想象你走进机场航站楼。第一道关卡是快速体温检测门——你迈步走过，红外镜头已经完成扫描，体温正常便直接通行，异常则触发警报。第二道关卡是行李安检机——你的背包在传送带上缓缓滑过，屏幕上的智能识别系统用红圈标出可疑物体。第三道关卡是开箱查验台——安检员打开背包，对照红圈位置，仔细甄别那些“可疑物体”到底是什么，最终决定放行还是扣留。 医学影像 AI 产品的形态，与这套流程惊人地同构。影像科医生每天要面对海量 CT 和 X 光片，就像安检员需要盯着无数行李一样，容易疲劳、容易遗漏。于是，AI 被设计成三种产品形态，分别承担“快速分流”“病灶检测”“智能诊断”的职责：CADt 像快速门，在影像进入医生视野之前先做初筛；CADe 像安检机的红圈，在影像上标出可疑病灶；CADx 像开箱查验的安检员，对病灶给出定性判断。 这三者构成了从“粗筛”到“精查”的完整智能阅片流水线。理解 CADt、CADe、CADx 的分类，你就拿到了解读影像 AI 产品版图的第一把钥匙。

岗位关联

对 AI 从业者而言，掌握这三类产品形态的差异与协同，是进入医学影像 AI 领域的基础功——无论做算法、做产品还是做注册，你都需要知道自己的系统在临床流程中扮演的是哪一道“关卡”。

目录
  1. 可视化演示
  2. 形态总览：三道关卡各司其职
  3. CADt 分流：安检门的快速一瞥
  4. CADe 检测：屏幕上的红圈
  5. CADx 诊断：开箱查验台
  6. 协同互补：三道关卡的接力
  7. 监管路径：分级校准标准
  8. 临床价值：让旅客安心登机
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

对比CADt分诊、CADe检测、CADx诊断三类影像AI产品的核心功能与协同流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

三类CAD产品对比 CADt:病例分诊排序 CADe:病灶检测标注 CADt→CADe→CADx 三类协同

形态总览：三道关卡各司其职

在机场，旅客从候机大厅到登机口，要经过三道截然不同的安检关卡。第一道是快速检测门，人走过去的瞬间，扫描已经完成；第二道是行李安检机，背包在传送带上滑过，屏幕自动用红圈标出可疑物体；第三道是开箱查验台，安检员对照红圈位置，逐一确认那些“可疑物体”到底是什么。

医学影像 AI 产品的形态，与这道安检流程惊人地相似。今天的影像科医生就像站在屏幕前的安检员，每天要面对海量 CT、X 光片，如果每一张都需要逐像素仔细审视，再敏锐的眼睛也会疲劳。于是，AI 产品被划分成三种形态，各司其职。

在医学影像 AI 领域，这三种形态分别叫 CADt（计算机辅助分流）、CADe（计算机辅助检测）、CADx（计算机辅助诊断）。CADt 负责对海量影像做快速初筛，标记出“可能需要优先处理”的病例；CADe 负责在一张影像中搜索可疑病灶，并画出边界框；CADx 负责对可疑病灶进行定性判断，给出良恶性概率。三者串起来，就构成了一条从“粗筛”到“精查”的完整智能阅片流水线。

就像三道安检关卡各有各的设备和标准，CADt、CADe、CADx 也各自解决阅片流程中的不同问题。理解它们的分工，是理解整个影像 AI 产品版图的起点。

x→CADtyt→CADe{bi}→CADxPx \xrightarrow{\text{CADt}} y_t \xrightarrow{\text{CADe}} \{b_i\} \xrightarrow{\text{CADx}} P
这个链式表达式描述了影像从进入系统到输出诊断的路径：先分诊，再定位，最后定性。
  1. x 输入影像x 表示一幅医学影像，比如一张胸部 X 光片或 CT 切片，它是流程的起点。
    xx
  2. CADt 分流函数CADt 模型将影像 x 映射为分流标签 y_t，y_t 取 0 或 1，决定影像进入常规队列还是加急队列。
    yt∈{0,1}y_t \in \{0, 1\}
  3. CADe 检测函数CADe 模型输出候选边界框集合 {b_i}，每个 b_i 对应一个可疑病灶的位置。
    {bi}i=1N\{b_i\}_{i=1}^{N}
  4. CADx 诊断函数CADx 模型对病灶区域输出恶性概率 P，数值越接近 1，恶性风险越高。
    P∈[0,1]P \in [0, 1]

