RSNA 推出全球多模态膝关节 MRI AI 挑战赛

RSNA 已启动其首个肌肉骨骼 AI 挑战赛，但其难度远超 Google News 标题所传达的印象。参赛者必须通过学习 MRI 扫描及其对应的放射学报告，检测膝关节异常。这一形式已超越常见的图像分类竞赛。

北美放射学会表示，该数据集包含来自全球 16 家机构的逾 5,000 例检查。报告涵盖九种语言。这样的多样性使这项竞赛与医疗 AI 的一个核心问题格外相关：模型往往难以在生成其训练数据的机构之外保持良好表现。

竞赛计划于 2026 年 10 月结束。在此之前，排行榜表现将受到关注，但决定性问题并不在任何排行榜上。模型能否结合图像与报告进行判断，同时避免从报告习惯、语言或机构模式中学习捷径？

RSNA 正在将仅使用图像的开发方式与多模态方法进行比较，后者在一个模型中结合不同类型的数据。竞赛更青睐能够将视觉发现与放射科医生描述这些发现的语言联系起来的系统。它也揭示了当这两类信息不一致时所带来的风险。

这正是该活动值得获得比其在 Google News 中的位置所暗示的更多关注的原因。RSNA 并不只是询问算法能否识别半月板撕裂。它测试的是，全球临床数据能否构建出一个在不同语言、阅片者、扫描仪和执业环境中仍然可靠的系统。

RSNA 膝关节 MRI 挑战赛改变了训练目标

这项竞赛将成对的临床记录置于测试核心，而非把报告视为附在图像上的可选标签。

根据官方 knee MRI challenge 介绍，研究人员将构建用于检测膝关节 MRI 检查异常的机器学习模型。模型将在训练和评估期间同时使用 MRI 图像与放射学报告文本。

RSNA 称，这是其项目中首项同时使用图像和报告文本的挑战赛。该组织还将其认定为首个肌肉骨骼 AI 挑战赛。这两个“首次”各有不同的重要性。

肌肉骨骼 MRI 面临密集的识别问题。一项膝关节检查可能包含与韧带、半月板、软骨、骨髓、关节液、滑膜或囊肿有关的发现。相关异常在外观、严重程度和临床重要性方面也各不相同。

放射学报告提供了该检查的另一种表征。它记录医生注意到了什么、医生如何解读，以及哪些发现重要到值得记录。这些文本可为数千张图像切片补充有用的临床结构信息。

不过，报告并非对每一项可见特征的完美描述。放射科医生可能省略偶然发现，重点强调疑似损伤，或针对相似观察使用不同术语。报告还可能包含图像中无法直接看到的既往病史细节。

因此，这项挑战赛改变了学习目标。参赛者不再只是将像素映射为固定的诊断标签。他们必须决定从每种模态中获取多少信息，以及如何协调二者之间的冲突。

RSNA 表示，底层数据集包含来自 16 家机构的逾 5,000 例膝关节 MRI 检查。每项检查都与其原始报告配对，整个数据集覆盖九种语言。

这些数字并不保证广泛的临床表现。但它们确实带来了超出单一机构、单一语言数据集的变异性。这种变异性可以揭示模型究竟学习了人体解剖，还是仅仅识别了本地文档模式。

RSNA 此前曾介绍其 AI competitions 的两个基本阶段。在训练阶段，参赛者获得带标签的数据与反馈。在评估阶段，组织方使用数据集的隐藏部分对模型评分。

隐藏测试集限制了对已提交病例的直接记忆，但并不能自动阻止所有捷径。模型仍可能通过扫描仪特征、序列选择或报告格式识别机构模式。

这种区别构成了本文的核心张力。RSNA 膝关节 MRI 挑战赛提供了更丰富的数据，但更丰富的数据也为模型制造出看似能力出众的更多路径。竞赛必须区分真正的图像-文本推理与复杂的模式匹配。

为什么 Google News 低估了这项多模态实验

关键变化不在于 RSNA 选择了膝关节，而在于它将临床语言与跨多个医疗系统的三维影像配对。

Google News 标题可以用几句话传达这一发布消息，却无法展现为何该数据集设计本身才是真正的新闻重点。

许多医学影像基准测试会将临床检查简化为明确的预测任务。模型接收图像，并输出类别、位置、分割结果或概率。这种方法便于清晰评分，但它剥离了临床工作中的大部分语境。

放射科医生不会将一项膝关节检查解读为孤立的像素集合。他们会连接多个序列中的结构，考虑临床问题，比对发现，并撰写书面解读。报告是这一工作流程的一部分，而非行政附属品。

