Radiology: Artificial Intelligence刊出CLAIM 2024释义：44条目逐条澄清，背后是72位专家的Delphi共识

清单一个字没改，改的是每一条到底要作者写什么

事实报道 × 监管与合规专家 ｜ 影响分析 × 医疗数据从业者 ｜ 行业观察

2026年9月30日，《Radiology: Artificial Intelligence》在线刊出一份体例特殊的稿件：它不报新模型，也不给新指标，而是把医学影像AI清单CLAIM 2024年更新版的44个条目逐条拆开，说明每一条要作者交代什么。清单本身未改，补上的是解释。对每天审读AI论文的审稿人与编辑，指向的是过去六年最常被争论、却最少被写明的部分。

开场：清单发了六年，问题从「有没有写」变成「写的是不是那回事」

CLAIM 的定位从一开始就很明确：为医学影像AI研究的透明与可复现报告提供一套结构化框架。它的第一版以给作者与审稿人的指南为副题，2020年3月25日发表于同一本期刊（DOI 10.1148/ryai.2020200029，PMID 33937821）；2024年7月1日，更新版上线（DOI 10.1148/ryai.240300，PMID 38809149）。本次刊出的释义长文题为 Checklist for Artificial Intelligence in Medical Imaging (CLAIM): Explanation, Elaboration, and Examples，2026年9月30日在线，DOI 10.1148/ryai.260835，PMID 42813998，文章编号 e260835，版权行写作 © RSNA, 2026。

摘要交代的动机十分直接：CLAIM 自2020年推出以来，已被研究者、审稿人与期刊编辑广泛采用，但解释上的差异限制了它的一致应用。换言之，争议已经不在要不要交清单，而在交上来的答复是不是提问方期待的那一个。这篇长文共16位作者，发布状态为 aheadofprint，Europe PMC 的记录显示它并非开放获取，全文链接标注为 Subscription required，因此除在线工具外，多数读者能稳定读到的只有摘要与元数据。发表时间线也一并公开：8月4日收稿，8月28日被要求修订，9月4日收到修订稿，不到一个月后即在线。

44个条目逐条释义：这次补的是解释，不是要求

全文的处理方式高度统一，每个条目都被拆成三件事来讲：条目的意图、对该条目的常见误读、以及恰当的实现方式。这一排列顺序本身就说明了作者团的立场——大量分歧并非源于作者不愿披露，而是源于不确定某一条到底在问什么。

• 意图：解释该条目为何存在，它要防堵的是哪一类信息缺失
• 误读：列出作者与审稿人反复出现的理解偏差，而不是泛泛提醒
• 实现：给出什么样的写法算达标，而非给一个可以随手勾掉的方框

示例没有被塞进正文，而是分布在两层：一层是随文补充材料 Supplement，另一层是 rsna.github.io/claim/ 的在线工具（页面标题为 CLAIM | RSNA）。示例取自已发表文献并与条目逐条对应，这种做法带来一个直接后果：可对照。作者可以拿自己的稿件一条条比对，审稿人也可以直接指出第几条第几款不到位。摘要把目标读者明确写成三方——作者、审稿人、编辑，这一点决定了全书的写法偏向可执行而非可争论。

72位专家的Delphi：四类背景坐在同一张桌子上

2024年的更新不是写出来的，是投出来的。CLAIM 指导委员会通过结构化 Delphi 共识形成这一版，参与专家72位，背景被明确划分为四类：影像相关临床专科、AI 科学、期刊编辑、生物统计。四类同席的分量在于，清单要约束的是一件横跨三个职业群体的事——写文章的人、审文章的人和定规范的人；规则若只由其中一类人定义，另外两类人的执行成本很容易被低估。

作者阵容也按同样的思路搭建。16位作者的机构横跨欧洲与美国：瑞士巴塞尔大学医院、德国慕尼黑工业大学附属伊萨尔右岸医院、意大利比萨大学、荷兰拉德堡德大学医学中心、希腊克里特大学，以及美国的斯坦福大学、哈佛医学院、梅奥诊所、耶鲁大学、宾夕法尼亚大学、加州大学旧金山分校等，其中一位作者同时挂名秘鲁利马UTEC。首作者为巴塞尔大学医院诊断与介入神经放射科 Tugba Akinci D’Antonoli；最后两位是宾夕法尼亚大学佩雷尔曼医学院放射系 Charles E. Kahn 与加州大学旧金山分校放射与生物影像系 John Mongan。

从数据来源到结果报告：一条完整的生命周期

摘要把释义范围写得毫不含糊：从研究设计与数据来源，延伸到模型开发、评估与结果报告，覆盖 CLAIM 所规管的完整AI研究生命周期。

• 前端：研究设计与数据来源，回答数据从哪来、怎么选、谁被排除
• 中段：模型开发，回答结构与训练过程能否支撑复现
• 后端：评估与结果报告，回答性能究竟在什么条件下测出来

在这条链路上，最容易失守的往往不是中段。影像AI论文的方法部分通常写得完整，而数据来源一笔带过、入排标准含糊的情况在回顾性研究里并不少见——恰恰是这部分决定了模型能否在研究之外成立。按生命周期铺开44个条目，用意正在于给最容易被略过的前端也配上交代要求。

冷静观察：规范越细，审稿越有抓手，但填表式的合规不是终点

释义带来的第一重变化是审稿有了可引用的坐标。过去一位审稿人觉得信息交代不清，只能写成一条主观意见，作者也容易回应得含糊；现在可以直接指到条目编号，并把「为什么不达标」落到明确的一点上。对期刊编辑而言，这意味着退修意见的可操作性上升，也意味着审稿尺度在不同稿件之间更容易对齐。第二重变化则落在作者一侧：写作阶段就能自查，比在退修阶段返工便宜得多。

风险同样清楚。任何清单一旦细化到可以逐条勾选，就可能催生一种新的合规姿态：条目都答了，信息仍然不够读。比如把数据来源写成满足字面要求的几句话，却不交代入排条件对人群构成的实际影响。这类答卷形式上无懈可击，可复现上毫无帮助——而这正是 CLAIM 最初被设计出来要解决的问题。

因此这篇长文更像一次校准，而不是终点。它承认了一个延续六年的事实：报告规范的效力不只取决于条目有多全，也取决于写的人与审的人对同一条目是否达成同一种理解。真正值得观察的不是多少期刊把它列为必交，而是两年后影像AI论文里那些含混的来源描述有没有变少。就公开材料看，三方分工已经写明白，剩下的是执行。

原文链接：Radiology: Artificial Intelligence（DOI 10.1148/ryai.260835）

千方医数集编辑部 出品