CADt 分流：安检门的快速一瞥

机场的快速检测门是一种“一票否决式”的装置。它只看你有没有异常信号，而不管你的行李里装着什么。正常，通行无阻；异常，立刻触发警报。CADt 做的事情，本质上就是这道快速门。

CADt 全称是 Computer-Aided Triage，计算机辅助分流。它的输入是一整幅医学影像，输出是一个简单而关键的结论：这张影像大概率是“正常”还是“异常”。在技术上，CADt 背后通常是一个二分类卷积神经网络，输入影像后经过多层卷积池化，最后由全连接层输出一个异常评分。

如果评分超过阈值，就标记为阳性，系统会把它排到阅片队列的最前方；低于阈值则标记为阴性，放到常规队列慢慢看。在实际产品中，“加急”往往体现为工作列表中的排序标记和提醒图标，让医生在打开影像之前就知道这张片子可能存在风险。

快速门不会告诉你具体哪里出了问题，它只负责在人群中“捞出”需要进一步检查的人。CADt 的产品价值也正在于此——把有限的医生精力，优先投放给最可能需要紧急处理的病例。

CADt(x)={1,S(x)≥θt0,S(x)<θt\text{CADt}(x) = \begin{cases} 1, & S(x) \ge \theta_t \\ 0, & S(x) < \theta_t \end{cases}
该公式描述 CADt 的决策规则：根据异常评分 S(x) 是否达到分流阈值 θ_t，输出阳性（1）或阴性（0）。
  1. S(x) 异常评分S(x) 是模型给影像 x 打出的异常置信度，范围 0-1。数值越高，代表模型越确信影像中存在异常。
    S(x)∈[0,1]S(x) \in [0, 1]
  2. θ_t 分流阈值θ_t 是一个可调的临界值，用于平衡检出率与误报率。阈值越低，阳性越多，但假阳性也越多。
    θt:权衡阈值\theta_t: \text{权衡阈值}
  3. 判定为阳性当评分大于等于阈值，输出 1，影像被标记为阳性，进入加急阅片队列。
    S(x)≥θt⇒1S(x) \ge \theta_t \Rightarrow 1
  4. 判定为阴性当评分小于阈值，输出 0，影像被判定为大概率正常，进入常规队列。
    S(x)<θt⇒0S(x) < \theta_t \Rightarrow 0

CADe 检测：屏幕上的红圈

过安检机时，传送带上的背包在 X 光图像中变成半透明的轮廓。识别系统一旦发现可疑物品，会在屏幕上用红色圆圈把它标出来，提醒安检员重点查看。CADe 的角色，就是图像中的“红圈”。

CADe 全称是 Computer-Aided Detection，计算机辅助检测。与 CADt 只看整张影像不同，CADe 的输入虽然是整幅影像，但输出是多个可疑病灶的边界框和置信度，本质上是一个目标检测任务。

从技术路径看，CADe 产品常采用目标检测模型，比如 Faster R-CNN、YOLO 或基于 Transformer 的检测网络。模型在影像中产生大量候选框，再通过非极大值抑制（NMS）合并重叠框，输出若干排名靠前的检测框。每个框绑着一个置信度分数，分数越高，代表该区域为真实病灶的可能性越大。比如在肺结节检测中，一个 CADe 系统可能在一张 CT 切片上标出 3 个候选结节，分别给出 0.92、0.78、0.64 的分数，医生拿到这些框，可以迅速集中注意力，不再需要逐窗逐层地“人肉搜索”。

安检机上的红圈是“疑似”的标记，不是最终结论。CADe 也一样——它只负责把可疑区域圈出来，提醒医生“这里值得多看一眼”，至于这个病灶到底是良性还是恶性，那是下一道关卡的工作。

