J Nucl Med：LLM编排智能体端到端完成170例PET/CT判读，原发灶敏感度100%，淋巴结特异度仅39.4%

170例PET/CT，从选层到草稿报告没有人插手

事实报道 × AI技术供应商/创业者 ｜ 趋势前瞻 × 投资人与产业分析师 ｜ 深度研报

2026年10月1日，Journal of Nuclear Medicine在线刊出一项研究，PMID 42315314，DOI 10.2967/jnumed.126.272362。研究回顾性评估了一套大语言模型编排的智能体系统，用于肺癌基线FDG PET/CT分期判读。全部170例检查在无人工干预下走完从原始DICOM选层到结构化草稿报告的完整流程。结果是分裂的：原发灶检出敏感度100%，淋巴结受累敏感度84.8%、特异度39.4%，远处转移检出敏感度70.2%、特异度65.0%。摘要与元数据经Europe PMC的REST接口取得，jnm.snmjournals.org与doi.org均返回403。

开场：170例，全程没有人插手

流程的完整性是这项研究的重点。起点是原始DICOM选层，终点是结构化草稿报告，中间没有人工节点。对做产品的人来说，这一点的分量大于任何一个百分点的性能：多数影像AI止于给出病灶框或热力图，报告这一环由人完成；这套系统把两端的衔接也接管了。

用例选得也有讲究。基线FDG PET/CT的肺癌分期关心三件事——原发灶范围、淋巴结受累、远处转移，每一步都有相对明确的判断规则可以写成提示，属于结构化的读片任务。摘要未给出170例患者的癌种分期构成与病灶数量，因此这组结构也不能再往下细分。

更要紧的是组件不署名。所使用大语言模型的具体型号与版本未获取。读所有指标之前应当先记住这一点：整条流水线里最关键的一个部件是不公开的，这意味着结果绑定在某个未披露的模型快照上。

100%与39.4%：同一个系统，两个任务差多远

原发灶100%与淋巴结特异度39.4%，出自同一条流水线，差距却像两套系统。要把这组词读对，先要带上作者自己的定性：这是一项回顾性的概念验证研究，不是性能验收报告。

分工不同是差距的表面原因。100%说明的是主要病灶没有被这套流程漏掉；39.4%说明的是它标为淋巴结受累的判断中，有相当一部分并非如此。两项任务共享同一套编排，却在特异度这一侧付出了不同的代价。

39.4%落在流程里的含义是具体的。若按筛查的用法处理这个输出，会有大量本无受累的站点被标为阳性，进而推动额外的穿刺、活检或治疗方案的改动，这类代价不由模型承担。摘要未给出各项指标的置信区间与AUC，两个百分点没有不确定性区间，也无法换算成人群层面的阳性预测值。

远处转移这一组是70.2%与65.0%，两头都不高，是这套系统目前最弱的一环。偏偏这一环决定分期是否成立：分期错一级，治疗方案就不同。三项任务是串在同一条流水线上的，这也是必须回到原因分析的原因。

58例淋巴结错配：错在哪，作者给出了原因

不一致病例分析给出的是两个绝对数：58例淋巴结错配、57例转移错配。在170例的盘子里，这两个数不小。

读这两个数有一处限制要先说明：它们是逐个病例计数的不一致，摘要没有进一步拆成假阳性与假阴性，也没有给出对应的百分比，因此不要再往下换算，更不能反过来去验证上一节的特异度。

方向倒是清楚。系统性假阳性与反应性或生理性摄取有关；系统性假阴性涉及小体积或解剖位置不典型的转移灶。

对做系统的人来说，两类失效各有含义。反应性或生理性摄取在许多健康部位都会出现，把摄取强度当作病灶证据，就会成批产出假阳性，这不是模型编排方式的问题，而是判断依据本身的分辨力不足。要修正就得引入既往史、其他检查结果与临床问题，而这些输入的格式与可得性摘要未见说明。

小体积与位置不典型的假阴性是另一端，它没有中间态，漏了就是漏了。这也提醒不要把84.8%读得太满：这个敏感度是在170例这个集合上算出来的，而集合里结节与转移灶的体积分布没有披露。

参考标准是临床报告，这句话要放在显眼处

这项研究的参照是临床报告，不是病理金标准。所有指标的分子分母都由它定义：所谓真阳性，是与这份书面报告一致的判断。

这句话要放在显眼处，因为它决定了这组数能说什么。如果书面报告本身在某些站点上有误差，模型与它一致的部分会被计为正确，不一致的部分被计为模型错；两个方向的偏差在这个设计里无法区分。回顾性研究用报告作参照很常见，代价是所有百分比都带上了一个不可拆的共同项。

另一处是时间结构。回顾性意味着材料来自已经完成的检查，电子病历里后续的病理结果、随访影像与治疗反应当时已经存在，只是没有被用作参照；把它们纳入之后指标会怎么变，摘要没有给出答案。

对使用者来说，这句话的实际含义在操作层面：这套系统的输出只能注解为与书面报告一致的程度，不能注解为与真实病变一致的程度。要把它放进阅片环节，第一步不是看总体指标，而是确定它允许在哪些子任务上先发言、哪些必须等人。

冷静观察：从能跑通到能替代，中间隔着一个特异度

先把作者自己的定性放前面：这是回顾性的概念验证研究，不能写成可替代医师，这是所有推论的上限。

缺口有三处。其一，所使用大语言模型的具体型号与版本未获取，流水线依赖的组件不署名，既无法复现，也无法判断换一个版本是否还成立。其二，各项指标的置信区间与AUC均未获取，170例上的点估计没有精度范围，39.4%与65.0%之间、以及它们与随机水平的距离都无法判断。其三，170例患者的癌种分期构成与病灶数量未获取，人群能否代表日常来检的患者也看不出来。

还有一处内部一致性要追问：58例淋巴结错配与特异度39.4%对应，57例转移错配与敏感度70.2%、特异度65.0%对应，摘要没有说明这两个绝对数如何与百分比互推，也没有讲清错配是否包含同一例检查里多处不一致的情形。单凭摘要，这两组数是两块各自独立的证据，而不是同一个证据的两种写法。

最后是产业端的距离。能确认的部分是端到端的流程走得通，草稿报告可以自动生成；不能确认的是两件事——这套流程在多中心、不同设备与不同书写习惯下的表现，以及在有阅片医师参与的前瞻条件下，诊断一致性与报告耗时会如何变化。这两件事没有做完之前，可以做的判断只有一句：它是辅助起草的一个候选项，不是已经可用的临床工具。

原文链接：Journal of Nuclear Medicine（DOI 10.2967/jnumed.126.272362）

千方医数集编辑部 出品