使用AI代理优化智能放射科工作流程

许多医疗机构报告称，传统工作列表系统依赖僵化的规则，忽视关键上下文信息，包括放射科医生的专业领域、当前工作负载、疲劳水平和病例复杂度。这导致了一个持续存在的挑战：放射科医生倾向于选择更容易、价值更高的病例，而回避复杂研究，从而引发诊断延误和成本增加。对62家医院进行的220万项研究分析表明，低效的病例分配导致加急病例平均延误17.7分钟，医院网络年度成本增加210万至420万美元。根本原因很简单：传统放射科工作列表系统依赖基于确定性规则的引擎，忽视了最重要的上下文因素——放射科医生的专业领域、当前工作量、疲劳状态和病例复杂度。本文将展示如何在Amazon Bedrock AgentCore和Strands Agents SDK上构建智能放射科工作流优化系统。

传统放射科工作列表系统使用确定性规则引擎，根据预定义逻辑路由研究。静态专业匹配忽略诸如可用放射科医生是否已连续数小时解读复杂病例，或简单随访扫描是否确实需要亚专科专家等情境。工作负载平衡仅响应当前队列深度，而非根据病例复杂度、预估解读时间或医生疲劳模式预测需求。最关键的是，当确定性规则产生次优分配时，系统不会自主学习，相同的低效模式会持续重复直到人工更新底层逻辑。通过本文，您将学习如何：

• 通过构建智能工作列表系统减少诊断延误
• 部署能推理团队专业领域、工作负载和疲劳的AI代理
• 实现情境感知的病例分配以缩短诊断延迟

通过从僵化的确定性规则转向真正理解亚专科的代理型AI，我们正在见证放射科工作流从简单的任务管理向完全自主编排的范式转变。合适的亚专科医生将无缝匹配到最合适的病例和最佳时间，使放射科医生能够专注于诊断卓越性而非排队管理。放射学合作伙伴（Radiology Partners）将这种能力视为关键工作流功能，并正与AWS合作采用代理型AI实现智能工作流优化。

代理型AI方法

AI代理是能够感知环境、推理目标并采取行动以实现目标的自主软件组件。在放射科工作流优化中，一组专业AI代理协作编排从头到尾的复杂临床工作流。每个代理负责工作流中的特定任务。代理跨专业协作并适应变化，以实现患者和团队的最佳结果。基于Bedrock AgentCore的AI代理同时评估多个因素，包括放射科医生的专业领域、当前工作量、疲劳模式、病例复杂度、临床紧急程度和可用性，从而做出最优病例分配。驱动代理的AI模型是通过Amazon Bedrock提供的基础模型（FMs）。该系统持续从历史模式中学习并适应变化条件，减少导致挑拣行为的激励结构。

解决方案概述

本节将带您了解加速放射影像工作流的解决方案架构和实现方法，该方案通过智能优化检查优先级和放射科医生分配。下图展示了智能工作列表编排器的示例分配输出。膝关节MRI研究进入影像存档与通信系统（PACS）后需要分配。代理型工作流优化系统会建议主要分配方案及理由如下。

解决方案架构展示了以下部分所述的组件。

1. 当技术人员通过医学影像归档与通信系统（PACS）获取新的待读取检查时，工作流启动。经过技术人员验证图像质量的检查队列等待分配给最合适的放射科医生。分配过程以异步工作流运行，检查与放射科医生的匹配基于动态规则触发。系统的目标是确保在最合适的时间将正确的检查分配给最合适的放射科医生。

1. 检查分配触发器通过调用智能检查列表编排代理（2）启动AgentCore Runtime会话，该代理是解决方案的核心。编排代理负责协调多个专用AI代理并行执行任务。对于常规流程，编排器首先与检查元数据合成代理和患者病史合成代理协作收集上下文信息。基于聚合数据，放射科医生分配代理通过推理逻辑匹配检查与最优放射科医生。对于紧急案例，分诊系统识别需要立即处理的危急发现。当AI算法检测到颅内出血等紧急情况时，会自动触发检查优先级调整，提示编排器向阅片放射科医生标记高优先级标识。这些代理托管在AgentCore Runtime，可通过AgentCore启动工具包、AgentCore SDK或直接使用AWS SDKs进行开发。

