商业AI在多机构真实世界中检测肺栓塞与偶然肺栓塞的表现

一项回顾性研究在一个17家机构的学术医疗系统中，对同一个商业平台（Aidoc Medical BriefCase）的两款FDA已清关AI模型进行了真实世界评估：一款用于CTPA（n=30,678）上的肺栓塞分诊，另一款用于常规增强CT（n=37,191）上偶然发现肺栓塞的检测。结果显示，分诊模型灵敏度86.8%、特异度99.1%，偶然发现模型灵敏度73.5%、特异度99.8%。两款模型的灵敏度均低于FDA清关基准，特异度则高于基准。

此前对FDA已清关AI检测模型的真实世界表现描述并不完整，多数性能数据来自清关时的基准测试。该研究首次在大规模、多机构常规临床数据中给出分诊与偶然发现两类场景的实际灵敏度与特异度，显示真实表现与清关基准之间存在落差，并把栓塞类型与急慢性分层后的性能衰减量化出来。

研究用已验证的LLM流水线从放射报告中提取参考标准标签（准确率97%，kappa=0.94），从而在缺乏人工逐例标注的条件下完成大规模回溯评估。结果显示灵敏度随栓塞位置和时相变化：鞍状栓塞99.3%降至亚段栓塞72.9%，急性89.7%降至非急性65.3%，与人类阅片者的已知局限一致，说明模型性能瓶颈集中在周边、细小和非急性病灶的识别上。

对已部署或计划采购此类AI分诊与辅助检测产品的机构而言，需要把真实世界灵敏度衰减纳入临床工作流设计，例如对亚段和非急性栓塞保留人工复核环节，并避免把高特异度等同于可完全依赖。对AI厂商而言，清关基准与真实表现之间的差距意味着上市后监测、模型更新和按病灶类型分层报告性能将成为产品迭代与合规沟通的必要环节。

• 在放射科AI产品中增加按栓塞位置和急慢性分层的性能看板，让临床团队看到真实世界灵敏度分布，而非单一总体指标。
• 围绕上市后监测搭建标准化评测流水线，用LLM从报告提取标签，对已部署模型进行持续性能跟踪并输出差异告警。
• 为偶然肺栓塞检测设计专门的人工复核提示策略，将低灵敏度区间的病例优先推送给阅片医生。
• 面向医院采购方提供真实世界性能对比服务，帮助其在同类FDA清关产品之间做基于本院数据的选型。

• 两款模型的灵敏度低于FDA清关基准，是否与训练数据分布、机构间扫描协议差异或患者人群构成有关，证据未说明。
• 该研究仅为回顾性、单一商业平台、单一学术医疗系统，结论能否推广到其他厂商和其他医疗系统尚不明确。
• 对亚段和非急性栓塞的低灵敏度是否会导致临床漏诊或延误治疗，研究未提供结局层面数据。
• 灵敏度下降是否可通过模型更新或阈值调整改善，证据中未涉及。