利用 AI 代理智能优化放射科工作流程

许多医疗机构报告称，传统工作清单系统依赖僵化规则，忽视关键上下文、放射科医生专长、当前工作量、疲劳程度和病例复杂性。这造成了一个持续存在的挑战：放射科医生会挑选更简单、价值更高的病例，而回避复杂检查，从而导致诊断延迟并增加成本。一项覆盖 62 家医院、分析 220 万项检查的研究发现，低效的病例分配会使加急病例延迟 17.7 分钟，并在医院网络中造成 210 万至 420 万美元的成本。根本原因很明确：传统放射科工作清单系统依赖僵化的、基于规则的引擎，忽视了最重要的上下文——放射科医生专长、当前工作量、疲劳程度和病例复杂性。在本文中，我们将展示如何在 Ama 上使用 AI agents 构建放射科工作流程优化

放射科医生工作列表系统依赖确定性的、基于规则的引擎，根据预定义逻辑分派检查。静态的专科匹配会忽略情境，例如可接诊的放射科医生是否已连续数小时解读复杂病例，或者一次简单的随访扫描是否确实需要亚专科医生关注。工作量均衡会根据当前队列深度作出响应，而不是基于病例复杂性、预计解读时间或医生疲劳模式来预判需求。最关键的是，当确定性规则产生次优分配时，系统不会发生学习；相同的低效模式会反复出现，直到有人手动更新底层逻辑。在本文中，你可以了解如何：

• 通过构建智能工作列表系统减少诊断延迟
• 部署能够基于团队专长、工作量和疲劳情况进行推理的 AI 代理
• 实施可感知情境的病例分配，以减少诊断延迟

通过超越僵化的确定性规则，迈向真正理解我们亚专科领域的 Agentic AI，我们正在见证一场范式转变：放射科工作流程从简单的任务管理提升为真正的自主编排。合适的亚专科医生会在合适的时间与合适的病例无缝匹配，使放射科医生能够完全专注于卓越诊断，而不是在队列中周旋。Radiology Partners 认识到这是一项任务关键型工作流程能力，并正与 AWS 合作，采用 Agentic AI 实现智能工作流程优化。

Agentic AI 方法

AI 代理是一种自主软件组件，能够感知其环境、围绕目标进行推理，并采取行动来实现这些目标。在您的放射科工作流程优化中，由专业化 AI 代理组成的网络相互协作，从始至终编排复杂的临床工作流程。每个代理负责工作流程中的特定任务。代理跨专业协同，并进行适应性调整，以为患者和团队提供最佳结果。Bedrock AgentCore 上的 AI 代理会同时评估多个因素，例如放射科医生的专业方向、当前工作量、疲劳模式、病例复杂度、临床紧急程度和可用性，从而做出最佳病例分配。驱动这些代理的 AI 模型是可通过 Amazon Bedrock 获取的基础模型（FMs）。该系统会持续从历史模式中学习，并适应不断变化的条件，最大限度地减少那些

解决方案概述

本节将引导您了解通过智能优化检查优先级和放射科医师分配来加速放射影像工作流程的解决方案架构与实现。下图展示了智能工作列表编排器生成的检查分配输出示例。一项膝关节 MRI 检查进入影像归档与通信系统（PACS），需要进行分配。代理式工作列表优化系统会给出主要分配建议及其理由，如下所示。

该解决方案架构展示了以下各节中描述的组件。

1. 当技师采集到一项新的检查，并且该检查可在图像归档与通信系统（PACS）中供阅片时，工作流即被启动。由技师完成图像质量核验的一队列检查等待分配给最合适的可用放射科医生。分配过程作为异步工作流运行，其中检查与放射科医生的匹配会基于动态规则触发。该系统的目标是在正确的时间将正确的放射科医生分配给正确的检查。检查分配触发器通过调用 Intelligent worklist orchestration agent（2）启动 AgentCore Runtime 会话，该代理代表解决方案的大脑。编排代理负责协调多个专门的 AI 代理，使其并行执行各自的任务。对于常规工作流，编排器首先与两个代理协调，即 Exam Metadata Synthesize

工具请求会被路由到 AgentCore Runtime 内的 MCP Server，该服务器暴露了工作流所必需的多个后端工具。这些集成工具包括：通过 MCP server 访问 Clinical data API，以从电子健康记录（EHR）系统中获取患者记录和病史；访问 Rad calendar，以检索放射科医生排班信息。这些工具将使用现有的企业级 Imaging APIs，通过 OpenAPI 规范从 PACS 直接访问影像检查。