1. Amazon Bedrock Guardrails在工作流中应用了两个关键控制点。在入站端，它在查询到达工作列表编排器之前进行拦截，拒绝尝试从临床数据存储中提取患者个人身份信息（PII）的请求，例如姓名、社保号、地址等。在出站端，它扫描检查元数据、临床病史、放射科医生映射、检查优先级和动态规则等代理的响应，屏蔽在检索AgentCore记忆或临床数据API时可能泄露的PII。这样代理可在完整检查数据基础上进行精准优化，但仅向用户展示操作相关的关键信息（检查类型、模态、紧急程度、排程等）。主题限制进一步约束代理仅处理与工作列表优化相关的查询。

1. 检查元数据合成代理（3a）从传入研究中提取检查细节，包括模态、身体部位和紧急标识。同时，患者病史合成代理（3b）收集相关临床背景并检索既往检查记录，为优先级决策提供全面的患者信息支持。

1. 放射科医生分配代理（4）通过分析放射科医生档案、角色、专长、所属医院偏好、实时可用性及动态业务规则，优化每位检查的放射科医生分配。该代理通过匹配检查类型与放射科医生专长实现工作列表平衡，优先处理紧急检查以满足时效要求，并合理分配复杂与常规检查以避免疲劳。未来增强功能可支持根据检查来源医院及对应的服务水平协议（SLA）周转时间要求进行路由。

1. 放射科医生可用性子代理（4a）检查实时日程和当前工作负载分布以平衡分配。动态规则代理（4b）应用关键业务逻辑，包括服务级别协议要求、新型模态和检查类型，以及合规性升级策略。该代理还会利用技术人员的非结构化备注辅助匹配决策。

1. AgentCore Memory通过两种互补的记忆系统维护检查处理的上下文信息：

• 短期记忆存储单个会话内的原始交互以保持上下文连贯。它按事件序列记录完整对话历史，每个检查元数据条目和代理响应均独立保存。这种架构允许代理在服务重启或检查重新优先级触发时重建完整对话历史。当分配检查未满足服务级别协议（SLA）时，触发器通知编排器启动重新分配。系统从短期记忆上下文中检索检查元数据，并仅调用放射科医生可用性代理。类似地，若已分配放射科医生拒绝或跳过检查，系统将基于短期记忆上下文自动触发重新分配流程以加速处理。

• 长期记忆通过语义记忆策略在多个会话中实现持久的知识保留。系统会提取并存储关于检查分配的关键信息，包括检查申请MRN（医疗记录编号）、分配的放射科医生、检查类型及影像模态、患者临床病史、分配依据以及决策因素。这一持久化知识库完整记录了放射科医生的分配历史，帮助系统通过历史模式、医生专业领域和工作负载平衡等信息，学习过往决策并优化未来的检查分配。虽然语义记忆存储事实性内容，但AgentCore的情景记忆则捕捉经验层面的知识：尝试达成的目标、推理步骤、采取的行动（包括使用的工具及传递的上下文或参数）、产生的结果，以及对结果的反思。它不会存储每个原始事件，而是识别关键时刻（例如服务级别协议（SLA）违约或放射科医生拒绝分配任务），将这些事件浓缩为简洁的记录，并进行组织，以便系统能够检索关键信息，避免无关数据的干扰。通过识别模式、提炼见解并综合可操作的指导建议，反思将情景经验转化为战略知识，帮助智能体不断学习并逐步做出更加明智的决策。

1. Exam prioritization代理（5）将使用成像模型对检查进行分类，根据急性肺栓塞（CTPA图像中需要立即处理以优化临床结果的危急发现）等关键发现来提高检查的优先级。这种异步工作流通过AI成像模型（如Artery-aware network (AANet)进行肺动脉造影（CTPA）图像的肺栓塞检测）处理图像。当模型以高置信度检测到关键发现时，会自动触发检查优先级提升，以便放射科医生立即审查。