CADe(x)={(bi,si)}i=1N\text{CADe}(x) = \{(b_i, s_i)\}_{i=1}^{N}
该公式表示 CADe 的输出是一组“边界框-置信度”配对的集合，用 N 表示检测到的候选病灶个数。
  1. b_i 候选框坐标b_i 是第 i 个候选病灶的边界框，记录了框的四个坐标值，用于定位病灶位置。
    bi=(xmin⁡,ymin⁡,xmax⁡,ymax⁡)b_i = (x_{\min}, y_{\min}, x_{\max}, y_{\max})
  2. s_i 置信度分数s_i 是与 b_i 对应的置信度分数，范围 0-1，衡量该框内是真实病灶的概率。
    si∈[0,1]s_i \in [0, 1]
  3. N 候选框数量N 是模型最终保留的候选框个数，通常远小于初始提案的数量。
    N:最终候选数N: \text{最终候选数}
  4. 集合符号（花括号）花括号表示输出是多元素的集合，医生可以在界面上逐个查看这些框。
    {(bi,si)}i=1N\{(b_i, s_i)\}_{i=1}^{N}

CADx 诊断：开箱查验台

安检流程走到最后一步，安检员会把背包拿到查验台，打开拉链，取出那个被红圈标出的物体，仔细端详、触摸，甚至用试纸测试，最终给出结论：这是液体还是爆炸物？是正常物品还是违禁品？CADx 的职责，就是这道“开箱鉴定”。

CADx 全称是 Computer-Aided Diagnosis，计算机辅助诊断。它的输入通常不是整幅影像，而是 CADe 圈出的病灶区域（在实际产品中也可以是整幅影像），输出是该病灶为恶性（或特定病变）的概率，属于图像分类任务。

从技术视角看，CADx 通常用分类网络（如 ResNet、EfficientNet）接收病灶区域，提取深度特征，再用 softmax 输出良性/恶性（或更多类别）的概率分布。有些产品还会输出一个“风险评分”而非严格的概率。CADx 的输出意义重大：它直接参与医生的诊断决策。如果 CADx 给出 95% 的恶性概率，医生往往会安排进一步的活检或增强扫描；如果概率只有 15%，则更倾向于定期随访。

开箱鉴定的结论直接决定行李能否放行，CADx 的结论也直接影响患者的下一步安排。它站在整个流程的终点，用最精细的方式回答那个最核心的问题——这个病灶，到底是什么？

CADx(b)=P(malignant∣b,x)\text{CADx}(b) = P(\text{malignant} \mid b, x)
该公式表示：给定病灶区域 b 和原影像上下文 x，模型估计该病灶为恶性的条件概率。
  1. b 病灶区域b 是可疑病灶区域，可以是 CADe 输出的边界框，也可以是医生手动框选的区域。
    b:病灶区域b: \text{病灶区域}
  2. 条件概率符号P(·|b, x) 表示在已知 b 和 x 的条件下，某事件发生的概率。
    P(⋅∣b,x)P(\cdot \mid b, x)
  3. malignant 恶性事件括号内的 malignant 指“该病灶为恶性”这个事件，因此该式输出的是恶性概率。
    malignant:恶性事件\text{malignant}: \text{恶性事件}
  4. 概率输出范围结果在 0-1 之间，越接近 1，模型认为恶性的可能性越高。
    P∈[0,1]P \in [0, 1]

协同互补：三道关卡的接力

在机场，三道关卡从不各自为战。快速门报警后，行李会优先被送往安检机；安检机标出红圈，旅客会被引导到开箱查验台；查验台最终确认后，才能决定是否放行。每一次“接力”都是一次信息的前移，让后续环节能够更高效地聚焦。影像 AI 产品也是一样。

CADt、CADe、CADx 虽然形态不同，但在临床场景中它们经常以“流水线”的形式协同工作。一个完整的 AI 辅助阅片系统，常常同时包含三种能力，或者由多个单点产品在接口上衔接。

在技术实现上，早期产品是“三模型串联”：CADt 先筛出阳性影像，再送入 CADe 检测网络找出病灶，最后 CADx 对每个病灶进行诊断。近两年的趋势是“多任务融合”——用一个共享的骨干网络同时输出分流标签、检测框和诊断概率，比如把三个分支接在同一个特征金字塔后面。这种结构共享了底层特征，减少了重复计算，还能把三个任务的损失联合反向传播，让共享特征同时受益于三个监督信号。

