医学 AI 的证据日益分散于论文、补充材料、代码仓库、数据集页面、竞赛网站、模型卡片与指标表中，使模型与数据集难以被一致地发现、比较、复现与评估。本讲座介绍 AI 数据集、模型与项目的放射学本体（ROADMAP）与放射学会北美分会（RSNA）的人工智能系统注释库（ATLAS），二者构成互补的基础设施，可把碎片化的医学 AI 文档转化为结构化、可检索、可复用的证据。ROADMAP 提供了受控、机器可解释的词汇表，用于描述 AI 模型、数据集、项目、性能指标、预期用途、用户、局限性、数据溯源与评估背景；ATLAS 则通过可评审、可索引、可比较、可查询的公开模型卡片与数据集卡片，把该框架付诸实施。我将讨论这一结构化证据层如何支持模型与数据集发现、报告完整性检查、与偏差相关的元数据审查、指标协调、监管与编辑评审，以及如何通过大语言模型预填加人工策划实现卡片创建的规模化。更宏大的目标是让医学 AI 从孤立的模型声明走向透明、可审查、可复用的证据，更好地支撑可信研究与临床转化。 论文：https://doi.org/10.1148/ryai.260070 与 https://doi.org/10.1148/ryai.260069 Ricardo A. Gonzales（DPhil，FSCMR）是哈佛医学院与麻省总医院的博士后研究员。他开发可信医学影像系统，将复杂的生物医学数据转化为可复现的生物标志物、分析工具与可复用科研基础设施。他作为克拉伦登学者在牛津大学获得医学科学博士学位，并在秘鲁工程与技术大学（UTEC）获得电气工程专业学位。他的工作横跨深度学习、图像配准、分割、质量控制、模型评估、心脏与脑影像以及临床 AI 落地，方法已在医学影像软件与大规模科研工作流中部署。他还是 RSNA 医学 AI 数据标准的贡献者，长期致力于可复现 AI、负责任的临床转化，以及为秘鲁和国际学生建设科研能力。