许多医疗机构报告称，传统的工作列表系统依赖于僵化的规则，忽略了关键上下文，如放射科医生的专长、当前工作量、疲劳程度和病例复杂性。这导致放射科医生倾向于选择简单、高价值的病例，而避免复杂的研究，从而造成诊断延迟和成本增加。一项涉及62家医院、分析220万项研究的数据发现，低效的病例分配导致紧急病例延迟17.7分钟，整个医院网络损失210万至420万美元。
根本原因在于传统放射科工作列表系统使用基于规则的引擎，忽视上下文。本文展示如何利用Amazon Bedrock AgentCore和Strands Agents SDK构建基于AI代理的放射科工作流优化方案。该方案通过一个网络化的智能代理协同工作，实现从检查分配到读取的端到端自动化。
解决方案架构以编排代理为核心，当技术员完成检查并将其传至PACS系统后，编排代理启动会话，协调多个专门代理。检查元数据合成代理提取检查的模态、身体部位和紧急标志；患者历史合成代理收集相关临床背景和既往检查记录。基于这些信息，放射分配代理通过推理逻辑，综合考虑放射科医生的专长、实时可用性、当前工作量和疲劳模式，匹配最合适的医生。对于紧急病例，检查优先级代理使用AI成像模型（如用于肺栓塞检测的AANet）自动检测关键发现并提高优先级。
系统采用双重记忆机制：短期记忆保存单个会话的原始交互历史，确保在服务重启或重新分配时保持连续性；长期记忆通过语义记忆和情景记忆积累跨会话的知识，包括分配原因、决策因素和结果反思，从而不断优化未来的分配。此外，Amazon Bedrock Guardrails在入站和出站检查中过滤个人身份信息（PII），确保数据安全。
该系统通过动态规则代理应用业务逻辑，如服务级别协议（SLA）要求和升级策略，并利用放射科医生的反馈（接受、拒绝或跳过）进行自适应学习。情景记忆中的反思功能从失败的分配（如SLA违规或拒绝）中提取洞察，转化为战略性知识，帮助代理做出更明智的决策。最终，放射科医生只需专注于诊断，而无需手动导航队列，从而提高了效率、减少了延迟，并降低了成本。
该解决方案展示了AI代理在医疗工作流中的巨大潜力，通过上下文感知的智能分配，不仅提升了放射科医生的满意度，还改善了患者护理质量。随着更多医疗机构采用类似技术，放射学工作流将迎来从任务管理到自主编排的范式转变。