為什麼放射科需要一套「共同語言」？
影像報告如果沒有標準化輸出，臨床端就很難得到明確的處置指引。RADS 系統就是為此而生——它把影像發現轉成統一的風險分級，讓後續決策有據可循。
舉個例子：乳房攝影看到一個結節，BI-RADS 2 表示「良性發現」，BI-RADS 5 則是「高度懷疑惡性，建議切片」。一個數字，臨床就知道下一步該怎麼做。
目前常用的 RADS 有十幾種：乳房的 BI-RADS、肝臟的 LI-RADS、前列腺的 PI-RADS……每一套都有自己的判斷邏輯。
但這些規則有多複雜？
以 LI-RADS 來說，判斷一顆肝臟腫瘤就像在玩一場「連續選擇題」：先看動脈期有沒有強化？有的話，洗出夠不夠快？有沒有包膜？門脈有沒有被侵犯？每一關的答案都會影響最終分類。光記住這張決策樹就夠累了，更別提每天幾十份報告等著處理。
如果 AI 能自動幫忙分類呢？
有團隊做了一個實驗：用 1,600 份模擬報告（由 AI 生成、再經放射科醫師審過），讓 41 個開源模型和 GPT-5.2 比賽，看誰能正確判讀 RADS 分類。
結果？最好的開源模型已經追到專有模型的 96%——但差距全集中在最難的那 20% 任務上。
測試資料從哪來？
要比 AI 的能力，先得有一套標準考題。研究團隊準備了 1,600 份模擬放射報告，涵蓋 10 種 RADS 系統。
為什麼用模擬的？因為真實報告有隱私問題，而且要請醫師一份一份讀、一份一份標正確答案，太花時間。模擬報告則可以控制每種情境的數量，測起來更全面。
怎麼確保「假報告」像真的？研究團隊用了三招：
- 用多個 AI 模型（GPT、Claude、Gemini）一起生成，避免風格太單一
- 模擬 5 種醫師的寫作習慣（從資深專家到住院醫師）
- 最後請真人放射科醫師審兩輪，確認內容合理、分類正確
當然，模擬再像也不是真的——這是這套測試的主要限制。
模型大小，真的有差嗎？
這次測試了 41 個開源模型，參數量從 0.27B 到 32B 不等。加上 OpenAI 的 GPT-5.2 當作比較基準。
整體成績單
準確率比較：
- GPT-5.2：81.1%
- 開源模型平均：61.1%
- 最佳開源（20-32B）：78%
「有效輸出率」是什麼？就是模型有沒有按照指令、好好回答一個 RADS 分類。小模型常常答非所問，或格式錯誤——這在臨床上等於沒用。
10B 是個分水嶺
把模型按大小分組，規律很明顯：
- ≤ 1B：27%（幾乎是亂猜）
- 1-10B：58%
- 10-30B：73-74%
- GPT-5.2：81%
跨過 10B 門檻後，準確率才開始逼近 GPT-5.2。
開啟「思考模式」有用嗎？
有些開源模型支援「Thinking mode」——讓 AI 先推理一輪再回答。
以開源模型來說：
- 開啟 Thinking：68.4%
- 不開：56.5%
差了 12%，效果明顯。
而 GPT-5.2 的 81.1% 準確率，也是在 Thinking 模式下測得的——所以「讓模型想一下再回答」這招，不管開源或專有模型都有效。
「指引式提示詞」也很重要
除了 Thinking 模式，怎麼下指令也影響結果。
研究團隊比較了兩種方式：
- 指引式提示詞（Guided prompting）：給 AI 詳細的系統指令，包含 RADS 規則、輸出格式限制
- 零樣本提示（Zero-shot）：只說「讀這份報告，輸出 RADS 分類」
結果：
- 指引式：78.5%
- 零樣本：69.6%
差了將近 9%。所以不只是模型大小，怎麼問也很關鍵。
哪些 RADS 最難判？
不是所有 RADS 都一樣難。研究團隊給每個系統打了「複雜度分數」，滿分 10 分。
複雜度排名：
- LI-RADS（肝臟 CT/MRI）：10 分 ← 最難
- PI-RADS（前列腺）：9 分
- O-RADS（卵巢 MRI）：8 分
- BI-RADS（乳房 MRI）：7 分
- Lung-RADS（肺）：4 分 ← 相對簡單
為什麼 LI-RADS 最難？
因為它像在玩「連續選擇題」：動脈期強化了嗎？洗出夠快嗎？有包膜嗎？每一關的答案都影響下一步。而且很多判斷帶有主觀性——「這算洗出嗎？」不同醫師可能有不同答案。
相比之下，Lung-RADS 主要依據結節大小和生長速度來分類，規則相對明確，判讀的主觀空間較小。
複雜度如何影響 AI 表現？
這裡差距最明顯：
高複雜度任務（LI-RADS、PI-RADS）：
- GPT-5.2：90%
- 開源模型：49.4%
低複雜度任務（Lung-RADS）：
- GPT-5.2：91%
- 開源模型：73.5%
簡單任務大家都還行，但一碰到複雜的，開源模型就掉隊了。
實務建議：怎麼選模型？
如果資源充足（硬體夠強、不在意 API 費用），直接用 GPT-5.2 或 32B 開源模型處理所有任務最省事。
但如果需要考慮成本、速度或本地部署限制，可以分級處理：
- 簡單任務（Lung-RADS、LI-RADS 超音波）→ 10B+ 開源模型就夠用
- 中等任務（BI-RADS、TI-RADS）→ 20-32B 開源 + 指引式提示詞
- 複雜任務（LI-RADS CT/MRI、PI-RADS）→ GPT-5.2，或混合管線（AI + 規則引擎）
結論：開源模型能用了嗎？
簡單說：可以，但要看情況。
值得期待的發展
- 20-32B 開源模型已經能達到 GPT-5.2 約 96% 的準確率
- 可以本地部署，不用擔心病患資料外洩
- 搭配 Thinking 模式 + 指引式提示詞（Guided prompting），效果更好
需要注意的限制
- 高複雜度任務（LI-RADS CT/MRI、PI-RADS）開源模型仍有明顯差距
- 小模型（<10B）格式錯誤率高，不適合直接用
- 模擬報告畢竟不是真實報告，實際表現可能有落差
如果你想在臨床試用
- 驗證輸出格式：確保 AI 真的回答了一個 RADS 分類，不是答非所問
- 人工複核：特別是高風險類別（如 LI-RADS 5），一定要有人看過
- 混合管線：論文建議可以讓 AI 先抽取特徵，再用規則引擎（rule engine）做最終判定，減少自由格式輸出的錯誤
論文資訊
原文標題：Multi-RADS Synthetic Radiology Report Dataset and Head-to-Head Benchmarking of 41 Open-Weight and Proprietary Language Models
來源：arXiv:2601.03232v1 [cs.CL] 6 Jan 2026
作者：Bose K, Kumar A, Soundararajan R, et al.
