《Radiology》年度最佳论文：77张AI伪X光片混入真图，17名放射科医生鉴伪准确率74.8%，GPT-4o为85.1%、Gemini 2.5 Pro仅56.5%

数据视角 × 医疗数据从业者 ｜ 影响分析 × 医院信息化/临床医生 ｜ 深度研报

17名放射科医生面对两组真假各半的X光片，即使已被明确告知存在合成图，在GPT-4o数据集上的鉴伪准确率也只有74.8%，在RoentGen数据集上为70%。同一道题交给多模态模型，GPT-4o达到85.1%，GPT-5为82.5%，Gemini 2.5 Pro却只有56.5%，Llama 4 Maverick也仅59.1%；模型之间明显分化，比人与模型的简单胜负更值得重视。

开场：年度最佳论文留下了一套公共数据

西奈山伊坎医学院生物医学工程与影像研究所的Mickael Tordjman与Murat Yuce作为共同第一作者，凭借这项研究获得2026年Alexander R. Margulis奖，即《Radiology》年度最佳原创科学论文，论文DOI为10.1148/radiol.252094。奖项将于11月29日在芝加哥RSNA 2026首届Radiology Best Science专场颁发。

《Radiology》主编、RSNA期刊集群总编Suhny Abbara评价，这项研究抓住了医学关键节点的时代精神，把关于合成影像的讨论从推测推进到证据。这个评价指向了问题的核心：医学影像长期被当作客观记录，但生成模型已经能制造足以迷惑专业读者的X光片，来源真实性开始成为诊断正确之外的另一条质量轴。

对医疗数据从业者而言，研究的直接产物不仅是几组准确率。团队已经公开由GPT-4o生成的深度伪造X光数据集，用于教育。这意味着医院、研究团队与系统开发者获得了可重复检验鉴伪能力的共同样本，可以围绕同一批数据讨论训练、阈值与流程，而不必只依赖厂商各自展示的案例。

两组平衡图像如何构成测试底盘

这是一项三阶段回顾性研究。人员侧纳入来自6个国家、12家中心的17名在岗放射科医生，覆盖多个亚专业，资历从高年资住院医一直延伸到拥有40年经验的医生。广泛的年资跨度不是背景装饰，而是用于观察经验是否能帮助识别合成影像。

图像侧设置了两组严格平衡的数据。第一组共154张多解剖部位X光片，其中77张真实，77张由GPT-4o生成；第二组共110张胸片，其中55张真实，55张由放射专用模型RoentGen生成。每组真假数量相等，减少了类别比例对表面准确率的干扰；同时并列通用生成模型与放射专用生成模型，使医生面对两种不同来源的合成数据。

这套构型也决定了数字应该怎样读。74.8%对应GPT-4o数据集，70%对应RoentGen数据集，二者不能在脱离生成器和图像范围的情况下合并成一个普遍的医生鉴伪能力。公开数据集尤其重要，因为鉴伪系统的表现会受到生成来源影响；只在单一生成器上有效，不等于面对另一类合成图仍然可靠。

三个阶段揭示诊断与鉴伪是两回事

第一阶段没有告知研究目的，医生只需评估图像质量、伪影并给出诊断。17名阅片者中，只有7人自发报告存在AI生成图像，占41%。然而，对异常的诊断准确率在真实片上为91.3%，在合成片上为92.4%，两组非常接近。这组反差说明，医生可以对图中呈现的异常作出判断，却未必能同时察觉图像并非真实采集。

第二阶段明确告知数据集中含有合成图，再要求医生做真伪判别。平均准确率在GPT-4o数据集上为74.8%，在RoentGen数据集上为70%。Yuce认为最意外的是，即使已经提醒存在合成图，平均表现也只在约75%的中等水平；从业年限对识别合成图没有任何优势。40年经验没有自然转化为对生成噪声的识别力，显示传统阅片训练与来源鉴伪并不是同一种能力。

第三阶段由4个多模态大模型完成同样任务，没有任何一个检出全部合成片。针对GPT-4o生成的图像，GPT-4o准确率为85.1%，GPT-5为82.5%，Gemini 2.5 Pro为56.5%，Llama 4 Maverick为59.1%。最好的结果超过医生平均值，但模型间差距明显。数据治理的结论因此不是把鉴伪交给任意大模型，而是必须记录模型选择、生成来源与验证结果，不能让系统默认值替代评估。

从医院入口重建影像来源校验

换到医院信息化/临床医生立场，首先要承认诊断质量指标不能代替真实性检查。真实片91.3%与合成片92.4%的诊断准确率几乎重合，恰恰说明一张图可以在医学叙事上显得合理，同时在来源上完全虚假。PACS与影像归档流程如果只检查图像能否被阅读、报告是否符合异常，就可能漏掉真实性这一层。

论文归纳的线索可以转成院内教育材料：双侧过度对称，颗粒与噪声过于均匀，软组织纹理轻微不自然，骨表面过于光滑；在骨折图像上，骨折线有时异常平滑、干净、连贯。但17名医生的结果也提醒，这些线索不能成为唯一防线。即使提前提高警觉，准确率仍只有74.8%与70%，鉴伪不应继续依赖个人年资或临场眼力。

研究者建议医疗系统在影像工作流中加入自动化密码学认证与额外保障。近期手段包括水印、密码学哈希，以及嵌入不影响诊断质量的像素级信息；中长期则需要基于AI的检测系统。Tordjman还提醒，风险不限于临床，合成医学图像可能在社交媒体甚至科学出版物中被当作真实图像。医院需要把可追溯性放在影像进入工作流的入口，而不是等阅片者自行怀疑。

冷静观察：制度建设比能力羞辱更重要

这项研究的设计周密，却仍有清楚的边界。阅片者只有17名，图像来自两组有限数据；第二阶段还明确提醒存在合成图，这种高警觉状态与日常工作并不相同。真实工作流中，医生不会在每批影像到达前都收到真假混杂的预警，因此实验准确率不能直接当作医院日常环境中的检出率。

同样不能据此得出放射科医生不可靠。识别噪声是否过于均匀、骨表面是否过度平滑，本来就不同于判断影像中的异常。年资没有帮助，说明现有专业训练未覆盖新的真实性任务，而不是几十年的临床经验失去价值。GPT-4o在自身生成数据上达到85.1%，也不意味着它已经成为通用鉴伪器，因为没有模型检出全部合成片，其他模型的表现更低至56.5%与59.1%。

作者公开数据集并呼吁密码学认证，方向非常明确：问题要靠可追溯机制、共同测试数据和独立检测来解决，而不是把最后责任压给阅片者。医学影像的下一道质控线，不只是图像里有什么，也包括图像从哪里来、经历过什么处理，以及这些信息能否被验证。

原文链接：Radiology（RSNA 2026 Margulis 奖 / 西奈山伊坎医学院）

千方医数集编辑部 出品