脑出血和常规体检排在一个队列里，谁先被看全凭顺序和临床催得急不急。
• 时间大多花在找，不在判：逐层翻图找病灶、手动测量、自己调历史片对比，真正用于鉴别诊断的时间被压缩。
• 报告从空白页写起：征象怎么描述、分级给到哪一级全凭个人习惯，同病种不同医生写法差很多，临床不好用，科研更没法直接用。
• 外加算法要另开系统看结果再誊回，忙起来没人用。

图 2  诊断医生打开病例时：三件事分清

系统已备好的、必须医生亲自做的、系统绝不能替医生做的。第三行是底线。

诊断医生（续）：操作步骤

这一步沉淀什么数据

诊断环节是 AI 草稿被确认或否决的关口：经医生确认的征象和分级成为正式临床结论，未确认的只留在候选区。医生改了什么、为什么改被完整保存，报告从一次性的文本变成可追溯、可复盘的过程记录。争议时可还原当时依据。

岗位职责变化与要防的风险

医生的时间从搜索和打字转到鉴别诊断、分歧判断和与临床沟通。最要防的是图省事照单全收：草稿写什么就信什么。对策有三条——置信度分层呈现、低置信不进草稿正文、对采纳率异常高的医生定向抽查分歧病例。特别注意：不能拿草稿采纳率考核医生，采纳率高可能说明草稿好，也可能说明没认真看，把它和绩效挂钩等于奖励照单全收。

现在是怎么干的，问题出在哪

• 不分风险一律全审：体检常规和疑难危重排一个队列，审核积压时急症反而等得更久。
• 审的重点偏在文面：错别字、格式抓得多，漏诊和所见与结论自相矛盾这类真问题，靠审核者当时的状态。
• 驳回靠一段自由文字：初诊医生看完不知道具体错在哪，同样的问题下个月又出现，审核经验沉淀不下来。
• 双读和会诊靠线下喊人：结果不进系统，和最终报告对不上号，出了争议查不到依据。

改了之后：操作步骤

这一步沉淀什么数据

审核产出从“通过或驳回”两个字，变成结构化的质量事件：哪里错、错的类型、谁与谁有分歧、最后怎么裁定。这批数据是质量管理和规则迭代的第一手材料，过去只存在于口头反馈里，说完就没了。

岗位职责变化与要防的风险

审核医生把精力集中在高分歧、高风险和低年资医生的病例上，经验通过批注沉淀为科室可查的资料。要防快速通道被滥用或分层标准慢慢漂移：快速通道的病例要持续抽查，一旦抽查不合格率超过阈值，自动收紧分层条件、扩大抽审范围，而不是等出了事再收紧。

现在是怎么干的，问题出在哪

• 报告是一段自由文本，AI 结果（如果有）是一张截图，出了阅片软件就什么都查不到。
• 检索只能靠患者姓名和检查日期：想找“所有 8 mm 以上、已随访两年的肺结节”这类问题，无从下手，只能人工翻片。
• 临床医生在病历系统里只看到报告文字，想看原图要另开系统、重新授权，来回切换。
• 科研组一个队列要数周：人工筛片、手工脱敏，口径还说不清，换个人重做一遍结果对不上。

改了之后：操作步骤

这一步沉淀什么数据

系统的记忆单位从文件变成可计算的临床事实。判断归档做没做到位，只看一条：不打开阅片软件，仅靠查询能不能回答临床和管理问题。能，才算归档完成；只能调片看图，仍旧是个电子文件柜，只是存得整齐些。

岗位职责变化与要防的风险

检索和导出涉及隐私：按角色和具体病例双重授权，批量导出和对外协作默认脱敏并留痕。自然语言查询要防系统自行编造条件，所以必须走“先给查询草稿、人确认、再执行”的流程，并把实际条件展示出来。

现在是怎么干的，问题出在哪

• 班表是一张静态名单：按资历轮转，不看亚专科对不对口，不看当天队列和急症波动。
• 负荷看不见：谁积压了、谁空闲靠科主任肉眼和喊话，急症高峰和常规低谷用同一套人硬扛。
• 替班支援靠人情：跨组、跨院区支援没有数据依据，夜班和节假日靠自觉，事后也说不清谁扛了多少急活。
• 排班和绩效两张皮：扛了多少急症、带了多少双读，不进工作量，和下一岗直接相关。

改了之后：操作步骤

这一步沉淀什么数据

排班的输入从一张经验表，变成实时队列、能力清单和预测区间三组数据；排班结果（谁在什么时段接哪类队列）又回过头成为分诊派单的依据。排班因此从排完就归档的行政表，变成流程的一部分。

岗位职责变化与要防的风险

排班牵涉公平和劳动权益，属于管理决策，机器只出草案和建议。特别要防能力标签把人定死：年轻医生总分不到复杂病例就永远练不出来。排班规则里要显式留出成长性安排，比如在双签带教下承接高难病例的配额，并定期人工复核标签分布是否合理。

