Samodzielny agent sztucznej inteligencji przygotował raporty radiologiczne ponad trzy razy szybciej od pozostałych uczestników porównania zorganizowanego w Szanghaju. Najwyższą ocenę uzyskał jednak nie algorytm działający bez nadzoru, ale doświadczony lekarz wspierany przez system AI. Wyniki pokazują, iż w diagnostyce obrazowej technologia coraz lepiej wykonuje powtarzalne elementy pracy, ale nie usuwa potrzeby oceny człowieka.
Sprawdzian odbył się podczas piątej konferencji akademickiej poświęconej AI w obrazowaniu medycznym, zorganizowanej w Szanghaju od 21 do 23 sierpnia 2026 roku. Jak opisał chiński portal 36Kr, organizatorzy zebrali dziesięć autentycznych i nietypowych przypadków ze szpitali trzeciego stopnia. W Chinach to najwyższa kategoria placówek, obejmująca duże szpitale prowadzące leczenie specjalistyczne, działalność dydaktyczną i badania.
Uczestnicy pracowali w siedmiu różnych układach: byli wśród nich lekarze o krótszym i dłuższym stażu, zespoły lekarz–agent AI oraz agenty sporządzające raporty bez udziału radiologa. Szczegółów przypadków nie udostępniono wcześniej dostawcy technologii, dzięki czemu system nie mógł zostać przygotowany pod konkretny zestaw badań.
Liczby pokazują różnicę między tempem a oceną
Najwyższą średnią ocenę — 85,2 punktu — osiągnął zespół doświadczonego lekarza i wielozadaniowego agenta AI. Lekarz o krótszym stażu wspierany przez ten sam rodzaj narzędzia otrzymał 83,8 punktu, a w części przypadków uzyskał najlepszą ocenę spośród wszystkich grup. Samodzielny agent AI dostał średnio 66,2 punktu.
Najkrócej trwała właśnie jego praca: średnio 20 minut i 32 sekundy. W innych zespołach przygotowanie raportów zajmowało od 66 do 88 minut. Szybkość nie przełożyła się jednak na najwyższą jakość, ponieważ algorytm działający bez lekarza częściej popełniał błędy lub nie potrafił adekwatnie ocenić znaczenia zaobserwowanych zmian.
Dane odnoszą się do tego jednego, niewielkiego sprawdzianu. Nie podano pełnej metodologii statystycznej ani informacji, które pozwoliłyby niezależnie odtworzyć ocenę. Wyniki te stanowią jednak konkretny przykład problemu, z którym mierzy się dziś radiologia: jak wykorzystać szybkość algorytmów, nie przenosząc na nie odpowiedzialności za końcowy opis badania.
Co robi agent AI podczas odczytywania zdjęć
Radiolog analizuje obrazy z tomografii komputerowej, zdjęć rentgenowskich czy rezonansu magnetycznego. Szuka zmian w narządach, mierzy je, zestawia z wcześniejszymi badaniami i przygotowuje opis. Ten raport jest później wykorzystywany przez lekarza prowadzącego wraz z objawami, wynikami laboratoryjnymi i historią choroby pacjenta.
Wcześniejsze systemy AI w radiologii zwykle wykonywały jedno dobrze określone zadanie. Jeden algorytm mógł na przykład zaznaczać guzki płucne, drugi pomagać w analizie naczyń wieńcowych, a trzeci wykrywać krwawienia śródczaszkowe. Każdy potrzebował osobnego zestawu danych i osobnego miejsca w pracy radiologa.
Agent wielozadaniowy ma połączyć te etapy w jeden proces. Najpierw otrzymuje badanie obrazowe, rozpoznaje jego rodzaj i porządkuje obrazy. Następnie modele analizujące obraz wskazują obszary wymagające uwagi oraz zbierają obserwowane cechy, na przykład położenie, wielkość i wygląd zmiany. Na tej podstawie system tworzy projekt raportu w medycznym języku.
Nie znaczy to, iż program „rozumie” chorobę tak jak lekarz. Agent rozpoznaje wzorce, których nauczył się na wcześniej oznaczonych danych. Może dzięki temu zwrócić uwagę na detal pomijany podczas szybkiego przeglądu wielu obrazów. Może też błędnie wskazać element, który wygląda nietypowo, ale w rzeczywistości jest wariantem normy albo artefaktem powstałym podczas badania.
Taką sytuację nazywa się wynikiem fałszywie dodatnim. W sprawdzianie opisanym przez 36Kr agenty zwiększały liczbę potencjalnie wykrytych zmian, ale część z nich wymagała od lekarzy dodatkowego sprawdzenia na obrazach źródłowych. Zdarzało się, iż konieczność weryfikacji wydłużała pracę, zamiast ją skracać.
