Mosaic 的放射 AI 模型是什么？

它是一种视觉语言模型（VLM），可分析 CT 和 X 线检查并生成完整放射报告草稿，供医生审核修改。

这项研究显示 AI 在放射检查中的表现如何？

在 23.7 万例检查中，AI 在全部 50 种评估病种中都发现了额外临床发现，平均检测提升约 40%，效率提升 27%–31%。

放射 AI 会取代放射科医生吗？

不会。该模式定位为辅助工具，由 AI 起草报告、放射科医生最终确认，诊断责任仍由医生承担。

视觉语言模型放射报告研究：23.7 万例检查检测提升约 40%

作者：解螺旋资讯组

2026-11-12｜原创

全文概要
2026 年 11 月 11 日，Mosaic Clinical Technologies 公布了一项覆盖超过 23.7 万例 CT 与 X 线检查的研究结果。其子公司 Cognita Imaging 开发的视觉语言模型（VLM）在全部 50 种评估病种中均识别出经专家放射科医生确认的额外临床发现，平均检测提升约 40%，最高达 110%；AI 起草报告的错误率与原始放射科报告相当或更低，CT 效率提升 27%、X 线提升 31%。该研究展示了通用型生成式 AI 从"单任务辅助"走向"全检查报告"的潜力。

【开头配图Opening】

1. 从"单任务"到"全检查"：放射 AI 的范式升级

当前市面上大多数放射 AI 工具都是为单一任务设计，例如仅标记疑似颅内出血或骨折，其余所有发现仍需放射科医生自行识别并撰写完整报告。Mosaic 采用更整体的思路：其视觉语言模型会分析整份检查、既往检查及相关临床背景，生成完整的自然语言观察结果，供医生确认、修改或拒绝，再由集成报告工具实时转化为完整放射报告。

Cognita 的 VLM 支持胸部、腹部、肌骨的 X 线以及头部、颈椎、胸部、腹部、盆腔的 CT。2026 年 3 月，其综合胸部 X 线模型成为首个获得 FDA 突破性器械认定的生成式 AI 放射模型，目前正用于支持 FDA 授权的临床研究。

2. 关键数据：检测提升 40%，效率提升近三成

研究回顾性分析了 237,905 例既往未经 AI 辅助解读的检查，覆盖 50 种重要病种，由盲法评审的美国认证放射科医生对 AI 起草、原始报告或两者共同标记的发现进行复核。结果显示：

CT（71,707 例）：35 种病种平均增强检测率 40.9%（范围 5.2%–109.6%），其中头部 CT 骨折达 73.4%、腹部盆腔 CT 骨折达 68.1%、胰腺肿块 50.4%、腹腔游离气体 40.6%；
胸部 X 线（100,000 例）：10 种病种平均增强检测率 43.4%，其中肺结节/肿块 57.5%、器械错位 51.6%、气胸 46.5%；
肌骨与腹部 X 线（66,198 例）：5 种病种平均增强检测率 23.9%，其中骨感染 27.1%、可疑骨病变 45.8%。

同时，AI 起草报告的临床显著错误率与原始放射科报告相当或更低，放射科医生使用模型后 CT 与 X 线平均效率分别提升 27% 和 31%。

3. 临床意义：缓解放射人力短缺压力

医学影像需求增长持续快于放射科医生队伍的扩充，诊断延误与漏诊风险随之上升。通用型 VLM 通过"起草完整报告 + 医生终审签署"的人机协作模式，有望在提升发现检出率的同时减轻医生书写负担，尤其对基层和夜班场景价值显著。研究团队强调，AI 始终是辅助而非替代——最终诊断责任仍由执业的放射科医生承担。未来这类通用型生成式 AI 能否通过 FDA 授权并在真实临床中稳定表现，将是其规模化落地的关键。