6家医院部署影像AI：瓶颈不是准确率，84.8%任务完成率背后是基础设施
Lessons learned from deploying imaging AI with the open PACS-AI platform
📖 AI 总结
本文介绍了在六家医院部署开源自托管平台 PACS-AI 的实践经验，核心结论是：制约医学影像 AI 落地的关键瓶颈并非模型准确率，而是支撑检查路由、结果展示、反馈采集与运行审计的基础设施。在其中一个中心，血管造影模型完成了 607 项任务中的 515 项，成功率为 84.8%，失败主要源于缺少必要的诊断视图；638 条临床医生评分中有 78.1% 为正面评价。研究还指出，公开每个模型的真实就绪等级本身就是一种治理实践。该工作为医疗机构规模化部署影像 AI 提供了可复用的工程与治理参考。
🔑 关键词速览
| PACS-AI | 一个开源、可自托管的平台，用于将影像 AI 模型集成到医院的 PACS 工作流中。 |
| PACS | 图像归档与通信系统，医院用于存储、检索和显示医学影像的信息系统。 |
| angiography models | 用于分析血管造影影像的 AI 模型，可辅助识别血管病变或评估血流情况。 |
| readiness levels | 对模型在临床部署前成熟度和可用性的分级评估，用于判断其是否适合实际应用。 |
| governance practice | 在医疗 AI 部署中，对模型选择、监控、审计和责任归属进行管理的制度性做法。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