乳腺筛查中的 人–AI 分歧治理

我的贡献贯穿整个项目，从研究综合、服务设计，到交互设计，再到一个可运行的前端原型。

NHS 乳腺筛查依赖独立双阅片：每一张乳腺 X 光片都由两位放射科医生评估，出现分歧时先进入仲裁，再做出最终的召回决定。

AI 如今正作为一个可能的第二阅片者进入这个工作流。但当 AI 与放射科医生得出不同结论时，工作流并没有清楚地定义这个分歧应当如何被识别、复核、记录、或从中学习。

Ready-ology 回应的正是这个缺口：为分歧的那一刻建立结构，同时不给本已高压的临床工作流增添多余的摩擦。

关于 AI 在乳腺筛查中的讨论，大多聚焦于模型有多准。我们更关心一件更贴近人的事：人与 AI 如何协作——尤其是在他们意见不合的时刻。

Ready-ology 与现有的放射科工作流并行——它不取代临床判断，而是为围绕判断的那些时刻建立结构。

这不是三个独立的界面——而是一条分歧旅程上的三个相连的干预：在分歧发生时识别并结构化它，在仲裁中一起复核证据与推理，事后再把最难的病例转化为学习与治理记录。

专家反馈验证了服务逻辑、临床用语和仲裁结构——包括几乎每次访谈都会重复的一条约束："保持简单，不要给放射科医生增加额外步骤。"第二轮可用性测试则检验了布局、信息层级、语气和认知负荷。

最大的转变是放弃了实体工具包。放射科医生本就在高认知压力下工作，于是这个服务变成了一层嵌入现有工作流的轻量数字层。

原型在 RCA 毕业展上展出，与观众——包括一位执业放射科医生——的交流，检验了这个提案在它所依据的研究之外能否立得住。

有一个反应格外突出：这个提案对真实临床实践来说仍然过于理想化。这是个中肯的批评——这个服务主要是通过研究、访谈和结构化反馈发展出来的，而不是在放射科医生日常的工作环境里共同设计出来的。下一个迭代需要和从业者在现场一起搭建，而不只是在事后加以验证。

贡献。难的从来不是界面本身——而是把一个研究发现转译为一个可运行的临床交互：决定什么信息在何时、为何出现，从而支持放射科医生的权威，而不是让它被 AI 悄悄取代。这意味着要设计一套信息层级，在高压时刻降低认知负担，同时又把分歧呈现得足够清楚、可据以行动——是对判断的支持，而不是替代。

反思。这个项目改变了我对"在专业实践中与 AI 一起做设计"的思考——不是朝着让 AI 显得更可信，而是朝着在有 AI 参与时，让放射科医生自己的判断更容易被看到、被记录。它也让我更清楚地看到这一年里一再遇到的一条边界：AI、医疗和治理中最难的问题，无法只靠设计来解决。设计在这里的角色，是创造让更好的判断与协作得以发生的条件——是支持，不是替代——并且，正如展览所清楚显示的，是和会使用它的人一起做设计，而不只是为他们做设计。