这项 2026 年竞赛将报告文本直接纳入模型开发流程。原则上，文本可帮助模型将视觉模式与放射科医生的描述联系起来。与会丢弃有用细节的简单标签相比，它也可支持更广泛的异常检测。

多模态模型结合来自不同格式的信息，例如图像和自然语言。模型必须形成可让对应信息相互作用的表征。在这里，这种关联可能将视觉上的半月板异常与报告中描述它的语言对应起来。

这一方法反映了医疗领域向视觉-语言系统发展的更广泛趋势。这类系统试图将视觉证据与医学术语、问题或报告相连接。然而，出色的文本输出并不能证明模型理解了底层扫描。

这种风险在这里尤为重要，因为报告可能成为捷径。假设报告模板包含与某家机构或扫描仪协议相关的术语，模型可能会将这些术语与该地点常见的结果联系起来。

语言带来了另一层复杂性。以九种语言撰写的报告，可能通过不同的术语、惯例和句子结构表达相同的解剖结构。翻译步骤或许能统一部分措辞，却也可能损失具有临床重要性的细微差别。

保留原始语言能够维持临床真实性，但也让评估要求更高。组织方必须确定模型在不同语言之间是否保持均衡表现，而不只是合并数据集上的整体表现强劲。

机构多样性也带来了相似的权衡。16 家参与机构可能贡献不同的患者群体、设备、采集协议和报告习惯。这些差异有助于检验泛化能力，但也可能引入隐藏相关性。

模型可能无需理解检查结果就能识别检查来自何处。如果某些异常在该机构更常见，来源地便会成为预测捷径。隐藏评估数据必须经过谨慎设计，才能暴露这种行为。

竞赛结构同样重要，因为 MRI 是三维且依赖序列的。一项完整检查包含许多图像，通常采用多种对比度和方向采集。模型必须整合整个体积中的信息，同时不丢失细微发现。

这一挑战不同于针对扫描生成润色完善的文字。RSNA 所陈述的目标是异常检测。报告文本服务于检测任务，尽管参赛者很可能会探索多种信息编码与对齐方式。

由此产生的系统未来可能支持分诊、一致性检查或阅片辅助。但这些临床角色都不会因竞赛结果而自动成立。每一种用途都需要明确的使用场景、独立验证和审慎的工作流程测试。

Google News 的框架抓住了发布消息，却没有体现这一验证负担。决定性实验在于，多模态训练能否在陌生数据上提升具有临床意义的识别能力。单一的高总体得分无法解决这一问题。

成对报告既能改善模型，也可能教会模型走捷径

图像-报告配对是这项挑战赛最强的特征，也是其最大的研究方法风险。

报告提供了低成本的监督信息，因为医疗系统已在日常诊疗中生成这些报告。大型档案可包含数千个图像-文本对，而无需专家从头为每个结构逐一标注。

这一优势使基于报告的学习颇具吸引力。专家标注需要时间、专业知识和一致的定义。RSNA 招募了经过培训的肌肉骨骼放射科医生，对检查进行标注并审阅相关报告，预计每位志愿者需投入约 10 小时。

专家审阅可以提高标签质量，但并不会让每个标签都变得客观。膝关节发现往往处于一个连续谱上，不同阅片者可能会对严重程度或诊断意义存在分歧。挑战赛本身正是在回应这种变异性。

既有研究说明了这一方法的潜力与局限。一项 2021 年的 knee MRI study 评估了深度学习辅助在软骨、骨髓、半月板和前交叉韧带异常方面的表现。

该研究纳入了 294 名患者的 1,435 例 MRI 检查。报告的二元病灶敏感度介于 70% 至 88%，特异度介于 85% 至 89%。受试者工作特征曲线下面积介于 0.83 至 0.93。

在涉及主治放射科医生和培训医师的 16 项比较中，模型辅助改善了其中 10 项的一致性。这些结果表明，在受控条件下，AI 可以支持更一致的分级。

但它们并不能证明相同模型能够迁移至 16 家机构或九种报告语言。该研究的数据来自更早期的研究数据集，并使用特定的三维成像序列。RSNA 竞赛显著扩展了变异性。

早期挑战赛研究也警示人们，不应将技术指标与临床准确性混为一谈。一项已发表的 segmentation benchmark 使用膝关节 MRI 数据比较了自动软骨和半月板分割系统。