三道关卡各司其职、信息接力，才构成了旅客从入口到登机口的安全闭环。AI 辅助阅片的未来形态，也一定不是孤立的产品，而是多任务协同、环环相扣的“智能安检流水线”。

L=Ltriage+λ1Ldetect+λ2Ldiagnose\mathcal{L} = \mathcal{L}_{\text{triage}} + \lambda_1 \mathcal{L}_{\text{detect}} + \lambda_2 \mathcal{L}_{\text{diagnose}}
该公式展示了多任务联合优化的思想：三个任务的损失加权求和，共同驱动模型参数更新。
  1. L_triage 分流损失负责监督 CADt 分支，让共享特征学习到“什么影像需要加急”。
    Ltriage\mathcal{L}_{\text{triage}}
  2. L_detect 检测损失负责监督 CADe 分支，让共享特征学习到“病灶在哪里”。
    Ldetect\mathcal{L}_{\text{detect}}
  3. L_diagnose 诊断损失负责监督 CADx 分支，让共享特征学习到“病灶是什么定性”。
    Ldiagnose\mathcal{L}_{\text{diagnose}}
  4. λ 权重系数λ1 和 λ2 用于平衡三个任务的贡献，一般通过验证集调参确定。
    λ1,λ2:任务权重\lambda_1, \lambda_2: \text{任务权重}

监管路径：分级校准标准

机场的快速门、安检机、查验台，虽然都在同一套安检体系里，但它们的校准标准完全不一样。快速门每周做一次简单校准就行；安检机对漏检的容忍度极低，每天开检前都要用测试块校准；查验台更是在双人复核的高标准下运行。医疗 AI 产品的监管思路，也是如此分级。

在中国 NMPA 以及美国 FDA 的框架下，CAD 产品按照对患者和诊断决策的影响程度，被赋予不同的风险等级，走不同的审批通道。CADt 更多扮演“分诊提示”角色，风险相对较低；CADe 主要承担“检测标记”，漏检严重后果不言而喻；CADx 直接输出诊断建议，是三类产品中风险最高、临床证据要求最严格的。

从验证指标看，CADe 和 CADt 的监管重点在“灵敏度”——你是否有能力把真正异常的病灶找出来。灵敏度定义为真阳性数除以真阳性与假阴性之和。FDA 在批准肺结节检测产品时，通常要求提供大规模回顾性多中心数据，报告不同结节大小、不同征象下的灵敏度分层。而 CADx 除了灵敏度之外，还强调特异度和临床试验的稳健性，部分产品甚至被要求开展前瞻性临床试验来支持上市。

安检机漏掉一个小物件和漏掉一瓶易燃液体，后果完全不同，所以它们的校准标准也不同。CAD 产品也是一样——影响的决策越重要，监管就会要求越高的检测底线。

Sensitivity=TPTP+FN\text{Sensitivity} = \frac{\text{TP}}{\text{TP} + \text{FN}}
灵敏度衡量的是“真病灶被找出来的比例”，是筛查类产品最重要的监管指标。
  1. TP 真阳性数TP 指模型检出且经医生或病理确认的真实病灶数量。
    TP:真阳性数\text{TP}: \text{真阳性数}
  2. FN 假阴性数FN 指真实存在病灶但模型未能检出的数量，漏检的代价往往很高。
    FN:假阴性数\text{FN}: \text{假阴性数}
  3. 灵敏度含义该比值衡量模型检出真病灶的能力，比值越接近 1，说明漏检越少。
    Sensitivity→1:漏检越少\text{Sensitivity} \to 1: \text{漏检越少}

临床价值：让旅客安心登机

安检三道关卡之所以被设计出来，不是为了给旅客添麻烦，而是要让每一个登机的人都知道自己坐上了一架安全的飞机。CAD 产品形态的演进，同样是为了一个朴素的目标：让每个患者都能得到更及时的诊断。

在不同的临床场景里，三类产品展现出的价值各有侧重。基层医院影像科人手不足，CADt 的价值在于帮医生做优先级排序，避免危急病例在堆片中“淹没”；大规模肺癌早期筛查中，CADe 的价值在于不漏掉任何一个微小结节；三甲医院的高年资医生门诊，CADx 的价值在于给经验丰富的专家提供“第二意见”，巩固诊断时的信心。

