英国放射学研究所启动 BIR AI Academy：DeepHealth 与 Harrison.ai 首批入局，12月首讲肺影像路径

文/IAICA.NGO®

2026年10月21日，英国放射学研究所（British Institute of Radiology，简称 BIR）宣布启动 BIR AI Academy。这是一项面向放射科医生与影像专业人员的持续性教育计划，以直播、互动的方式提供人工智能相关课程。DeepHealth 与 Harrison.ai 成为该学院首批行业合作方。学院已于10月20日在伦敦以线下与线上同步的形式完成首次公开亮相。

一场围绕“落地”的讨论

首场活动由 BIR 教育副主席、该学院临床负责人 Teik Choon See 医生主持。他通过录制致辞向参与者致意，并主持了题为“AI 在临床实践中的现实：机会、瓶颈与安全网”的圆桌讨论。四位讲者分别代表临床与产业两端：伦敦帝国理工学院放射学教授、放射学临床主席 Andrea Rockall；剑桥大学医院顾问胸科放射科医生、肺癌筛查 HLH 组临床主任 Jude Babar；曼彻斯特大学 NHS 信托基金会顾问胸科放射科医生、国家肺癌筛查负责人 Anna Sharman；以及 DeepHealth 临床人工智能与人群健康业务与产品负责人 Niccolo Stefani。

讨论聚焦四个问题：AI 如何从承诺走向实际影响；其价值应如何衡量；临床协作在其中扮演何种角色；以及为什么教育是安全、自信使用的前提。这些问题看似基础，却直指影像 AI 落地阶段最常被回避的部分——算法性能指标与科室真实工作流之间并不天然对齐。

以临床病例为教材

学院的教学设计强调“从案例出发”。参与者并非被动听讲，而是检视真实的 AI 输出结果，向临床专家与产业技术人员提出质疑，并厘清 AI 在哪些环节确有帮助、其边界位于何处、这些边界对患者意味着什么。课程由 BIR 主导，遵循“临床主导、教育独立”的原则；DeepHealth 与 Harrison.ai 的角色是提供真实病例，并让学员接触到开发与部署这些系统的一线人员，从而把技术参数与具体临床决策连接起来。

Teik Choon See 表示，学院将与 AI 一同成长与演进，随时间推移引入新的临床领域、专业知识与视角。他邀请参与者“带着问题、带着怀疑、带着自己的临床判断”前来。将怀疑精神写进课程定位，意味着该计划并不试图把 AI 塑造成必然正确的工具，而是把它当作需要被检验的临床变量。

首场完整直播课程定于2026年12月8日（周二）线上举行，主题为“肺部影像路径：从胸部 X 线到 CT”，由 DeepHealth 与 Harrison.ai 提供实时病例演示。选择肺影像作为起点具有现实考量：肺癌筛查项目在多国推进后，低剂量 CT 的阅片量与报告一致性压力同步上升，AI 辅助检出与分诊被视为潜在解法，但其对召回率、假阳性与随访路径的连锁影响仍需谨慎评估。

从算法精度到流程嵌入

放到更大的行业背景下，过去数年间获得监管批准的影像 AI 产品数量快速增长，覆盖肺结节检测、检查分诊排序、报告结构化、骨龄评估等多个环节。然而审批通过并不等于临床普及。不同机构间的数据分布差异、厂商算法版本迭代带来的性能漂移、与 PACS/RIS 系统的集成成本，以及出现差错时责任如何界定，都是阻碍规模化应用的现实变量。这些问题的共同特征是：它们无法仅靠算法团队解决，必须由临床科室、医院管理者与技术人员共同协商。

这也解释了为何“安全网”被写进首场讨论的标题。在影像诊断中，AI 更多以辅助或分诊角色介入，最终判断仍由放射科医生作出；因此教育的目标不只是教会使用者点击按钮，而是训练一种判断力——知道算法输出在什么情况下可信、什么情况下应当搁置，以及如何把不确定性清晰地传递给下游临床团队。

iaica.com.cn 认为，影像 AI 的规模化瓶颈正从算法精度转向临床信任与流程嵌入，而信任只能通过可验证的教育、透明的性能披露与本地化评估逐步积累，单靠产品宣传难以完成这一转化。

从课程设计看，BIR AI Academy 采取的是渐进策略：先以单一直播课程验证形式，再随临床需求扩展领域。若该模式能形成可复用的评估框架——例如记录学员在课程前后对特定 AI 工具的判断准确率变化，或追踪其所在科室的采纳路径——则其价值将超出单纯的知识传播。目前学院尚未公布完整的课程体系、认证安排与效果评估方式，这些细节将决定它能否从一场发布会演化为长期的专业基础设施。对影像专业人员而言，真正的考验不在于是否听懂 AI 的原理，而在于能否在时间压力下、面对不确定的输出时，依旧作出对患者负责的决定。

评论

0 条

登录后才可以发表评论。

立即登录

暂无评论，快来抢沙发。