介入放射学报告的标准主要围绕结构化、统一化和关键数据元素的完整性展开，旨在提升临床沟通效率、患者安全和数据利用价值。目前，全球范围内的主流标准主要有以下几类：全球主流报告标准概览
核心报告标准详解SIR（美国介入放射学会）标准化报告模板这是目前应用最广的实践工具，由SIR专家团队开发，每年都会更新（2025年最新版本为3.2）。其模板覆盖了血管、肿瘤、神经、疼痛、儿科等亚专业，几乎囊括所有常见介入操作。模板采用模块化设计，内容精炼，能自动填充核心数据，与电子病历系统无缝对接，并可提取数据用于VIRTEX等国家登记注册研究平台。SIR官方提供完整的用户指南和XML/PDF批量下载包以供使用。 ACR-SIR-SPR （美国放射学会等）实践参数作为宏观指导文件，它明确了介入放射学报告应包含的关键信息模块，具有强制性。其核心模块包括【3.2版】：
o 术前评估与准备：详细记录患者的病史、体格检查、实验室检查、影像资料、知情同意及麻醉方案。
o 术中详情：按时间顺序记录所有操作步骤、使用的设备、药物和发生的事件。 o 术后即刻记录：记录患者生命体征、穿刺点处理和初步情况等。 o 最终报告：整合上述所有信息，形成最终的法律文件。
·3. CIRSE（欧洲心血管和介入放射学会）并发症分类标准CIRSE的六级分类系统（Grade 1-6）旨在为所有IR并发症提供统一的描述语言。该系统在2023年进行了重要改良，对Grade 1和Grade 3进行了细分【生物通 2025 Filippiadis D 2025】：
o Grade 1细分： 1a：并发症在术中解决，且完成了预定治疗。 1b：并发症在术中解决，但未能完成预定治疗（即使未造成额外损伤，治疗失败本身也需记录）。 o Grade 3细分： 3 a：住院时间**>48小时但<2周**。 3b：住院时间**≥2周**。 报告应包含的关键要素一份符合标准的报告，通常包含以下几个核心部分（部分参考SIR用户指南）： · 患者与临床信息：包括"Pre-procedure diagnosis"（术前诊断）、"Indication(s)"（适应症）、"Additional clinical history"（其他临床病史）及"Post-procedure diagnosis"（术后诊断）。 · 操作详情：包含"PROCEDURE SUMMARY"（操作摘要）（为计费提供详细项目清单）、按时间顺序详细描述的"PROCEDURE DETAILS"（操作详情），以及"Anesthesia/sedation Level"（麻醉/镇静等级）。 · 结果与评估：应包含"Complications"（并发症）（记录所有事件，若无则记录为"无"）、"IMPRESSION"（印象）和"Plan"（计划）。 标准化报告的价值· 提升临床沟通与质量：统一格式确保所有关键信息无遗漏，提升团队沟通效率，并通过数据采集支持质量改进。 · 满足合规与数据共享：有助于满足MIPS（基于绩效的激励支付系统）和联合委员会的要求，同时标准化的数据能促进多中心临床研究。 · 优化计费与效益：详尽的"操作摘要"可优化计费流程，最大程度地确保合规并实现收入最大化。 总结一份标准化的介入放射学报告，核心是使用结构化模板来详细记录从患者评估到术后计划的全过程，并采用统一的格式和语言。这对于提升临床沟通质量和患者安全至关重要。国际上，SIR和CIRSE等机构提供了一套成熟的、可立即投入使用的实践标准和工具。 文献解读 好的，我们来对这篇由SIR和CIRSE联合认可的《介入放射学人工智能研究评估标准与检查表（iCARE）》进行一份详细的解读。 这份文件的核心，是提供了一个名为 iCARE 的结构化检查表。