实施步骤

实施该解决方案需要以下步骤。完整代码请参见 GitHub 仓库。

1. 智能工作列表编排器代理采用 agent-as-tool 模式，并可访问四个作为子代理的 Strands 工具。编排器代理会确定哪个专门的“工具代理”最适合执行某个子任务。然后，它会像调用函数一样“调用”该代理。被调用后，子代理会接管该子任务。它使用自身的大语言模型（LLM）和提示词对问题进行推理，并多次调用自己的工具，随后将综合结果返回给编排器。该代理使用其内置的 MCP 客户端，通过 AgentCore Gateway 启动与正确工具的通信。这使该代理能够自主执行复杂任务，通过这些工具执行现实世界中的操作，例如根据放射科医生的专业匹配放射科医生、检索患者病史、提取检查元数据以及检查他们的班次。该代理使用以下 s
2. MCP 服务器使用 FastMCP 和无状态 HTTP 传输，公开使用 @mcp.tool() 装饰的工具，这些工具提供放射科医生搜索、影像检查元数据、患者临床数据和排班可用性。这些 MCP 工具由代理通过 AgentCore Gateway 访问，以检索相关数据。放射科日历 MCP 工具从医疗排班系统中查找放射科医生的班次和实时日程，供放射科医生可用性子代理使用。同样，临床数据 MCP 工具可以为患者病史综合代理查找患者的历史临床数据。
3. 创建了以下子代理。首先是放射科医生分配代理（rad_mapper），它根据机构、站点、疾病、亚专科、患者既往健康数据、临床记录及其他医学参数来匹配放射科医生，然后按优先级对其进行分类，并回答有关放射科医生详细信息的问题。第二个是患者病史综合代理（clinical_data_collector），它检索患者病史，并识别与放射科医生分配相关的历史信息。第三个是检查元数据综合代理（metadata_finder），它从当前医学影像检查中提取元数据，为放射科医生分配提供背景信息（解剖部位、记录、检查详情）。第四个是放射科医生可用性代理（shift_checker），它通过检查日程安排、c 来验证放射科医生的可用性，并从筛选后的名单中选择最佳可用放射科医生
4. 通过 AgentCore Gateway，代理可以访问 PACS /Imaging API 以查询检查元数据。AWS HealthImaging 提供云原生医学影像存储库，可存储 PB 级 DICOM 图像，并实现亚秒级检索速度。它为检查元数据综合代理提供对影像检查元数据的访问权限，包括患者病史、模态类型、检查的身体部位和紧急程度。
5. 该解决方案使用 Amazon SageMaker AI 对机器学习模型执行实时推理，以检测肺栓塞等急性、时间敏感型病症。这些模型分析存储在 AWS HealthImaging 中的医学影像，并检测需要立即重新确定检查优先级的关键发现。推理结果通过 PACS/Imaging API 返回给各个代理，例如检查优先级排序代理；该代理会根据临床紧急程度动态调整工作列表排序。
6. 在该解决方案中，AgentCore Observability 用于在查询流经智能工作列表编排器并分发到检查元数据、临床数据历史、Rad mapper、Rad shift checker 和动态规则代理时，跟踪完整的执行路径。每次代理调用都会作为带有独立跨度的跟踪被捕获，因此，当某个检查分配请求耗时超出预期时，它可以精确定位瓶颈是出在通过 MCP Gateway 进行的临床数据 API 调用、来自 AgentCore Memory 的缓慢记忆检索，还是 LLM 推理本身。此处显示的 Trajectory 视图可视化了单个工作列表查询的端到端跨度链，使调试诸如 Rad shift checker 代理无法检索日历数据或编排器路由到错误子代理等问题变得简单。这些跟踪会输入到 Amazon CloudWatch 控制面板中，用于跟踪每个代理的延迟、t

清理

用于设置和清理此解决方案的代码和说明可在 Intelligent radiology workflow optimization GitHub repo 中获取。

结论

在本文中，我们展示了如何将您的放射科工作清单管理从僵化的、基于规则的系统迁移到智能的、由智能体驱动的编排，从而为您的组织提供一条切实可行的路径，以减少运营低效并保护临床医生免于职业倦怠。我们所演示的结果表明，您的工作流程并不是通过增加更多规则来改进的，而是通过部署具备真正推理能力、情境判断能力和持续适应能力的系统来提升的。您可以进一步扩展此解决方案以提升其价值。通过分析检查量和复杂性模式，您的智能体可以在工作流程瓶颈演变为积压之前识别它们，从而实现主动的排班调整，例如在您的数据准确显示需求将在何时何地激增时，提前增派放射科医生。当您准备继续推进时，请首先确定您自身

立即联系您的 AWS 客户代表，讨论试点实施事宜。要了解更多信息，请与您的 AWS 客户团队沟通。

关于作者