1. 检查分配给放射科医生后，他们可以通过用户友好的界面访问智能前端工作流管理应用，实现工作流优化。放射科医生可以接受、拒绝或跳过分配的任务并继续阅片。系统会自动学习医生的选择以持续改进。例如，通过分析反馈循环和情境判断的持续自适应学习，代理系统可实时优化病例分配，降低放射科医生的认知负荷。基于服务级别协议（SLA）违约、任务拒绝等情景记录构建的情景记忆策略，能分析过往事件以提炼洞察、模式和高层次结论。系统不仅记录发生了什么，还能理解某些事件为何重要以及如何影响未来行为。

1. 当代理需要外部数据完成任务时，会通过AgentCore网关的/mcp端点调用工具。该网关是整个架构的中心集成枢纽，负责处理模型上下文协议（MCP）路由以及系统通信的入站/出站身份验证。网关连接AgentCore Identity，该组件集成外部身份提供商以实现跨系统交互和数据交换的访问控制。

工具请求会被路由到AgentCore Runtime中的MCP服务器，该服务器暴露多个支持工作流的核心工具。集成的工具包括通过MCP服务器访问患者病历和医疗历史的Clinical data API（从电子健康记录[EHR]系统获取数据），以及检索放射科医生排班信息的Rad日历。这些工具将使用现有的企业影像API，通过OpenAPI规范直接从PACS系统访问影像研究。

实施步骤

要实现该方案需要以下步骤。完整代码请参考GitHub仓库。

1. 智能工作列表编排代理采用agent-as-tool模式，可访问四个Strands工具作为子代理。编排代理会确定最适合子任务的专用“工具代理”，然后像调用函数一样“调用”该代理。被调用的子代理接管子任务，利用自身的大型语言模型（LLM）和提示进行推理，多次调用自身工具后返回综合结果给编排代理。代理通过内置的MCP客户端通过AgentCore网关发起工具通信。这使代理能够自主执行复杂任务，例如根据专业匹配放射科医生、检索患者病史、提取检查元数据和检查排班信息。该代理使用以下系统提示：

MAIN_SYSTEM_PROMPT = ""

您是放射科医生分配编排代理，负责为新的医学影像研究识别并推荐最合适的放射科医生。

您会接收包含关联研究和患者数据的JSON对象的用户查询。

职责
主要职责包括：

将特定任务委托给专用子代理：rad_mapper、image_assessor、clinical_data_collector、metadata_finder和shift_checker。
收集相关历史患者数据并详细分析影像研究信息（尤其是元数据）
综合所有信息生成优先级排序的推荐放射科医生列表
协调所有系统组件的端到端工作流
确保所有推荐符合既定临床最佳实践

工具选择
始终根据查询性质和可用数据选择最合适的子代理或工具。

行为准则
您必须始终：

遵守HIPAA规定并保护患者隐私
严格遵循既定临床工作流
清晰透明地记录每个推荐的决策依据
与其他子代理有效协作以确保信息流畅
将患者安全作为所有推荐的首要考虑因素

2.   MCP服务器使用[FastMCP](https://pypi.org/project/fastmcp/)并通过无状态HTTP传输，公开了通过@mcp.tool()装饰器装饰的工具。这些工具提供了放射科医生搜索、影像研究元数据、患者临床数据和轮班可用性等功能。代理通过AgentCore网关访问这些MCP工具以获取相关数据。Rad日历MCP工具从医疗排班系统中获取放射科医生的轮班和实时日程，供可用性子代理使用。类似地，临床数据MCP工具为患者病史合成代理提供历史数据检索功能。  
3.   创建了以下子代理：  
    *   第一个是放射科医生分配代理（**_rad\_mapper**），根据机构、站点、疾病类型、亚专科、患者历史健康数据、临床记录及其他医疗参数匹配放射科医生，按优先级分类并回答医生详细信息查询。  
    *   第二个是患者病史合成代理（**_clinical\_data\_collector**），负责检索患者医疗历史并识别与放射科医生分配相关的病史信息。  
    *   第三个是检查元数据合成代理（**_metadata\_finder**），从当前医学影像研究中提取元数据（解剖部位、备注、检查细节）以提供放射科医生分配的上下文信息。  
    *   第四个是放射科医生可用性代理（**_shift\_checker**），通过验证日程、当前工作负载和例外情况，从经过筛选的列表中选择最佳可用放射科医生。该列表由临床数据收集器、元数据查找器和rad\_mapper子代理共同筛选。  

