MedScribe AI：开源AI代理如何生成放射科报告

MedScribe AI 项目主页

在放射科医生稀缺的地区，一份胸部X光报告的等待时间可能以天计算。巴基斯坦一个六人团队在48小时黑客松中构建的 MedScribe AI，试图用开源AI代理压缩这个流程——从上传影像到生成完整临床报告，只需几秒钟。

痛点：预测不等于报告

放射科报告流程慢、成本高、可及性差，在巴基斯坦等低资源地区尤为突出。当地放射科医生严重不足，大量常规胸片积压。

更关键的问题在于，多数诊断AI工具止步于给出一个原始预测标签（如"肺炎：阳性"），临床医生拿到这个结果后仍需自行撰写报告、判断优先级、与患者沟通。预测与可执行报告之间存在一道鸿沟，MedScribe AI 瞄准的正是这段空白。

三阶段流水线架构

MedScribe AI 将计算机视觉与生成式AI串联为一条完整的临床报告生产线，分为三个可独立替换的阶段。

阶段一：视觉模型识别病灶

底层使用在 Kaggle 儿科胸片数据集上训练的 ResNet18 模型，并借助 TorchXRayVision 这一开源医学影像基础模型。据项目方公布的数据，模型达到 90.5% 准确率、98.4% 精确率、93.2% F1分数。

模型还集成了 Grad-CAM 可解释性模块，能在X光片上高亮显示影响预测的具体区域。这一点对临床信任至关重要——医生看到的不是黑箱结论，而是有依据的病灶定位。

TorchXRayVision 是一个面向胸部X光片的开源深度学习库，汇集了多个大型公开数据集（如 NIH ChestX-ray14、CheXpert、MIMIC-CXR 等）上预训练的模型权重。它的价值在于：医学影像标注数据获取成本极高，普通团队难以从零训练可靠模型，而 TorchXRayVision 提供了可直接微调或推理的基线，显著降低开发门槛。它还统一了不同数据集的标签体系与预处理流程，使跨数据集迁移更为可行。

Grad-CAM（Gradient-weighted Class Activation Mapping）是一种可解释性技术，通过计算目标类别得分对卷积层特征图的梯度，生成一张热力图，高亮模型做出该预测时最关注的图像区域。在医疗场景中，Grad-CAM 让医生能够核对模型依据是否落在真实的病灶位置，而非伪影或无关结构，从而判断预测是否可信。它不改变模型本身，仅作为事后解释工具附加在已训练好的卷积网络上。

阶段二：四代理协作生成报告

这是整个系统最具"代理"特征的部分。基于 LangGraph 框架，四个AI代理按顺序协作：

代理	职责
Vision	运行CV模型，返回发现与置信度
Reasoning	LLM决定调用哪些工具（ReAct循环）
Reporting	生成结构化临床报告
Escalation	标记危急病例，触发即时关注

其中 Reasoning 代理采用 ReAct 循环，能够根据视觉发现动态决定后续工具调用，而非走固定规则。这种设计让系统在面对不同异常组合时具备一定的自适应能力。

LangGraph 是 LangChain 团队推出的代理编排框架，将多代理工作流建模为有向图：节点代表计算步骤或代理，边定义状态如何在节点间传递。相比线性的链式调用，图结构支持分支、循环和条件跳转，因此适合需要根据中间结果动态决定下一步的场景。MedScribe AI 中四个代理的串行协作、以及 Reasoning 代理的循环调用，都可以用图的节点与边直接表达，且每个代理可独立替换或调试。

ReAct（Reasoning + Acting）是一种让大语言模型交替进行推理与工具调用的范式。模型先输出一段思考，决定调用哪个工具及参数，观察工具返回结果后再继续推理，如此循环直至得出最终答案。相比预先写死的规则流程，ReAct 让系统能根据视觉模型返回的具体发现，动态选择下一步该查什么、该不该升级，从而对不同的异常组合具备一定自适应能力。

阶段三：双语交互界面

应用层基于 Streamlit 构建。用户上传胸片后，系统在数秒内返回完整报告，且同时提供两个版本：面向医生的专业临床报告，以及面向患者的通俗语言摘要。

值得关注的是双语输出——英语和乌尔都语。对于巴基斯坦本地患者而言，用母语理解自己的诊断结果，直接关系到医患沟通质量。报告还可导出为PDF，包含原始X光片与Grad-CAM热力图。

为什么坚持开源路线

MedScribe AI 的技术选型几乎全部落在开源生态上，这并非偶然。

推理层使用 openai/gpt-oss-120b 通过 Groq 运行，实现了快速且免费的推理。更重要的是，患者X光数据不会发送至任何专有服务器——对医疗场景而言，数据不出本地控制范围是隐私合规的硬性要求。

其余组件同样遵循开源原则：TorchXRayVision 提供医学影像预训练权重，LangGraph 提供可定制的代理编排框架，PyTorch + torchvision 保证训练可复现。正如项目团队所言："开源AI不只是技术选择——对服务不足地区的医疗来说，它是唯一能让经济账算得过来的选择。"

商业模式：诊所买得起吗？

项目方给出了明确的付费场景：

巴基斯坦及南亚地区无驻院放射科医生的私人诊所
需要自动化初步报告的远程医疗平台
处理大量常规胸片的医院连锁机构

定价逻辑也足够直白——诊所每月支付50美元用于AI初步分诊，远低于雇佣一位兼职放射科医生的成本。这个价差在低资源市场意味着真实的需求空间。

48小时黑客松产出与局限

MedScribe AI 由6名巴基斯坦成员在 Pak Angels Generative & Agentic AI Hackathon（Cohort 11）中48小时内完成。作为一个黑客松项目，其完成度值得肯定：从模型训练、代理编排到前端界面和PDF导出，覆盖了完整链路。

但也需正视其局限。项目使用的儿科胸片数据集规模有限，模型泛化能力尚未在成人影像或多中心数据上验证；临床报告的准确性和合规性也未经过真实医疗环境的系统评估。从黑客松演示到临床部署，中间还隔着监管审批、临床验证和责任界定等多重关卡。

不过，MedScribe AI 展示的思路——用开源代理框架把"预测"升级为"可执行报告"，并针对低资源场景做本地化适配——为医疗AI的落地提供了一条务实的参考路径。