落地效果往往用两个指标来衡量：灵敏度和阳性预测值。灵敏度衡量“能不能找到”，而阳性预测值（PPV）衡量“找到的是不是真的”。在大规模筛查场景中，如果 PPV 太低，意味着大量为了排除假阳性而产生的不必要召回检查，会挤占医疗资源。因此，优秀的产品会通过调整阈值和融合多模态信息，把 PPV 维持在一个合理的水平，让“每多花一分精力，都有对应的诊断回报”。

想象一下，如果安检机每 10 次报警中有 8 次是误报，旅客迟早会对报警声麻木。CAD 系统的 PPV 同样决定了医生是否信任它。只有当三类产品在效率和准确性之间找到平衡，影像 AI 才能真正从“炫技”走向“民心”。

PPV=TPTP+FP\text{PPV} = \frac{\text{TP}}{\text{TP} + \text{FP}}
PPV 表示 AI 标记的所有阳性结果中真实有病的比例，比率越高，医生对 AI 标记的信任度也越高。
  1. TP 真阳性数TP 指真实存在病灶且被正确检出的数量。
    TP:真阳性数\text{TP}: \text{真阳性数}
  2. FP 假阳性数FP 指被 AI 误标为阳性但实际正常的区域数量，会造成不必要的复查。
    FP:假阳性数\text{FP}: \text{假阳性数}
  3. PPV 含义PPV 越接近 1，说明 AI 每次“报警”都更有价值，医生的信任度也越高。
    PPV→1:误报越少\text{PPV} \to 1: \text{误报越少}

AI 应用场景

场景一：大规模肺癌低剂量 CT 筛查 —— CADt 优先分诊

阶段：影像筛查 / 分诊

解决的问题：传统方式下，基层医院每天要读几百张 CT 片，阳性病例混在阴性片中可能等待数天。CADt 自动把有高度疑似病灶的影像排到最前面，危急病例从“排队等 3 天”变成“30 分钟内被判读”，就像快速门把发热旅客优先拦下来一样。

具体案例：某县级医院引入肺结节 CT 分诊 AI，系统在影像上传后 10 秒内输出分诊标记，影像科医生工作列表上阳性片子统一置顶标红。三个月后统计，危急病例阅片等待时间中位数从 26 小时降至 1.2 小时。

场景二：三甲医院肺结节多学科门诊 —— CADe + CADx 双引擎

阶段：病灶检测 + 定性诊断

解决的问题：肺结节往往只有几毫米，肉眼容易漏诊；即便找到结节，也难以判断良恶性。CADe 负责在地图上标出每一颗“可疑沙粒”，CADx 在每颗沙粒上给出恶性概率，两者组合相当于安检机的红圈加查验台的鉴定。

具体案例：某三甲医院呼吸科使用一体化 AI 阅片系统，系统先自动标注全部肺结节（CADe），再对标注结节给出恶性概率排序（CADx）。医生在概率从高到低排列的结节列表中核对，最终活检确诊的病例中，前 10 个高概率结节命中 9 个。

场景三：基层医院眼底照片糖尿病筛查 —— CADx 辅助诊断

阶段：端到端辅助诊断

解决的问题：基层全科医生缺乏眼底阅片经验，但糖尿病视网膜病变的早期筛查需求巨大。CADx 直接给出“是否需要转诊”的判断概率，帮助全科医生做出转诊决策，就像查验台给了安检员一个明确的结论参考。

具体案例：某市卫健委在 12 个社区投放眼底 AI 筛查系统，患者拍摄眼底照片后，AI 实时给出轻度、中度、重度、增殖期等参考意见。半年内完成筛查 1.2 万人次，转诊准确率显著高于同期人工初筛。

