发表机构
Centre Hospitalier de l'Université de Montréal (CHUM); Centre de recherche du CHUM (CRCHUM); Polytechnique Montréal; Montreal Heart Institute; Université de Montréal; Mila - Quebec AI Institute; University of Ottawa Heart Institute; Open Health Imaging Foundation; Radical Imaging; University of Alberta; Massachusetts General Hospital; Harvard Medical School; Yunu, Inc.（蒙特利尔大学医疗中心; 蒙特利尔大学医疗中心研究中心; 蒙特利尔理工学院; 蒙特利尔心脏研究所; 蒙特利尔大学; 米拉-魁北克人工智能研究所; 渥太华大学心脏研究所; 开放健康影像基金会; Radical影像公司; 阿尔伯塔大学; 麻省总医院; 哈佛医学院; 云语公司）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文总结了通过开放自托管平台PACS-AI在六家医院部署成像AI的经验，指出基础设施是关键制约，并强调发布模型就绪水平作为治理实践的重要性。
AI 中文摘要
我们描述了通过PACS-AI（一个开放的自托管平台）在六家医院部署成像AI的经验。制约因素并非模型准确性，而是用于路由检查、显示结果、捕获反馈和审计运行内容的基础设施。在一个中心，血管造影模型完成了607项任务中的515项（84.8%）；失败反映了缺乏诊断视图，而638条临床医生评分中78.1%为正面评价。为每个模型发布诚实的就绪水平本身便是一种治理实践。
英文摘要
We describe deploying imaging AI at six hospitals through PACS-AI, an open self-hosted platform. The binding constraint is not model accuracy but infrastructure to route studies, display results, capture feedback, and audit what runs. At one center, angiography models completed 515 of 607 jobs (84.8%); failures reflected absent diagnostic views, and 78.1% of 638 clinician ratings were positive. Publishing honest readiness levels for every model is itself a governance practice.
Comments28 pages (21 main text + 7 supplementary), 3 figures, 1 table
