Frontiers in Radiology

Zhengliang Liu, Lu Zhang, Zihao Wu, Xiaowei Yu, Chao Cao, Haixing Dai, Ninghao Liu, Jun Liu, Wei Liu, Quanzheng Li, Dinggang Shen, Xiang Li, Dajiang Zhu, Tianming Liu*

本综述探讨了将 ChatGPT 等大语言模型引入医疗领域的风险，涵盖医疗建议不准确、患者隐私泄露、虚假内容生成、医学教育中的过度依赖以及偏见固化等问题。作者将上述隐忧具体落脚于放射学领域——在该领域，AI 生成的错误可直接影响诊断与治疗。文章呼吁建立完善的监管机制，以确保 AGI 技术安全、有效地融入临床系统。

Warren A. Campbell IV , Jeffrey F. B. Chick , David S. Shin, Mina S. Makary*

本描述性综述认为，介入放射学（IR）可为五类利益相关方创造价值：患者、从业者、支付方、雇主及创新者。作者系统梳理了IR在各器官系统中的微创操作，并将其临床与经济效益与外科及内科替代方案进行比较。文章还探讨了扩大 IR 在现代医疗体系中的作用所需的实践建设、医师招募、报销模式及倡导策略。

Dominic Gascho*

本小型综述回顾了虚拟解剖（Virtopsy®）的发展历程与现状。这是一种利用 CT 和 MRI 在无需物理解剖的情况下调查死亡原因的无创法医技术。作者详细介绍了死后 CT 血管造影的功能、7T MRI 的新兴应用，以及 MR 波谱在检测代谢变化和测量死后组织温度方面的潜力。尽管 CT 作为传统解剖的补充手段正在全球范围内逐步推广，但文章也指出了目前制约 MRI 在法医领域广泛应用的培训缺口、成本壁垒和技术挑战。

Tim Raz*, Aurelie Pahud De Mortanges, Mauricio Reyes

本综述以模拟卒中治疗流程为基础场景，提出了将可解释人工智能（XAI）整合至临床实践的概念路线图。作者识别出三个难度递增的挑战：使解释具备情境适应性与用户针对性、实现真正的人机对话，以及赋予 AI "读懂医疗现场" 的社交能力。他们认为，现有 XAI 方法灵活性不足，难以满足常规临床需求，并概述了近期与远期技术方向，包括检索增强型大语言模型和社会信号处理。

Guotai Wang, Qi Duan, Tian Shen, Shaoting Zhang*

SenseCare 是一个基于 Web 的多中心研究平台，将前沿深度学习算法与先进的三维可视化技术相结合，用于放射学和病理学领域的医学图像分析。该平台支持分割、配准和病灶检测等 AI 工具包，并涵盖肺癌、肝脏肿瘤、冠状动脉疾病、卒中及放射治疗计划等临床应用。对 9 家医院 53 名临床用户的调查显示，逾 90% 的受访者认为该平台提升了诊断效率、减少了漏诊，并为手术规划提供了有力支持。

Erika Spada*, Katharina Erb-Eigner , Aurélie Pahud de Mortanges , Mauricio Reyes, Alexander Pöllinger

本文综述了基于内容的图像检索（CBIR）技术——即从大型影像档案中检索视觉相似放射学病例以辅助临床决策的AI系统——并提出了一种名为 "轨迹检索" 的新范式，可检索纵向病例序列而非静态图像。作者探讨了其在诊断决策支持、教学病例库、工作流优先级排序及可解释AI等方面的应用，同时梳理了语义鸿沟、数据异构性和缺乏时序真实标注等障碍。文章提出了一套分阶段研究路线图，融合基础模型、联邦学习和人机协同反馈机制，以弥合研究原型与临床部署之间的巨大差距。

Chor Yiu Chloe Chung*, Laura Elin Pigott*

本系统综述与荟萃分析纳入 11 项研究（共 1,685 例患者），评估了基于 MRI 影像组学特征预测胶质瘤 IDH 和 ATRX 突变状态的机器学习模型。结果显示，ML 在 IDH 预测方面表现优异（AUC：0.948），在 ATRX 缺失预测方面表现中等（AUC：0.842）。纳入患者人口学特征和肿瘤语义特征可提升预测准确性，但研究间的异质性和有限的外部验证仍是制约临床应用的主要障碍。

Jacky Huang, Banu Yagmurlu, Powell Molleti, Richard Lee, Abigail VanderPloeg, Humaira Noor, Rohan Bareja, Yiheng Li, Michael Iv, Haruka Itakura*

本研究探讨能否以精简的 MRI 数据集替代完整四序列输入，用于基于深度学习的胶质瘤分割。研究在 BraTS 2018 数据集上训练 3D U-Net，并测试了四种序列组合。结果显示，在 358 例患者测试集中，T1C 与 FLAIR 双序列组合在强化肿瘤（Dice：0.867）和肿瘤核心（Dice：0.926）的分割性能上与标准四序列模型相当甚至更优。上述发现表明，减少序列依赖可有效缩短采集时间、降低计算负担，并降低资源受限临床及研究环境中的应用门槛。