Python 演示

python88 行
import numpy as np  class CADPipeline:    """模拟影像 AI 产品的三类形态: CADt -> CADe -> CADx"""     def __init__(self, n=60, seed=42):        rng = np.random.default_rng(seed)        self.n = n        self.images = []        self.labels = []        for _ in range(n):            img = rng.normal(0.5, 0.06, (64, 64))            if rng.random() < 0.4:                x0 = int(rng.integers(16, 48))                y0 = int(rng.integers(16, 48))                r = int(rng.integers(3, 6))                yy, xx = np.ogrid[:64, :64]                img += 0.5 * np.exp(-((xx - x0)**2 + (yy - y0)**2) / (2 * r**2))                self.labels.append(1)            else:                self.labels.append(0)            self.images.append(img)        self.triage_threshold = 0.55        self.detect_threshold = 0.55     def cadt(self, img):        """CADt 分诊: 用全图最大像素值作为异常评分"""        return 1 if img.max() >= self.triage_threshold else 0     def _find_peaks(self, img):        """寻找局部峰值坐标, 模拟候选框中心"""        peaks = []        for r in range(2, 62):            for c in range(2, 62):                if img[r, c] >= self.detect_threshold:                    win = img[r-2:r+3, c-2:c+3]                    if img[r, c] == win.max():                        peaks.append((c, r))        return peaks     def cade(self, img):        """CADe 检测: 返回去重后的边界框列表"""        peaks = self._find_peaks(img)        boxes = []        for (px, py) in peaks:            dup = False            for (bx, by, bw, bh) in boxes:                if abs(px - bx) < 6 and abs(py - by) < 6:                    dup = True                    break            if not dup:                boxes.append((px - 5, py - 5, 10, 10))        return boxes     def cadx(self, img, box):        """CADx 诊断: 用简单特征计算恶性概率"""        x0, y0, w, h = box        roi = img[y0:y0+h, x0:x0+w]        score = 1.2 * roi.max() + 0.5 * roi.mean() - 0.6        return 1.0 / (1.0 + np.exp(-score))     def run(self):        results = []        for i in range(self.n):            img = self.images[i]            t = self.cadt(img)            boxes = self.cade(img) if t else []            probs = [self.cadx(img, b) for b in boxes]            results.append((i, t, boxes, probs))        return results     def report(self, results):        tp = sum(1 for i, t, _, _ in results if self.labels[i] == 1 and t == 1)        fn = sum(1 for i, t, _, _ in results if self.labels[i] == 1 and t == 0)        fp = sum(1 for i, t, _, _ in results if self.labels[i] == 0 and t == 1)        tn = sum(1 for i, t, _, _ in results if self.labels[i] == 0 and t == 0)        print(f"TP={tp} FN={fn} FP={fp} TN={tn}")        if tp + fn > 0:            print(f"Sensitivity={tp / (tp + fn):.2f}")        if tp + fp > 0:            print(f"PPV={tp / (tp + fp):.2f}")  if __name__ == "__main__":    pipe = CADPipeline(n=80)    res = pipe.run()    pipe.report(res)
目的：用合成二维影像数据，演示从 CADt 分诊、CADe 检测到 CADx 诊断的完整流水线，并输出灵敏度与 PPV 指标。
  1. img += 0.5 * np.exp(-((xx - x0)**2 + (yy - y0)**2) / (2 * r**2))在影像上叠加高斯亮斑，模拟真实病灶。
  2. return 1 if img.max() >= self.triage_threshold else 0CADt 用全图最大亮度作为异常评分，实现快速分诊。
  3. if img[r, c] >= self.detect_thresholdCADe 扫描像素，筛出所有超过检测阈值的可疑位置。
  4. if img[r, c] == win.max()只保留局部最大值，避免同一病灶被重复计数。
  5. for (bx, by, bw, bh) in boxes遍历已有边界框，与候选位置做重叠判断。
  6. boxes.append((px - 5, py - 5, 10, 10))以峰值点为中心生成 10×10 的边界框。
  7. roi = img[y0:y0+h, x0:x0+w]截取边界框内的区域，作为 CADx 的输入。
  8. score = 1.2 * roi.max() + 0.5 * roi.mean() - 0.6用区域统计特征加权打分，模拟深度特征。
  9. return 1.0 / (1.0 + np.exp(-score))用 sigmoid 把分数映射为 0-1 的恶性概率。
  10. t = self.cadt(img)先分诊，只有阳性影像才进入后续检测流程。
  11. probs = [self.cadx(img, b) for b in boxes]对每个候选框逐一进行诊断，输出概率列表。

常见误区

误区“CADt、CADe、CADx 不都是 CAD 吗？不就是给医生看片子的 AI 工具，有啥区别？”许多初学者觉得 CAD 只是个笼统的“AI 读片”概念，并没有意识到三种形态的功能完全不同。

