深度解析医学证据，lxfs.net为你支撑决策 人工智能（AI）在医学影像诊断领域已展现出媲美甚至超越临床医师的性能，但在临床落地中，人机协同的诊断表现常未达到 “1+1>2” 的协同效应，甚至不及独立人工或独立 AI 的水平。既往研究与监管政策多聚焦于 “过度依赖 AI” 的风险 —— 即使用者盲从错误 AI 建议导致的诊断偏差，却普遍忽视了 “依赖不足” 现象：使用者主动摒弃正确 AI 建议，同样会造成诊断失误。随着 AI 模型准确率持续提升，正确建议被漏用的潜在危害将愈发凸显。与此同时，可解释人工智能（XAI）被寄予破解 AI “黑箱” 困境、优化人机协作的厚望，但现有研究对其实际效用结论不一，且缺乏对两类依赖偏差的系统性对比。基于此，本研究旨在系统探究医学影像诊断中专家与新手对 AI 建议的依赖模式，明确过度依赖与依赖不足对诊断性能的影响差异，并验证可解释 AI 的调节作用。 本研究采用混合方法、随机交叉试验设计，共纳入 125 名受试者：50 名任务专家（放射科医师）与 75 名新手（非放射科医师及医学受训人员）。受试者按专业层级等比例随机分入 6 组，以不同顺