现在是怎么干的，问题出在哪

• 只数例数：一例疑难脑肿瘤和一例常规体检片同价，急症、双读、带教这些活儿没人记，愿意接难活的人吃亏。
• 数据靠月底填报或临时抓取：迟报漏报、口径打架，对账耗人力，争议不断。
• 质量不进账：审核挑出多少问题、随访闭环完成多少、带教贡献多大，都不体现，快而糙反而占便宜。
• 登记和技师的把关劳动不可见：拦下不适宜检查、当场补扫避免召回，都不记功，久了没人愿意多这一步。

改了之后：操作步骤

这一步沉淀什么数据

数据来源从人工填报变成流程本身：谁在什么时间、对哪例病例、做了哪类动作，系统天然有记录。管理者的工作从催报表变为定口径：权重、阈值和例外情形。口径要版本化，历史绩效能按当时的口径重算，避免新旧混算扯不清。

岗位职责变化与要防的风险

这一岗有一条明确禁区：不得把 AI 草稿采纳率设为医生绩效指标。采纳率高可能代表草稿质量好，也可能代表没认真看就通过了；把它与收入挂钩，等于变相鼓励照单全收。采纳率只作质量监测信号，异常时触发抽查病例，不直接计分。

图 4  四类数据资产

质量问题最后都要落到这四类资产上查：图像、事实、规则版本，还是反馈没记。

四条线分别盯什么

原生流程特有的四种做法

• 新版先影子运行：新模型或新规则先只记录、不展示，与现行结果和医生定稿比对，达标后才转正式，上线保留随时退回上一版的通道。没有影子期对比数据的，不允许直接替换。
• 抽检先抽分歧大的：优先抽 AI 与医生分歧最大、置信度最低、新模型刚覆盖的病例。单位人力能发现的问题最多，比随机抽更有效。
• 规则算合规账：每条报告规则统计它在真实模板和真实报告中的触发与合规比例。合规低要分清两种情况：规则要求合理但模板没跟上（改模板），还是规则本身与临床实际冲突（改规则），走两条不同的修订路径。
• 盯输入漂移：换设备、改协议、就诊人群变化都会让模型表现悄悄变差。对输入分布和阳性率设基线，偏离就告警，而不是等漏诊攒成批再发现。

发现问题后回到哪个岗位

11  数据流：四类资产、三条契约

前面八个岗位共用同一套数据地基。传统系统的数据观是文件观：图像是对象，报告是一段文本，系统只管检查、序列、图像三级索引。原生系统的数据观是事实观：一次检查同时产生像素、临床事实和知识关联，三者版本对齐、互相能追溯。这一章把地基说清，后面“系统怎么建”才有着落。

四类资产分别是什么

任何 AI 结果入库前要过的三关

• 术语关：同一个征象不同医生有不同写法，入库前必须映射到受控词表（RadLex、SNOMED CT、LOINC 的院内适用子集）。映射不上的先进候选池，不直接进正式库。这一步是实打实的知识工程，没有算法捷径，得靠临床和工程一起磨词表。
• 出处关：每条事实带上来源图像的标识和空间坐标、所用模型与规则版本、生成时间。医生点一条结论能跳回对应层面，事后审计能重现当时看到的是什么。
• 置信关：置信度与事实一起存。低置信的事实可以用于检索召回和提醒关注，不能直接进报告定稿区，也不能直接触发临床提醒。

智能能力分四级，顺序不能颠倒

大语言和多模态模型通常落在二级后段和三级：把结构化征象组织成规范文字、在规则约束下匹配模板填槽位、把分歧整理成确认清单。当前最常见的架构错误，是让生成模型直接架在像素上、跳过结构化事实这一层：文字看着流畅，但没法溯源、没法质控、没法查询。顺序永远是先有事实、再有文字。

12  系统怎么建（一）：总体架构与十个子系统

这一章开始回答“怎么建”。先立一个原则：不要指望买一套软件一次到位。原生 PACS 是把现有 RIS/PACS、影像存储、各单病种算法、报告系统重新分层组合，再补上过去没有的事实库、规则服务和反馈机制。分层清楚了，招标可以分开招，验收可以逐层验，换某个算法厂商也不会伤筋动骨。

图 3  五层架构 + 治理横切面

治理贯穿五层：权限、审计、版本、脱敏在建设初期就要做进去，后期补代价高一个量级。

五层各管什么，边界在哪

自检办法：假想明天抽掉智能层，分诊、预填、随访提醒和结构化查询是否随之消失。消失，说明分层是真的；照常运转，说明所谓智能层只是挂在外面的插件，架构上仍是老系统。

12（续） 十个子系统：按此拆分招标与验收

图 6  十个核心子系统

第 2、3、4 号（数据与知识）和第 5 号（算法）分开采购：数据归医院，算法可替换。

13  系统怎么建（二）：标准、接口与部署方式

没有标准回写，就谈不上原生

评审时要看一条完整的标准链路演示：一条 AI 结构化结果从产生、按标准回写、到被另一个系统读走，全程不靠导表格中转。凡是拿“可以导出 Excel”代替标准回写的，数据层按未完成计。

