为什么X线分析总是不准确、不完整？国际大咖总结X线分析的三大类错误

摘要：真正的诊断错误（或与准确性的偏差）是可能对患者有害的结果或决策，且没有科学数据支持。错误的严重程度可以分为可忽略（无不良影响）、轻微（最小不良影响）、中等（导致短期不良影响）、重大（导致长期不良影响）和极端（导致严重长期影响或死亡）。在人医放射学领域的一项超过

Eli B. Cohen, DVM, DACVR

Founder-Radiologist, Dragonfly Imaging, PLLC, Cary, North

Carolina

Adjunct Clinical Professor, Molecular & Biomedical Sciences, NC

State College of Veterinary Medicine, Raleigh, North Carolina

宠医客编译，如需转载请与宠医客联系

弗朗茨·卡夫卡说：“人类所有的过错都在于缺乏耐心，是过于匆忙地打乱了原本井然有序的东西，又用似是而非的木桩圈起来似是而非的事物。”

真正的诊断错误（或与准确性的偏差）是可能对患者有害的结果或决策，且没有科学数据支持。错误的严重程度可以分为可忽略（无不良影响）、轻微（最小不良影响）、中等（导致短期不良影响）、重大（导致长期不良影响）和极端（导致严重长期影响或死亡）。在人医放射学领域的一项超过20年的文献综述中，发现临床显著或重大错误的发生率为2-20%。诊断差异涉及临床医生之间的意见分歧，这些分歧可以通过现有数据得到合理解释。

导致错误决策的错误可以分为以下几类：报告前错误、报告错误和报告后错误。

1. 报告前错误包括影像获取或生成过程中的技术因素。这可能包括执行错误的影像检查、对错误的患者进行影像检查、对错误的解剖区域进行影像检查，或影像不具有诊断价值（定位不当、技术不佳、伪影）。

2. 报告错误包括读片者在评估过程中犯的错误，可以进一步分为以下几类：

a. 搜索错误是指我们“没有看到”病变，意味着我们从未真正聚焦于它。这是无法从正常解剖结构中辨别出病变的能力。导致搜索错误的因素有很多。

i. 这可能包括物理/环境因素，如个体眼睛的解剖结构和健康状况、工作站设置（合适的显示器分辨率和亮度、环境光线、眩光、能够集中注意力的简洁界面）、影像质量（分辨率、对比度、运动、定位）以及疲劳程度（时间、影像数量）。只是拥有适当/更高亮度的显示器就可以缩短搜索时间、聚焦目标的时间以及在做出决定前的等待时间。读片表现也会在一天中的晚些时候随着视觉疲劳的增加而下降。

ii. 行为或系统性因素也可能导致搜索错误，包括分析时间不足、没有搜索整个影像以及知识不足。匆忙阅读影像会降低阅片表现，因为它可能妨碍系统性搜索。目标知识即知道我们在寻找什么，会实际改变我们查看影像的方式。这突出了临床病史在影像解读中的重要性。首先在没有病史的情况下解读影像（以减少偏见），随后在了解病史后再次阅片。

图7.6无意盲视是指错过你不在寻找或未预期发现的事物的倾向。

该图展示了这一现象，临床专家（人类放射科医生）和非医学人士被要求检查并报告CT肺部影像的肺结节，但未被告知在某些部分会有一个比典型结节大得多的猩猩图像。

c. 决策错误是指我们“看到”了病变，定位并感知到了病变，但没有做出正确的选择（判断错误）。关于影像或病变的正确决策直接与先前的培训和经验相关。要判断肺结节提示转移性肿瘤的决策，首先必须知道肿瘤可以转移（包括转移到肺部），并且理想情况下有临床病史和目标知识支持这一正确诊断（例如，患者是一只12岁犬，已知患有脾血管肉瘤）。还需要了解并考虑其他可能导致肺结节的鉴别诊断（寄生虫性肉芽肿、脓肿、免疫介导性肉芽肿，如嗜酸性支气管肺炎），并根据影像表现、动物特征和临床病史进行认知过滤，以确定最可能的诊断。

A、B和 C是三张胸部右侧位X线片，患者均有腹侧分布的肺泡型。这种肺型和分布常见于支气管肺炎，这也是常见疾病。然而，并非所有腹侧肺泡型都是肺炎。这些X线片上有一些其他特征可为其他诊断提供线索。请先查看并决定如何根据这些单个视图诊断这些患者，然后继续阅片以确定最终诊断。A是继发于肺动脉高压的肺部浸润。B是支气管肺炎/吸入性肺炎。C是支气管肺炎和肺淋巴瘤。

ii. 疾病发生频率也会影响决策，涉及流行效应，即你以前见过/诊断过的病变或更常见的病变更有可能是后续病例的诊断。前十字韧带断裂是一个常见诊断，导致膝关节软组织不透明度和肿胀增加。虽然犬前十字韧带断裂比关节中心性肿瘤或化脓性关节炎更常见，但其他情况也会发生，并且可能未考虑侵袭性过程的其他特征（如果它们被看到），可能做出前十字韧带断裂的假阳性诊断。

iv. 诊断惯性和机器偏见可以被视为同行压力这一类型。诊断惯性是人与人之间的同行压力，可以表现为其他临床医生给动物贴上某种诊断标签，或者该标签出现在先前的记录中。通常不愿意挑战该诊断的正确性，并且倾向于即使临床情况不再符合也继续沿用。一个例子可能是某位备受尊敬的放射科医生在先前的X线片上诊断出病理性骨病变，但你认为病变更符合退行性变化。你可能会遵从先前的诊断，而不是坚持自己的正确诊断。机器偏见是机器对人的同行压力，信任机器或计算机输出以替代自己的思考过程。这可能是接受人工智能（AI）的诊断，而不论证据如何。结果可能是过失行为（AI诊断肺结节，你同意即使你没有看到结节）和遗漏错误（AI没有发现肺结节，即使X线片上存在，你也没有报告它们）。研究表明，无论我们的专业水平如何，我们都容易受到机器偏见的影响，但专业知识有纠正作用（专家比新手受机器偏见的影响更小）。