共有六支团队提交模型，其中排名前四的网络在所报告的分割指标上没有显著差异。然而，较高的分割相似度并未与软骨厚度准确性紧密对应。

这一结果之所以重要，是因为模型可以在某项技术任务上得分很高，却在下游临床测量中仍不够可靠。竞赛组织方必须确保其指标与预期的诊断价值相匹配。

文本还引入了另一种不匹配。一份报告可能准确指出主要韧带撕裂，却忽略少量关节积液。如果图像同时显示这两项发现，未报告的积液是否应算作模型错误？

答案取决于竞赛的真实标签生成流程。纯粹依据报告生成的标签会延续遗漏和阅片者偏好。详细的专家标注可以弥补这些缺口，但也增加了一层解读。

阴性发现同样需要谨慎对待。报告中未出现某个术语，并不总意味着相应结构正常。它可能意味着该发现与转诊问题无关，或轻微到不值得提及。

模型可以利用这种不确定性。语言编码器可能仅从报告措辞预测标签，而未形成强大的视觉表征。反过来，图像编码器也可能在常见异常容易通过视觉识别时忽略文本。

组织方可在评估期间移除或扰动其中一种信息来源，以检验两种模态是否都发挥作用。他们还可以检查报告与专家图像复核结果不一致的病例表现。RSNA 尚未公开详述每一项此类测试。

另一项风险涉及语言翻译。将所有报告自动译为英语可能简化模型开发，但也可能抹去临床术语、确定性程度或本地报告惯例之间的差异。

使用原始文本训练可以保留这些差异，但这会更有利于拥有多语言模型和大量计算资源的团队。这些系统在不同语言中的医学词汇覆盖可能并不均衡。

因此，公平的排行榜不应只报告一个汇总分数。按机构、语言、异常类型和疾病患病率划分的表现，能够揭示获胜模型是否具有广泛适用性。

这类亚组结果也有助于区分真正的泛化能力与数据平均效应。一个在常见英语病例上表现良好的系统，仍可能在较小语言群体中表现欠佳。

这正是该竞赛背后的核心权衡。配对数据集比孤立图像提供了更贴近现实的监督信息，但也嵌入了真实临床文档中的偏差、遗漏与习惯。

竞赛冠军尚不是临床产品

排行榜上的成功衡量的是有限数据集上的表现，而临床部署则需要跨越人群、机构、工作流程及不断变化条件的证据。

医学 AI 竞赛将开发过程压缩为一项明确任务。团队获得数据、训练模型，并针对既定指标进行优化。这种结构鼓励快速实验和可复现的比较。

临床实践并不存在稳定的排行榜。不同医院的疾病患病率会变化，影像协议会调整，患者病史也会使解读更加复杂。模型必须在这些条件变化后依然保持可靠。

外部验证可以解决其中一部分问题。研究人员在未参与训练的数据来源机构上测试完成的模型。前瞻性评估则更进一步，观察模型在新获取检查中的表现。

来自同一数据集的隐藏测试集很有用，但范围更窄。即使组织方将机构分开，数据集仍反映了收集和标注过程中的选择，无法代表每一种部署环境。

监管则构成另一道边界。现行 FDA guidance 说明了应用于放射学图像分析的计算机辅助检测设备在临床表现评估方面的考量。

研究模型不会因为赢得 RSNA 挑战赛就获得临床授权。开发者还需要明确预期用途、建立性能证据、管理风险，并遵循适用的监管路径。

工作流程测试同样重要。模型或许能准确识别异常，但其呈现方式可能拖慢放射科医生。若置信度校准不佳，它也可能增加不必要的后续检查。

校准描述的是预测概率是否与观察到的结果相符。一个给出 90% 置信度的模型，在可比病例中应当大约十次有九次正确。仅有排序准确性并不能确保这一特性。

假阳性和假阴性带来的后果也不同。漏诊前交叉韧带撕裂，与提示一处被放射科医生视为偶然发现的小量积液，并不相同。单一综合分数可能掩盖这些权衡。

阅片者研究可以检验临床医生在模型辅助下的行为。研究人员可以比较放射科医生独立工作与使用系统时的表现，并测量准确性、阅片时间、一致性和自动化偏差。

自动化偏差发生在用户过度依赖机器建议时。即使模型输出错误，只要看起来合理，也可能影响阅片者。多模态系统尤其可能显得极具说服力，因为它们将图像与流畅文本连接起来。

系统投入使用后，持续监测便成为必要。数据漂移、软件更新、设备变化和患者群体变化都可能降低性能。一个在验证期间表现良好的模型，可能在没有明显故障的情况下逐渐变弱。

美国放射学会于 2026 年批准了其首个影像 AI 实践参数。相关的 AI governance framework 强调，负责任的使用在初次部署后仍需持续进行。

