规则引擎 + AI 语义引擎
两类问题需要两种能力，单一技术路线都难以覆盖完整的质控需求。
规则引擎
解决确定性问题
- 字段缺失、性别与器官矛盾
- 分级结论与描述冲突
- 危急值遗漏、文字错漏
特点：确定性强、响应快（秒级）、结果可解释、完全离线运行。
AI 语义引擎
解决语义层面问题
- 报告前后描述自相矛盾
- 结论与影像所见不匹配
- 表述不规范等逻辑瑕疵
特点：覆盖规则难以穷举的盲区，输出经裁判员二次校验后呈现。
规则体系
按科室划分独立规则库，各自维护、互不干扰，可根据医院实际业务选择启用。
基础信息完整性
核对患者标识、性别、年龄、检查设备、检查项目、报告医师等关键字段是否齐全，避免信息不全的报告进入流转。
性别与器官一致性
内置男性与女性禁用器官词表，自动核对描述中的器官与患者性别是否匹配。这是人工最易疏漏、后果却最严重的一类问题。
分级一致性
针对采用标准化分级系统的检查，核对是否给出明确分级，以及分级与影像所见描述是否自相矛盾。
文本质量检查
内置常见错别字与不规范表述映射表，自动识别文字错漏并给出修改建议。词表可按院方习惯持续扩充。
危急值检查
支持固定关键词匹配与数值阈值两种判定方式，帮助识别需要立即临床干预的征象。
图像质量检查
对检查图像的质量与符合性进行检查，支持 DICOM 与常见图片格式的标准化处理。
三科室规则库配置
| 检查项 | 放射科 | 超声科 | 内镜科 |
|---|---|---|---|
| 基础信息完整性 | ● | ● | ● |
| 性别器官词表（男 / 女） | 13 / 8 条 | 13 / 8 条 | 8 / 5 条 |
| 分级一致性检查 | ● | ● | — |
| 文本错别字映射 | 20 条 | 20 条 | 18 条 |
| 危急值词条 | 9 条 | 16 条 | 12 条 |
| 图像质量检查 | ● | ● | — |
● 已启用 — 该科室不涉及或暂未启用。规则库版本 v1.0.7
大模型语义质控与多重把关
医疗场景对准确性的要求远高于通用场景，模型的「幻觉」可能带来误导。因此 AI 输出不会直接呈现给医生，而是经过多重把关。
- 裁判员复核：AI 给出的问题由裁判员环节二次校验，过滤缺乏依据的判断
- 置信度阈值：低于阈值的判断不予采纳，阈值可按科室需要调整
- 误报豁免：内置豁免词表，排除容易误判的表述模式
- 白名单机制：经确认无需检查的场景可加入白名单，避免重复打扰
- 温度参数锁定为 0：确保同一份报告多次质控结论一致，结果可复现
多后端兼容，模型可替换
AI 引擎采用 OpenAI 兼容接口协议，可对接多种本地推理后端，医院根据算力条件与预算灵活选择，不被单一厂商绑定。
| 后端 | 适用场景 |
|---|---|
| LM Studio | 图形界面操作，试点验证与中小规模部署 |
| Ollama | 命令行管理，轻量易维护 |
| vLLM | 高吞吐，适合报告量大的医院 |
图像智能抽样
一次检查可能包含数十至数百张图像，全部送入模型既无必要也不经济。系统针对放射检查内置「黄金 9 张」抽样策略，自动挑选最具代表性的关键层面进行分析，在控制算力消耗的同时保证判断质量。
不打断医生的工作流程
质控在后台进行，医生的书写与保存操作不会因质控而等待。
PACS 推送报告
医生保存或提交报告时，PACS 自动向本机客户端推送报告数据。
立即响应
客户端收到后立即返回，不等待质控结果，书写界面零卡顿。
服务端质控
后台完成规则检查；启用 AI 时并行语义质控并经过裁判员复核。
结果落库
质控结果与错误明细存入数据库，供统计与追溯使用。
右下角弹窗
有问题时以小窗口形式出现在屏幕右下角，不抢占焦点。
医生反馈
可「忽略」误报并填原因，或「漏报」上报系统未发现的问题。
闭环回写
忽略与漏报结果回写服务端，成为规则与模型持续优化的依据。
统计呈现
科室质量数据在大屏呈现，支持按医生、设备、部位下钻分析。
分级过滤，减少打扰
系统按严重程度对问题分级，工作站可设置只弹窗显示某一级别以上的问题。
| 提示级别 | 过滤效果 |
|---|---|
| 提示 | 全部错误都弹窗（默认） |
| 警告 | 屏蔽提示级，警告及以上弹窗 |
| 严重 | 屏蔽提示与警告，严重及以上弹窗 |
| 致命 | 仅致命级错误弹窗 |
被过滤掉的问题仍完整记录在服务端的统计数据中，不影响科室质量分析。
三种质控模式
| 模式 | 检查对象 | 适用场景 |
|---|---|---|
| report | 仅报告文字 | 默认模式，不依赖图像，接入成本最低 |
| image | 仅图像 | 图像数据完备，重点把控摄片质量 |
| hybrid | 报告 + 图像 | 覆盖面最广，适用于质控要求严格的科室 |
模式可按工作站单独设置，同一科室的不同岗位可采用不同策略。
统计大屏：让质量看得见
质控如果只停留在「发现问题」，价值有限。真正的改进需要回答：哪类错误最高发？哪位医师在哪类问题上需要加强？质量是在改善还是恶化？
- 核心指标：报告总量、初写/终审差错数与差错率、通过率、平均修改次数
- 错误类型分布：按信息错误、结论与描述不符、脏器缺失、部位方位错误、单位数据错误、分级未分类、器官错误、文本错误八大类统计
- 检查部位分布：自动归并为头部、颈部、脊柱、胸部、腹部、盆腔、上肢、下肢、全身血管等类别
- 多维下钻：支持按设备类型、严重程度、时间趋势、报告医师逐层下钻
- 报告明细：按检查聚合展示全部报告版本，含所见、结论、建议原文与对应错误
示意：实际数据由系统实时统计生成
部署方式
服务端集中计算，客户端轻量化接入，全部数据留存在院内。
服务端
Python 3.12 + FastAPI，部署于院内服务器
- Windows：双击 start.bat 一键部署，自动完成环境检查与依赖安装
- Linux：执行三条命令完成安装，可配置为系统服务实现自启
- 无外网环境：支持离线依赖包部署，全程不访问外网
- 全部参数集中在单一配置文件，无需修改代码
客户端
单个可执行文件，双击即用
- 无需安装程序、无需管理员权限、无注册表写入
- 兼容 Windows 7 SP1 及以上，支持医院存量老旧终端
- 图形界面配置，可配置一台后导出批量下发
- 内置单实例保护，重复双击不会启动多个进程