AI辅助诊断进入医院，最常见的追问是：误诊率到底降了多少？
但按目前可引用的公开材料，这个问题没有现成答案。材料没有给出某家三甲医院连续两年的病例总量、病种分层和人工复核结论，也没有上线前后的同口径对照。这时候硬写一个“真实降幅”，不是分析，是造数。
能确认的变化发生在另一条线上：AI医疗正在从模型展示走向临床流程，收费和支付环节也在逐步补齐。至于它有没有降低放射科误诊，仍要由医院自己的病例数据证明。
“误诊率”先要有统一口径
放射科的误诊可能出现在筛查、读片、复核和最终诊断等不同节点。漏掉异常影像，与把正常影像判断为异常，后果和处理方式并不相同。如果只公布一个笼统的误诊率，很容易把真正的问题藏起来。
比较AI上线前后的变化，还要保证病种范围、病例纳入方式、参考标准、设备条件和系统版本可比。相关信息资源材料提到，算法性能分析需要结合CT设备、影像学分期、类似病征等因素。同一套算法换了设备、病例结构或疾病阶段，结果就不宜直接混在一起解释。
医院做长期复盘时，需要留下病种、设备、系统版本、医生复核结果等记录。否则，即便上线前后数字发生变化，也很难判断变化来自AI，还是来自病例结构、诊断标准或人员调整。
AI进了医院，不代表它独立完成诊断
2024年11月，国家卫生健康委联合国家中医药管理局、国家疾控局印发《卫生健康行业人工智能应用场景参考指引》。《人民日报》2025年5月30日的报道将其放在AI医疗走出实验室、进入健康服务的背景下讨论。
这份指引释放出的信号很直接：评价AI，不能只看模型在测试环境中的表现，还要看它能否嵌入实际业务。
对放射科来说，真正有价值的问题包括：医生是否看到了AI提示，提示是否被采纳，漏报和误报是否分别记录，出现人机分歧后有没有复盘。缺少这些流程数据，即使算法指标看起来不错，也不能直接推出科室误诊率已经下降。
医保解决谁付钱，不能替医院回答有没有效
AI辅助诊断过去面临的现实难题，不只是技术能不能用，还有费用从哪里来。中国医药创新促进会网站刊文称，此前相关服务缺少明确的收费编码和医保支付通道，医院要么将其作为检查项目的附加服务，要么由患者自费。该文还称，AI辅助诊断服务将于2026年4月1日起纳入国家医保乙类目录，具体执行范围和口径仍应以医保部门正式文件及当地政策为准。
支付通道一旦明确，AI辅助诊断就有了持续使用的基础。但医保回答的是“谁付钱”，临床复盘回答的是“有没有效”，这是两本账。
使用范围扩大后，医院反而更需要监测系统版本、设备适配、误报漏报和人机分歧。规模化使用可以放大效率，也可能放大原本没有被注意到的问题。
真正值得公开的，是一套能复核的科室账
一份可信的放射科评估，应当把关键条件说清楚：
- 在同一病种、同一纳入标准下做上线前后对照，避免病例结构变化制造假象；
- 将漏报和误报分开统计，不用一个综合数字掩盖不同代价；
- 按CT设备、疾病阶段和相似征象拆分结果，找到算法容易失效的场景；
- 记录医生查看、采纳或推翻AI提示的过程，对人机分歧病例进行复盘；
- 留存系统版本变化，避免把不同模型的结果放在同一条时间线上比较。
罗兰贝格《以人为本，人工智能助力医疗体系科学发展》将医疗专家持续投入、高质量标准化数据和领先AI技术列为医疗AI发展的核心要素。落到医院里，这意味着AI部署不是买完软件就结束，而是一套持续的质量管理。
现阶段，公开素材能够支持的结论很有限：政策和支付条件正在推进，AI辅助诊断进入实际流程的门槛有所降低；但任何关于误诊率变化的判断，都必须建立在具体病种、统一口径和可追溯病例上。没有这些底账，数字写得越精确，反而越不可信。