正解用安检流程理解就清晰了。CADt 是快速门的“筛”，它只回答“这个影像正常还是异常”；CADe 是安检机的“圈”，它在影像上标注病灶区域；CADx 是查验台的“判”，它对病灶下判断。三者介入的深度不同，核心任务、输出形式、临床价值都不一样，绝不能混为一谈。

为何常见：CAD 这个总称太有迷惑性，而且很多产品宣传直接把“AI 辅助诊断”当作统一卖点，没有刻意区分产品形态，导致用户以为所有 AI 读片系统都是同一回事。

误区“AI 说恶性概率 95%，那应该就是恶性肿瘤了吧？病理都不用做了。”有些初学者看到 CADx 输出的高概率，会把它当成最终诊断结果。

正解CADx 输出的概率只是模型基于影像特征的推断，并非病理金标准。它存在误判可能，比如炎性假瘤在影像上可能和恶性肿瘤高度相似。真正确诊需要穿刺活检的病理结果。临床中 CADx 的价值是“辅助决策”，而不是“替代确诊”。

为何常见：AI 的“概率”对非专业人士来说太像结论了，而且演示时的高准确率容易让人忽略误差存在。

误区“既然 AI 都检测过了，没给我圈出任何东西，那这张片子肯定安全了。”在阅片中，有些医生如果过度相信 CADe 的阴性结果，可能会减少自己的主动观察。

正解CADe 本质是“敏感度优先”的辅助工具，但任何检测算法的敏感度都做不到 100%。微小病灶、不典型征象、图像质量不佳等情况都可能漏检。临床共识是：CADe 的阴性结果不能作为排除依据，医生的最终阅片仍然不可替代。

为何常见：人天生倾向于信任工具给出的“确定性”结论，特别是 AI 在演示中表现优秀时，容易产生“它比我更仔细”的错觉。

误区“都是为了辅助医生，应该都走同样的注册审批流程吧？”很多产品经理会把三类 CAD 的注册路径混为一谈，认为都是“软件类医疗器械”就完了。

正解监管的逻辑是“决策风险决定审批力度”。CADt 只做分诊告警，风险等级通常最低；CADe 涉及病灶检出，漏检风险直接关联延误治疗，需要更多临床验证；CADx 直接输出诊断建议，通常需要最严格的临床试验数据。如果产品从 CADt 扩展到 CADx 功能，可能需要重新申请注册。

为何常见：大家在产品早期只关注“功能好不好用”，忽略了监管体系对不同决策深度的分类管理。

误区“CADt 不就是简单一点的检测吗？图像小、任务简单，跟 CADe 差不多。”这种看法混淆了两个不同的任务层级。

正解CADt 在“影像级”做分类——这张片子是否异常；CADe 在“像素级”做定位——病灶在哪个位置。CADt 的产品往往要处理海量影像、追求极致的吞吐量和时效性；CADe 则要精细定位，常常在后处理工作站上运行。一个比喻：CADt 是大门口的问询台，CADe 是楼内的巡逻保安，分工完全不同。

为何常见：因为它们都出现在“筛查”场景中，而且有些融合产品确实同时具备两种能力，学习者容易把它们视作同一功能的不同精度版本。

面试题

Q1. 医学影像 AI 中，CAD 全称的含义是？

单选题 · easy

  • A.计算机辅助检测与诊断← 正确答案
  • B.计算机辅助设计与制造
  • C.计算机辅助信息与数据
  • D.计算机自动决策与报告

答案：A。CAD 是 Computer-Aided Detection/Diagnosis 的缩写，即计算机辅助检测与诊断。其他选项是 CAD 在其他领域的含义或编造的干扰项，都不属于医学影像 AI 语境。

Q2. CADt 中的字母 "t" 代表什么？

单选题 · easy

  • A.检测（Testing）
  • B.分流（Triage）← 正确答案
  • C.治疗（Treatment）
  • D.跟踪（Tracking）

答案：B。CADt 的 "t" 来自 Triage，意为分流。它像机场快速门一样，对影像做快速初筛和优先级排序，而不是做检测或治疗。Testing、Treatment、Tracking 都是干扰项。

Q3. CADt 产品在影像诊断流程中的主要作用是？

单选题 · easy

  • A.精准判断病灶良恶性
  • B.快速筛查影像并排定优先级← 正确答案
  • C.自动生成影像检查报告
  • D.辅助医生完成手术规划

答案：B。CADt 的核心价值是快速分诊：先判断影像正常还是异常，再把异常影像排到阅片队列前端。判断良恶性是 CADx 的工作，生成报告和手术规划都不是 CADt 的职责。