这一信息为 RSNA 挑战赛提供了背景。竞赛可以产出有价值的模型和罕见的研究数据集，但无法替代围绕已部署诊断工具所需的临床治理。

数据集本身或许才是该活动最持久的产出。RSNA 历来通过挑战赛汇集经专家审阅的影像数据集，即使竞赛排行榜关闭后，这些资源仍然有用。

此前的 RSNA 动脉瘤数据集在竞赛结束后成为大型公共研究资源。研究人员可以将这些数据用于新方法、验证研究，以及超越原始获胜方案的比较。

多语言膝关节数据集可以支持类似工作。研究人员可研究表征学习、报告对齐、领域适应、不确定性或标注质量。这些用途可能会延续至十月排行榜之后。

因此，开发者不应将竞赛理解为通向自主诊断的竞速。其更站得住脚的目的，是建立共享基准，并揭示当前系统的失效之处。

放射科医生在这一过程中仍处于核心位置。他们撰写报告、审阅图像、裁定标签、解读错误，并判断模型输出是否符合临床实践。

主要对手并非某个具名厂商，而是将复杂检查简化为狭窄标签的纯图像开发路径。RSNA 的多模态设计通过提供更丰富的监督信息，对这一路径施加了压力。

然而，多模态复杂性并不保证带来更好的医疗服务。如果文本允许走捷径，纯图像模型反而可能泛化得更可靠。十月的评估必须说明，新增模态在哪些方面有帮助，又在哪些方面造成损害。

挑战赛十月结束前值得关注的事项

三个信号将决定 RSNA 膝关节 MRI 挑战赛会成为有意义的基准，还是仅仅又一场成功的竞赛。

第一个信号是评估设计。RSNA 应明确说明，隐藏测试数据如何将机构、语言和报告风格与训练集分离。

与同一参与机构中的随机患者划分相比，按机构留出的测试能提供更有力的证据。按语言留出的分析则可显示模型是否能跨越报告惯例迁移。

最有价值的结果应包括亚组表现。读者应关注按异常类型、机构和语言划分的敏感性与特异性，也应考察置信度校准以及模型对罕见发现的表现。

如果获胜系统在这些群体中依然表现强劲，多模态论点将得到支持。如果平均表现掩盖了巨大的亚组差距，竞赛反而会暴露一项重要局限。

第二个信号是参赛者是否真正使用了两种模态。消融研究，即移除某个模型组件的研究，可以揭示文本和图像是否各自提供了有用信息。

获胜团队应将完整系统与纯图像版和纯文本版进行比较。这一比较将说明配对学习是否带来价值，还是仅仅增加了模型规模。

证据相互矛盾的病例提供了更好的测试。如果报告遗漏了可见异常，模型不应自动复制这种遗漏。如果文本提到病史，系统不应将该病史误认为当前图像发现。

缺失输入下的表现也很重要。真实档案中存在不完整、损坏或不一致的记录。模型应在报告或影像序列不可用时识别这一点，而不是生成缺乏依据的确定性结论。

清晰的模态测试将强化这样一个结论：参赛者学到了跨模态关系。薄弱或缺失的消融研究，则会留下这样的可能性：某一种输入承担了大部分结果。

第三个信号是十月之后会发生什么。RSNA 应以足够详尽的方式公布数据集说明、评估方法、获胜方案和错误分析，以供独立审查。

发布一套持久可用的研究数据集，将延展该活动的影响。文档应说明数据来源、标注流程、患者纳入标准、语言分布及已知局限。

独立研究人员随后可以测试排行榜方法能否在竞赛之外复现。他们还可以考察系统在更多医院、扫描设备和患者群体中的表现。

临床开发者应关注前瞻性阅片者研究，而非仅仅关注产品公告。放射科医生变得更准确或更一致的证据，将支持其实际应用价值。

缺乏工作流程证据会削弱有关即时临床价值的主张。但这并不会让挑战赛变得不成功，因为建立基准本身仍是宝贵的研究基础设施。

更广泛的教训很简单。Google News 可以呈现发布消息，但无法判断 RSNA 的实验是否成功。这一判断取决于亚组结果、模态测试和可复现的后续研究。

关注该竞赛的研究人员应随着证据变化，保存论文、模型说明、数据集修订和排行榜观察记录。结构化的 knowledge blending 工作流程可以帮助关联这些材料，而不将其简化为一个分数。

到十月时，读者应提出三个问题：这些模型是否跨机构和语言实现了泛化？图像和报告是否都提升了性能？RSNA 是否发布了足够证据，让外部人士能够验证结论？

这些答案将说明，这究竟只是一场新的膝关节 MRI AI 竞赛，还是对多模态放射学的一次可信检验。