4.   通过AgentCore网关，代理可访问[PACS](https://www.intelerad.com/en/2022/01/24/what-is-pacs/)/影像API查询检查元数据。[AWS HealthImaging](https://aws.amazon.com/healthimaging/)提供了原生云医疗影像仓库，以亚秒级速度存储PB级[DICOM](https://www.dicomstandard.org/about)图像。它为检查元数据合成代理提供访问权限，包括患者历史、模态类型、检查部位和紧急程度等研究元数据。  
5.   该方案使用[Amazon SageMaker AI](https://aws.amazon.com/sagemaker/ai/)对机器学习模型进行实时推理，检测肺栓塞等急性、时效性病症。这些模型分析AWS HealthImaging中存储的医学影像，识别需要立即调整优先级的关键发现。推理结果通过PACS/影像API返回给检查优先级代理等，动态调整工作列表顺序以匹配临床紧急程度。  
6.   在此方案中，[AgentCore可观测性](https://docs.aws.amazon.com/bedrock-agentcore/latest/devguide/observability.html)用于追踪查询流经智能工作列表编排器并扩散到检查元数据、临床数据历史、Rad映射器、Rad班次检查器和动态规则代理时的完整执行路径。每个代理调用都被记录为带有独立跨度的追踪，当检查分配请求耗时过长时，可定位瓶颈是否出现在通过MCP网关的临床数据API调用、AgentCore内存检索延迟，或LLM推理本身。此处展示的轨迹视图可视化了单个工作列表查询的端到端跨度链，便于调试如Rad班次检查器无法获取日历数据或编排器路由到错误子代理等问题。这些追踪数据会汇总到Amazon CloudWatch仪表盘，监控各代理延迟、工具调用成功率、令牌消耗和内存读写模式，为运维团队提供优化代理性能和预防工作列表吞吐量下降的信号。  

**[![图3：追踪查询流经智能工作列表编排器并扩散到检查元数据、临床数据历史、Rad映射器、Rad班次检查器和动态规则代理时的完整执行路径。](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/05/05/imageAHI-4.png)](https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2026/05/05/imageAHI-4.png)**

## **清理步骤**

该方案的部署和清理代码及说明可在[GitHub](https://github.com/aws-samples/sample-agentic-radmapper)仓库的智能放射科工作流优化项目中获取。

## 结论

在本文中，我们展示了如何通过将放射科工作列表管理从僵化的基于规则的系统迁移至智能代理驱动的编排，为组织提供了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倦怠。我们分析的结果表明，工作流程的优化并非通过增加更多规则实现，而是通过部署具备真正推理能力、情境判断和持续适应能力的系统达成。您可以通过进一步扩展此解决方案来提升其价值。通过分析检查量和复杂性模式，代理能够提前识别可能演变为积压的工作流程瓶颈，从而主动调整排班，例如在数据预测需求激增前及时引入额外放射科医生，精准匹配时间和地点的需求峰值。

当您准备推进时，可以从自身环境中最具影响力的用例入手。在此基础上，与现有临床系统建立强大的集成模式，并采用分阶段方法，为解决方案提供所需的时间和数据，使其能够不断学习、优化和持续改进。

立即行动，联系您的 AWS 账户代表讨论试点实施方案。如需了解更多，与您的 AWS 账户团队联系。

• * *

About the authors