Q4. CADe 产品的核心输出通常是什么？

单选题 · mid

  • A.一个良恶性判断结论
  • B.一组边界框与置信度分数← 正确答案
  • C.一份完整的病理分析报告
  • D.一套基因测序的数据结果

答案：B。CADe 是目标检测任务，输出是一组候选病灶的边界框（定位）和对应的置信度分数。良恶性判断属于 CADx，病理报告和基因测序与 CADe 无关。

Q5. 关于 CADx 与 CADe 的区别，下列说法最准确的是？

单选题 · mid

  • A.CADx 侧重检测，CADe 侧重诊断
  • B.CADx 侧重诊断，CADe 侧重检测← 正确答案
  • C.两者功能完全相同，叫法不同
  • D.CADx 用于 CT，CADe 用于 X 光

答案：B。CADe 负责在影像中标记可疑病灶位置，核心是“检测定位”；CADx 负责对已标记的病灶进行良恶性判断，核心是“定性诊断”。两者任务层级不同，CT 和 X 光也并非各自专属影像设备。

Q6. 在大规模肺结节筛查中，CADe 产品最应该优先关注哪个指标？

单选题 · hard

  • A.检测灵敏度严防漏检← 正确答案
  • B.推理速度快效率高
  • C.界面美观便于使用
  • D.假阳性率越低越好

答案：A。筛查场景中漏检的代价远高于误报：漏掉一个早期肺癌可能延误治疗窗口，所以检测灵敏度是 CADe 的生命线。推理速度和界面虽重要，但优先级低于灵敏度；假阳性率需要兼顾，但不能因此牺牲灵敏度。

Q7. 三类 CAD 产品的监管风险排序（由低到高）通常为？

单选题 · hard

  • A.CADx < CADe < CADt
  • B.CADt < CADe < CADx← 正确答案
  • C.CADe < CADt < CADx
  • D.三者风险完全相同

答案：B。监管遵循“决策风险越高、审批越严”的原则。CADt 只做分诊提示，风险最低；CADe 涉及病灶检出，漏检影响较大，风险居中；CADx 直接输出诊断建议，直接影响治疗方案，风险最高，通常需要最严格的临床验证。

Q8. 某产品仅对已采集的胸部 X 光片输出“疑似气胸”告警标签，不定位病灶也不判断严重程度，它最可能属于哪一类？

单选题 · extreme

  • A.CADt，因为它做的是分诊告警← 正确答案
  • B.CADe，因为它检测了气胸区域
  • C.CADx，因为它给出了疾病判断
  • D.无法归入任何 CAD 类别

答案：A。该产品只输出“疑似气胸”的告警标签，既没有边界框定位病灶，也没有判断严重程度，属于典型的“分流提示”功能，因此归为 CADt。若输出定位框则为 CADe，若给出气胸分型或严重度判断才偏向 CADx。

Q9. 下列哪些是 CADe 产品的典型特征？

多选题 · mid

  • A.输出病灶边界框和置信度← 正确答案
  • B.主要用于辅助医生防漏检← 正确答案
  • C.可以直接给出病理确诊结论
  • D.通常与目标检测算法密切相关← 正确答案

答案：ABD。CADe 作为目标检测任务，输出边界框和置信度，常基于 Faster R-CNN、YOLO 等检测算法，价值在于防漏检。但 CADe 不会输出病理确诊结论，确诊需要病理检查。

Q10. 在实际临床落地中，CADt、CADe、CADx 可能如何协同？

多选题 · hard

  • A.CADt 筛出阳性影像再送 CADe 检测← 正确答案
  • B.CADe 和 CADx 可以组合成一体化产品← 正确答案
  • C.CADx 的输出可以辅助医生诊断决策← 正确答案
  • D.CADt 可以直接替代 CADx 的定性功能

答案：ABC。三者的典型协同是“先分诊、再检测、后定性”：CADt 筛出阳性，CADe 定位病灶，CADx 给出概率辅助决策，CADe 与 CADx 也常融合为一体化产品。但 CADt 只做分诊，不具备定性诊断能力，无法替代 CADx。