Showing Posts From
為什麼放射科需要一套「共同語言」？ 影像報告如果沒有標準化輸出，臨床端就很難得到明確的處置指引。RADS 系統就是為此而生——它把影像發現轉成統一的風險分級，讓後續決策有據可循。 舉個例子：乳房攝影看到一個結節，BI-RADS 2 表示「良性發現」，BI-RADS 5 則是「高度懷疑惡性，建議切片」。一個數字，臨床就知道下一步該怎麼做。 目前常用的 RADS 有十幾種：乳房的 BI-RADS、肝臟的 LI-RADS、前列腺的 PI-RADS……每一套都有自己的判斷邏輯。 但這些規則有多複雜？ 以 LI-RADS 來說，判斷一顆肝臟腫瘤就像在玩一場「連續選擇題」：先看動脈期有沒有強化？有的話，洗出夠不夠快？有沒有包膜？門脈有沒有被侵犯？每一關的答案都會影響最終分類。光記住這張決策樹就夠累了，更別提每天幾十份報告等著處理。 如果 AI 能自動幫忙分類呢？ 有團隊做了一個實驗：用 1,600 份模擬報告（由 AI 生成、再經放射科醫師審過），讓 41 個開源模型和 GPT-5.2 比賽，看誰能正確判讀 RADS 分類。 結果？最好的開源模型已經追到專有模型的 96%——但差距全集中在最難的那 20% 任務上。測試資料從哪來？ 要比 AI 的能力，先得有一套標準考題。研究團隊準備了 1,600 份模擬放射報告，涵蓋 10 種 RADS 系統。為什麼用模擬的？因為真實報告有隱私問題，而且要請醫師一份一份讀、一份一份標正確答案，太花時間。模擬報告則可以控制每種情境的數量，測起來更全面。 怎麼確保「假報告」像真的？研究團隊用了三招：用多個 AI 模型（GPT、Claude、Gemini）一起生成，避免風格太單一 模擬 5 種醫師的寫作習慣（從資深專家到住院醫師） 最後請真人放射科醫師審兩輪，確認內容合理、分類正確當然，模擬再像也不是真的——這是這套測試的主要限制。模型大小，真的有差嗎？ 這次測試了 41 個開源模型，參數量從 0.27B 到 32B 不等。加上 OpenAI 的 GPT-5.2 當作比較基準。 整體成績單 準確率比較：GPT-5.2：81.1% 開源模型平均：61.1% 最佳開源（20-32B）：78%「有效輸出率」是什麼？就是模型有沒有按照指令、好好回答一個 RADS 分類。小模型常常答非所問，或格式錯誤——這在臨床上等於沒用。 10B 是個分水嶺 把模型按大小分組，規律很明顯：≤ 1B：27%（幾乎是亂猜） 1-10B：58% 10-30B：73-74% GPT-5.2：81%跨過 10B 門檻後，準確率才開始逼近 GPT-5.2。開啟「思考模式」有用嗎？ 有些開源模型支援「Thinking mode」——讓 AI 先推理一輪再回答。 以開源模型來說：開啟 Thinking：68.4% 不開：56.5%差了 12%，效果明顯。 而 GPT-5.2 的 81.1% 準確率，也是在 Thinking 模式下測得的——所以「讓模型想一下再回答」這招，不管開源或專有模型都有效。「指引式提示詞」也很重要 除了 Thinking 模式，怎麼下指令也影響結果。 研究團隊比較了兩種方式：指引式提示詞（Guided prompting）：給 AI 詳細的系統指令，包含 RADS 規則、輸出格式限制 零樣本提示（Zero-shot）：只說「讀這份報告，輸出 RADS 分類」結果：指引式：78.5% 零樣本：69.6%差了將近 9%。所以不只是模型大小，怎麼問也很關鍵。哪些 RADS 最難判？ 不是所有 RADS 都一樣難。研究團隊給每個系統打了「複雜度分數」，滿分 10 分。 複雜度排名：LI-RADS（肝臟 CT/MRI）：10 分 ← 最難 PI-RADS（前列腺）：9 分 O-RADS（卵巢 MRI）：8 分 BI-RADS（乳房 MRI）：7 分 Lung-RADS（肺）：4 分 ← 相對簡單為什麼 LI-RADS 最難？ 因為它像在玩「連續選擇題」：動脈期強化了嗎？洗出夠快嗎？有包膜嗎？每一關的答案都影響下一步。而且很多判斷帶有主觀性——「這算洗出嗎？」不同醫師可能有不同答案。 相比之下，Lung-RADS 主要依據結節大小和生長速度來分類，規則相對明確，判讀的主觀空間較小。 複雜度如何影響 AI 表現？ 這裡差距最明顯： 高複雜度任務（LI-RADS、PI-RADS）：GPT-5.2：90% 開源模型：49.4%低複雜度任務（Lung-RADS）：GPT-5.2：91% 開源模型：73.5%簡單任務大家都還行，但一碰到複雜的，開源模型就掉隊了。 實務建議：怎麼選模型？ 如果資源充足（硬體夠強、不在意 API 費用），直接用 GPT-5.2 或 32B 開源模型處理所有任務最省事。 但如果需要考慮成本、速度或本地部署限制，可以分級處理：簡單任務（Lung-RADS、LI-RADS 超音波）→ 10B+ 開源模型就夠用 中等任務（BI-RADS、TI-RADS）→ 20-32B 開源 + 指引式提示詞 複雜任務（LI-RADS CT/MRI、PI-RADS）→ GPT-5.2，或混合管線（AI + 規則引擎）結論：開源模型能用了嗎？ 簡單說：可以，但要看情況。 值得期待的發展20-32B 開源模型已經能達到 GPT-5.2 約 96% 的準確率 可以本地部署，不用擔心病患資料外洩 搭配 Thinking 模式 + 指引式提示詞（Guided prompting），效果更好需要注意的限制高複雜度任務（LI-RADS CT/MRI、PI-RADS）開源模型仍有明顯差距 小模型（<10B）格式錯誤率高，不適合直接用 模擬報告畢竟不是真實報告，實際表現可能有落差如果你想在臨床試用驗證輸出格式：確保 AI 真的回答了一個 RADS 分類，不是答非所問 人工複核：特別是高風險類別（如 LI-RADS 5），一定要有人看過 混合管線：論文建議可以讓 AI 先抽取特徵，再用規則引擎（rule engine）做最終判定，減少自由格式輸出的錯誤論文資訊 原文標題：Multi-RADS Synthetic Radiology Report Dataset and Head-to-Head Benchmarking of 41 Open-Weight and Proprietary Language Models 來源：arXiv:2601.03232v1 [cs.CL] 6 Jan 2026 作者：Bose K, Kumar A, Soundararajan R, et al. 資源：GitHub - RadioX-Labs/RADSet