它并非一份常规的临床操作报告模板，而是一套针对介入放射学（IR）领域内人工智能（AI）研究的方法学质量评估工具。其根本目的是确保AI研究从代码编写到临床应用的整个“co de-to -clinic”流程具备严谨性、透明性、可重复性和伦理合规性。 下面，我将按照文件的结构，对iCARE检查表的七大核心模块及其关键问题进行逐一深度解读，并解释每个问题背后的意图。 解读 iCARE 检查表的七大核心模块 iCARE的设计逻辑是引导研究者透明地报告其AI模型的完整“生命周期”。它不只关注模型最终有多准，更关注它是如何被制造出来的。 模块一：预训练方法这个模块关注模型是否站在“巨人肩膀”上——即使用了在大规模数据集上预训练的模型（如GPT系列、在ImageNet上预训练的ResNet等）。
* 为什么重要？ 预训练决定了模型的基础知识水平和潜在的偏见。一个在特定人群或设备数据上预训练的模型，直接用于IR任务可能会失效或产生有害偏见。
* 关键问题解读：
* 1a-1c： 明确是否使用了预训练模型。如果没用，必须解释原因（例如，数据量太小、计算资源不足）。这有助于判断研究者是否考虑了迁移学习的最佳实践。
* 1d-1e： 详细说明预训练数据的来源类型（是闭源的、开源的、还是研究者自己挖掘的？）和预训练方法（是掩码重建、对比学习，还是一个完全的黑盒API？）。这是为了暴露潜在的“源头偏见”。如果数据来源和方法未知，模型的可靠性就需要打上一个大大的问号。 * 1f： 要求作者论证预训练模型对他们的特定IR任务有何益处。这能防止研究者“为了用AI而用AI”。 模块二：任务特定的训练、验证与测试这是最核心的技术模块，评估模型针对具体IR任务（如肿瘤检测、导管轨迹预测）的学习和评估过程是否科学。 为什么重要？模型的“泛化能力”是其能否走出实验室的关键。一个只在单中心、小样本数据上训练和测试的模型，在实际多中心、多样化的临床环境中很可能会“水土不服”。 关键问题解读：
o 2a-2b： 区分模型是进行了学习（有训练过程）还是仅用于推理（如直接调用GPT-4）。如果使用LLM但不微调，需要报告提示工程的方法，这直接影响结果的可控性和可重复性。
o 2c-2g： 详细报告训练数据的性质。是单中心数据？多中心（同区域还是跨区域）？公开数据集？还是混合数据？数据来源越单一，模型泛化能力差的风险越高。多中心数据是高质量研究的重要标志。 o 2h-2i： 报告验证方法。是简单的固定训练轮数，还是更稳健的早停法或交叉验证？这反映了研究者防止模型过拟合的努力。 o 2j-2l： 这是评估模型性能可信度的关键。强烈建议使用外部测试集（来自不同医院、不同设备或不同人群的数据）。如果作者只用了从主数据集中随机分出的内部测试集，必须解释为什么无法进行更严格的外部测试。一个没有经过外部验证的AI模型，其临床价值非常有限。 模块三：任务特定的计算方法此模块深入模型训练的“引擎室”，关注算法细节和临床参与度。 为什么重要？模型的“智力”来源有多种，且临床专家的参与是保证模型学习目标与临床需求一致性的基石。 关键问题解读：
o 3a-3h： 明确监督类型。全监督学习需要高质量的“金标准”标签，这通常耗时费力；弱监督/半监督可以用较粗的标签或少量精细标签训练，效率更高，但需要解释合理性；无监督则用于探索性分析。同时，必须报告IR医生是否参与了数据标注。如果没有，需要解释原因——因为缺乏临床专家标注的模型，很可能学到的是影像上的噪音而非真正的疾病特征。
