許多醫療機構報告稱，傳統的工作列表系統依賴於僵化的規則，忽略了關鍵上下文，如放射科醫生的專長、當前工作量、疲勞程度和病例複雜性。這導致放射科醫生傾向於選擇簡單、高價值的病例，而避免複雜的研究，從而造成診斷延遲和成本增加。一項涉及62家醫院、分析220萬項研究的數據發現，低效的病例分配導致緊急病例延遲17.7分鐘，整個醫院網絡損失210萬至420萬美元。
根本原因在於傳統放射科工作列表系統使用基於規則的引擎，忽視上下文。本文展示如何利用Amazon Bedrock AgentCore和Strands Agents SDK構建基於AI代理的放射科工作流優化方案。該方案通過一個網絡化的智能代理協同工作，實現從檢查分配到讀取的端到端自動化。
解決方案架構以編排代理為核心，當技術員完成檢查並將其傳至PACS系統後，編排代理啓動會話，協調多個專門代理。檢查元數據合成代理提取檢查的模態、身體部位和緊急標誌；患者歷史合成代理收集相關臨牀背景和既往檢查記錄。基於這些信息，放射分配代理通過推理邏輯，綜合考慮放射科醫生的專長、實時可用性、當前工作量和疲勞模式，匹配最合適的醫生。對於緊急病例，檢查優先級代理使用AI成像模型（如用於肺栓塞檢測的AANet）自動檢測關鍵發現並提高優先級。
系統採用雙重記憶機制：短期記憶保存單個會話的原始交互歷史，確保在服務重啓或重新分配時保持連續性；長期記憶通過語義記憶和情景記憶積累跨會話的知識，包括分配原因、決策因素和結果反思，從而不斷優化未來的分配。此外，Amazon Bedrock Guardrails在入站和出站檢查中過濾個人身份信息（PII），確保數據安全。
該系統通過動態規則代理應用業務邏輯，如服務級別協議（SLA）要求和升級策略，並利用放射科醫生的反饋（接受、拒絕或跳過）進行自適應學習。情景記憶中的反思功能從失敗的分配（如SLA違規或拒絕）中提取洞察，轉化為戰略性知識，幫助代理做出更明智的決策。最終，放射科醫生只需專注於診斷，而無需手動導航隊列，從而提高了效率、減少了延遲，並降低了成本。
該解決方案展示了AI代理在醫療工作流中的巨大潛力，通過上下文感知的智能分配，不僅提升了放射科醫生的滿意度，還改善了患者護理質量。隨着更多醫療機構採用類似技術，放射學工作流將迎來從任務管理到自主編排的範式轉變。