辅助诊断的复核流程是怎么走的？

AI 给出的辅助判断，必须经过一道人工复核才能落到结论上。复核流程要解决的不是「信不信机器」，而是三件事：哪些结果必须回看原始资料、由谁看、看完之后分歧怎么记录。把这三件事定下来，流程才算立得住。

先说清楚边界：本文只讨论流程设计，不构成医疗建议，实际判断请以专业人员的意见为准。

机器先看，人再签字

常见流程是双轨：系统先跑一遍，输出一个倾向性结论和若干条依据；复核者拿到的是「结论加依据」，而不是一个孤零零的分数。依据要能看到出处，比如哪一段影像、哪一项指标异常，否则复核就退化成盲签。

签字的含义要明确：签的是「我看过依据并认可」，不是「系统说的我负责」。责任边界写不清，流程就会在出问题时互相推。

分级：哪些必须回看原始资料

不是每个结果都值得花同样的时间。通常按风险高低分三档：高风险结果必须由资深人员回看全部原始资料；中风险结果由普通人员核对关键几项；低风险结果做抽样回看，比如抽取百分之五。

分档依据不能只看模型的置信度。还要叠加场景因素，比如同一结论用在初筛和用在最终判断，权重完全不同。置信度高但场景敏感的，照样进高风险管理。

复核时盯哪三样

第一看依据是否成立，系统引用的那几处异常是不是真的存在；第二看有没有被忽略的反向证据，机器容易只找支持自己的线索；第三看结论与依据的强度是否匹配，两条弱证据支撑一个强结论，就该退回。

三样里最容易被跳过的是第二样。复核者顺着系统的思路走，很容易只做确认而不做反驳。有的团队会要求复核者必须写一句「我不同意的可能理由」，强制换个视角。

分歧要留痕，不是签个名

复核结论与机器不一致时，要记录三样：分歧点在哪、依据是什么、最后由谁定。这些记录的价值不在应付检查，而在成为下一轮改进的原料。积累几十条分歧，往往能看出模型在哪些情形下系统性偏保守或偏激进。

Kimi、豆包这类助手可以用来把分歧记录归类成标签，帮团队快速看出集中问题，但归类结果仍要人过一遍。

复核节奏怎么排

复核不是一次性动作，要有节奏。上线初期提高回看比例，跑稳之后逐步下调；出现新场景、新设备、新人群时再临时收紧。节奏变化要写进制度，不能靠某个人凭感觉调。

另一个常被忽略的环节是复核者的状态管理。连续看几百条相似结果，注意力必然下降，所以排班要控制单次时长，并在中间插入需要主动判断的样本做校准。

节奏之外还要有抽查机制。谁复核了谁，本身也该被抽检，否则复核层会变成新的盲区。抽查比例不必高，但要随机，且结果纳入复盘，让每一层都知道自己会被看见。

复核流程五问

• 结论有没有附上可追溯的依据
• 风险分档是否叠加了场景因素
• 复核者是否被要求找反向证据
• 分歧是否记录了点位、理由和定责人
• 回看比例是否随阶段动态调整

五问里任何一问答不上来，流程就还停在形式层面。

延伸对照：筛查的假阳性处理讲误报怎么分流；数字孪生的数据接入是依据可追溯的前提；农业处方图同样要在图与实况之间做核对；实时反欺诈的毫秒级判断则展示了快慢两条路径怎么配合。

关于辅助诊断复核的三个常问问题

• 复核会不会拖慢整体效率？：会占时间，但只对高风险全量回看、低风险抽样，整体节拍通常仍能守住。
• 复核者和系统谁说了算？：以复核者为准，同时把分歧记录下来；长期看，分歧数据才是改进系统的依据，这里说的是记录，不是追责。
• 小机构没有专职复核人怎么办？：把高风险结果外送或集中到固定时段处理，别让同一人既出结果又签字。