o 3i-3j： 报告模型架构（如U-Net, Transfo rmer）和学习目标（如分类损失函数、分割的Dice系数）。这是技术复现的基础。 o 3k-3o ： IR数据常是多模态的（如MRI+临床文本记录+手术视频）。这些模块询问多模态数据是如何融合的（早融合、晚融合等），模型是单任务还是多任务（如同时进行肿瘤分割和良恶性分类），以及如何处理复杂情况如多标签分类。这反映了模型设计的复杂性。 模块四：可解释性这个模块评估模型的“黑箱”程度。 为什么重要？在医疗领域，一个只给结论不给理由的AI是很难被医生信任和接受的。特别是当AI的建议与医生经验冲突时，解释性工具可以帮助医生理解AI的决策依据。 关键问题解读：
o 4a-4b： 作者需要自评模型的输出能否用临床术语解释清楚。
o 4c-4e： 如果具备可解释性，具体用了什么工具？是生成热图的Grad-CAM，还是计算特征重要性的SHAP值？如果用了这些工具，是否有IR医生参与评估生成的解释是否合理？这一步至关重要，因为热图有时候会“高亮”错误的地方，需要临床专家来把关。 o 4f： 如果模型完全没有可解释性，作者必须论证其研究价值何在。这会促使研究者思考，是否应该在牺牲可解释性的同时追求一点点性能提升。 模块五：偏倚、隐私与知情同意这是伦理与公平性的核心模块，覆盖了AI研究的“软实力”。为什么重要？AI模型可能会放大数据中存在的社会或技术偏见，导致对某些人群（如特定种族、性别或使用特定设备扫描的患者）诊断不准。同时，患者数据隐私是法律红线。 关键问题解读：
o 5a-5g： 提供了包含16种潜在偏倚来源的清单（从年龄、性别到设备厂家、技术迭代）。作者必须诚实地勾选可能的偏倚，并说明如何识别（如通过统计学检验）和缓解（如数据重采样、生成合成数据、对抗去偏倚等）。“没有偏倚”的结论需要强有力的证据支持，而不能是“我觉得没有”。
o 5h-5j： 关于知情同意。患者是否明确同意其数据用于AI开发？如果是豁免或未获得同意，必须给出合理理由（如回顾性研究经伦理委员会批准）。 o 5k-5l： 监管与监督流程，如是否进行了伦理审查、研究预注册等。 o 5m-5r： 数据隐私保护措施，如去标识化（移除受保护的健康信息）、数据掩码、是否使用联邦学习（一种不共享原始数据、只共享模型参数的隐私计算技术）、是否符合GDPR或CFR（美国联邦法规）等法规，并评估数据被重新识别的风险。 模块六：代码/数据访问与可重复性这是科学研究的“黄金标准”。 为什么重要？如果代码、模型权重和数据不公开，其他研究者就无法复现你的结果，这阻碍了科学进步。同时，公开的数据集需要是“AI就绪”的。 关键问题解读：
o 6a-6h： 询问代码、模型权重和数据的公开存放位置（如GitHub, HuggingFace, Zeno do ）。如果不公开，需要解释原因（如商业机密、伦理限制）。
o 6i： 引入了一个创新概念——数据的“AI就绪度”。你的数据是拿过来就能直接喂给模型训练（高就绪度），还是需要大量繁琐的清洗、整理、预处理且缺乏文档（低就绪度）？这直接影响了数据的二次利用价值。 模块七：部署这是iCARE最关注“现实世界影响”的模块，也是许多AI论文的盲点。 为什么重要？大多数AI模型永远停留在论文里，从未在临床实际应用。这个模块迫使研究者思考如何跨越这个“死亡之谷”。 关键问题解读：
o 7a： 模型是为术前（如规划）、术中（如实时导航）还是术后（如并发症预测）设计的？
o 7b-7d： 模型是否旨在影响临床实践？如果是，它会对现有工作流程造成多大颠覆？是无干扰的改进，还是需要彻底重新设计工作流程的变革性技术？这有助于评估其落地难度。 o 7e-7f： 报告的当前部署阶段是什么（未部署、试点、全面部署）？以及下一步计划是什么（进一步测试、寻求监管批准、与电子病历系统集成等）？这能防止研究止步于概念验证。 总结与对比 |