Od narzędzia do projektu całego raportu
Shukun Technology, firma stojąca za agentami wykorzystanymi w porównaniu, przedstawiła dwa produkty: system dla tomografii komputerowej całej klatki piersiowej oraz system dla cyfrowej radiografii całego ciała. Pierwszy analizuje badanie CT klatki piersiowej, drugi — obrazy rentgenowskie. Według spółki rozwiązania mają pomóc przejść od pojedynczych narzędzi do obsługi całego przebiegu tworzenia raportu.
Mao Xinsheng, założyciel i prezes Shukun, porównał wcześniejsze systemy do „stażysty jednej specjalności”, a nowego agenta do „głównego asystenta” radiologa. Agent może segregować dane, przygotować listę obserwacji i napisać szkic opisu. Lekarz powinien natomiast porównać go z obrazami, odrzucić błędne sugestie, ocenić kontekst kliniczny i zatwierdzić raport.
„Lekarz odpisujący badanie” coraz częściej staje się „lekarzem sprawdzającym i interpretującym projekt raportu”. Nie jest to jednak przekazanie diagnozy maszynie, ale przesunięcie części powtarzalnych zadań do narzędzia wspierającego.
Podczas konkursu część oceniających pomyliła raport wsparty przez AI z opisem przygotowanym przez doświadczonego lekarza według tradycyjnego szablonu. Wskazuje to, iż system potrafi odtwarzać specjalistyczne słownictwo i strukturę dokumentu. Taka zgodność stylu nie dowodzi jednak, iż samodzielny raport jest równie trafny medycznie.
Technologia wyprzedza zasady pracy
Rozwój agentów AI w radiologii wpisuje się w szerszy kierunek chińskiej polityki zdrowotnej. Dokument Narodowej Komisji Zdrowia ChRL z 2025 roku zakłada, iż do 2030 roku szpitale drugiego stopnia i wyższe będą powszechnie rozwijać pomocniczą diagnostykę obrazową oraz wsparcie decyzji klinicznych z użyciem AI. Równocześnie dokument wymienia potrzebę standardów, zasad etycznych, kontroli jakości oraz ochrony danych pacjentów.
Regulator wyrobów medycznych, NMPA, zapowiedział z kolei prace nad wymaganiami dla systemów AI działających w wielu obszarach chorobowych i opartych na dużych modelach. W centrum uwagi znajdują się ocena działania systemu, rejestracja oraz nadzór po wprowadzeniu produktu do użycia.
To podejście odpowiada realnemu dylematowi szpitali. Algorytm może poprawić dostępność wsparcia dla mniej doświadczonych lekarzy i pomóc uporządkować duże obciążenie pracą, ale musi być oceniany w rzeczywistych warunkach i pod kontrolą personelu medycznego. Wyniki konkursu sugerują, iż największą korzyść daje dziś połączenie doświadczenia radiologa z narzędziem, które dostrzega więcej elementów i szybciej tworzy projekt dokumentu.
Wykorzystanie sztucznej inteligencji w medycynie jest już szerokim obszarem chińskich projektów — od diagnostyki po zastosowanie AI przy opracowywaniu spersonalizowanych szczepionek onkologicznych. Równolegle trwa szersza debata o przejrzystości treści tworzonych przez AI. W środowisku klinicznym przejrzystość oznacza nie tylko oznaczenie udziału systemu, ale także możliwość sprawdzenia, skąd wziął się każdy fragment raportu i kto podjął końcową decyzję.
Wynik 85,2 punktu nie stanowi zapowiedzi bezobsługowej radiologii. Pokazuje raczej, iż dobrze użyty agent AI może stać się użytecznym współpracownikiem: przyspiesza przygotowanie materiału, zwraca uwagę na więcej cech i pozwala lekarzowi skupić czas na ocenie, której nie da się sprowadzić do automatycznego wygenerowania opisu.
Źródła:
- 36Kr: Agent做医生‘首席助理’：看片速度快 ，人机协作仍是最优解, 4 września 2026
- Narodowa Komisja Zdrowia ChRL: zasady rozwoju i regulowania zastosowań AI w ochronie zdrowia, 4 listopada 2025
- NMPA: działania dotyczące pełnego cyklu nadzoru nad zaawansowanymi wyrobami medycznymi, 3 lipca 2025
- NMPA: raport o rejestracji wyrobów medycznych w 2025 roku, 24 lutego 2026
Leszek B. Ślazyk
e-mail: [email protected]