与现有系统的关系：不是推倒重来

部署方式按数据敏感度选，都必须留降级路

14  系统怎么建（三）：组织、安全与三期实施路线图

谁来负责：这是临床牵头、信息搭台的项目

建议设一个跨科室的常设小组（影像、信息、医务各出人），规则和模型的上线、降级、回滚由这个小组按既定标准决定，不靠临时拍板。

图 5  三期建设路线图

每期结束都有可当场验收的成果，而不是无法核对的表述。

三期各自交什么、怎么算过关

14（续） 安全与合规：建设初期就要做进去的六件事

这六件事的共同点是：都要在建设初期纳入架构和合同，后期补做的成本和风险都高得多。评审时逐项要交付物和演示，不接受口头承诺。涉及患者数据的处理，还要与院内现行制度和属地要求逐项对表，本文不展开具体条款。

建设中最常见的五个坑

1. 先买算法、后补数据层：算法结果进不了统一事实库，买得越多、孤岛越多。正确顺序是先立入库契约，再扩算法。
2. 规则锁在厂商后台：临床改一条模板要提工单等排期。规则编辑和发布权必须在医院手里，厂商提供工具和培训。
3. 双轨运行没有退出条件：新老两套长期并行，一线两头录数据，很快就会用脚投票弃用新系统。切换计划要写明每岗的切换日和退出标准。
4. 上线后没人运营：术语不更新、规则不过期清理、模型漂移没人看，半年后效果明显下滑。要设运营岗并计入编制或购买服务。
5. 用旧口径考核新流程：绩效还按例数和采纳率算，再好的分诊和质控设计都会被行为抵消。制度调整要和二期上线同步落地。

15  全岗位通用纪律：AI 做到哪、停在哪

八个岗位的具体做法不同，但有五条纪律是共通的。它们不是技术参数，而是临床安全和责任划分的底线，建议原样写进科室制度和采购技术要求。

四件明确不能做的事

16  成熟度分级、采购甄别与现有工作的定位

钱应该花在哪一级

多数机构的起点在 L1。常见的错误是继续在 L1 堆算法数量，演示越来越热闹，数据和流程没有变化。建议按等级逐级验收付款：当前在哪一级，下一笔钱就投向上一级的短板。

评审会甄别提问（逐条要现场证据）

1. 不打开阅片软件，按病灶大小和置信度筛一批病例，现在演示。
2. 一条结构化结果以什么标准回写，给真实样例和字段说明。
3. 从检查完成到急症被置顶，时延的中位数和九成把握的上限是多少，怎么测的。
4. 随机指定一份已签报告，调出修改轨迹：改的人、时间、类型、改前改后。
5. 报告与模型版本怎么绑定，演示一次退回上一版的操作。
6. 最近一次影子运行的对比报告，以及有没有不通过就没上线的记录。
7. 最近一次漂移告警或主动下线某模型的原因和处置。
8. 现场断开全部 AI，哪些环节降级、哪些照常，阅片归档是否受影响。
9. 术语映射的覆盖率是多少，新词怎么增补、谁审核。
10. 科研导出的脱敏样例和数据字典长什么样。
11. 已注册功能和科研辅助功能在界面上怎么区分。
12. 合同终止时，影像、结构化事实和反馈数据以什么标准格式全量迁出，现场给迁出样例。

答不上来或只讲规划的，按“尚不具备”计分，不要按承诺计分。

16（续） 报告规则与知识图谱在这套体系里的位置

以单个检查项目（例如颅脑 MRI）为切入点，用脱敏的真实报告、现行规则文档和结构化模板，梳理出统一规则集和结构化模式，再驱动模板匹配、内容填充和硬性规则校验，生成供医生审核（通过、驳回、批注）的报告草稿。这类工作常被看作“帮医生写报告的小工具”，放进本章的体系里看，它的位置要更靠前。

按这个定位，验收标准也要跟着调整：不只看草稿像不像一份报告，更要看规则能不能查询统计、冲突能不能定位到具体病灶和版本、批注能不能回流成为下一版规则。做法上先把一个部位做成完整可复制的梳理流程，再横向复制到其他部位。原生的难点不在覆盖面铺得多广，而在每一层的契约是否立得住：术语对得齐、版本追得回、置信度管得住。

术语速查

说明：本文为概念与建设层面的参考文档，不替代任何现行标准、注册要求或院内制度文本。具体立项、采购与临床决策应结合本机构现状与正式规范另行评审。