指南与共识技术与安全胸部乳腺CTMRUSDR

放射科医生应了解的关于人工智能的知识——ESR白皮书

What the radiologist should know about artificial intelligence - an ESR white paper.
指南 / 共识 · Insights Imaging · 2019-04-04

欧洲放射学会(ESR)白皮书综述了人工智能在放射学中应用的基础,讨论了人工智能在影像解读之外的影像组学、影像生物样本库、剂量优化、结构化报告和临床决策支持等方面的潜在影响,并分析了伦理、法律、监管和数据获取等挑战。文章指出人工智能性能的关键在于使用大规模高质量数据进行训练以避免过拟合和欠拟合,若应用于临床实践,主要的医疗法律问题是谁对诊断负责。

要点

  • 人工智能的影响超出影像解读的传统范畴,涉及影像组学、影像生物样本库、临床决策支持系统、结构化报告和工作流程。
  • 人工智能性能的关键因素是使用大规模高质量数据进行训练,以避免过拟合和欠拟合。
  • 机器人三定律可类比应用于放射学,其中「机器人」即「人工智能医学影像软件」;若人工智能用于临床实践,主要的医疗法律问题是「谁对诊断负责」。

核心结论

  • 人工智能除在病灶检测和表征方面带来显著价值外,还将在影像组学、影像生物样本库、剂量优化、结构化报告和临床决策支持等方面影响放射学实践。
  • 若人工智能用于临床实践,随之产生的主要医疗法律问题是「谁对诊断负责」。

研究设计与样本

  • 本文为欧洲放射学会(ESR)eHealth与信息学小组委员会职责下撰写的白皮书综述,旨在回顾人工智能在放射学中应用的基础、讨论其伦理与职业影响并考虑未来演变,未报告系统检索范围与纳入文献数量。

诊断标准与关键数值

  • 在一项评估50名早产儿静息态功能MRI数据的研究中,二分类支持向量机以84%的准确率(p < 0.0001)将早产儿与足月儿区分,主要基于全脑半球间和半球内连接。
  • 人工智能在放射学中的「用例」指放射学服务链中自动化可增加显著价值并建立标准的具体场景,最早临床应用为计算机辅助检测(CAD)。

临床应用与阅片要点

  • CAD应用于CT结肠成像、肺癌和乳腺癌检测时,可作为第一读者(文献不推荐)、第二读者(多数推荐)或同步读者(少数推荐),但绝不能作为独立读者。
  • 人工智能工具可基于适宜性标准过滤检查优先级,并与临床决策支持系统结合改善决策过程、优化临床和放射学工作流程。
  • 人工智能可辅助技师和放射科医生选择个体化患者扫描方案、追踪患者剂量参数并估算累积剂量相关的辐射风险。

局限性

  • 数据注释非常耗时且劳动密集,真实诊断的验证必须非常可靠。
  • 罕见表现是潜在弱点:若某病症或表现非常罕见,难以获得足够样本训练算法以置信识别。
  • 表现变异可导致无意过拟合,随机噪声被算法解读为异常。
  • 若训练数据集含固有偏倚(如种族、年龄或性别相关),算法可能对不同患者人群来源的数据欠拟合。
  • 获取大量数据是开发和训练人工智能算法的必要条件,可能成为限制算法开发的主要因素之一。
全文中译13 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Insights Imaging. 2019 Apr 4;10:44. doi: 10.1186/s13244-019-0738-2

要点

在图像解读这一传统放射学活动之外,人工智能(AI)预计还将影响影像组学、影像生物样本库、临床决策支持系统、结构化报告和工作流程。

AI性能的关键因素是用大规模高质量数据进行训练,以避免过拟合和欠拟合

机器人三定律可应用于放射学,其中“机器人”即“AI医学影像软件”。

若AI用于临床实践,随之产生的主要医疗法律问题是“谁对诊断负责”。

引言

人工智能(AI)是信息学和计算领域发展最快的方向之一,与放射学高度相关。最近在PubMed中以“Artificial Intelligence”一词检索,返回82,066篇出版物;与“Radiology”联合检索时,找到5,405篇文章。这些论文大多发表于2005年以后。执业放射科医师、受训人员以及未来潜在的放射科医师需要理解AI对该专业的意义、它意味着什么、它如何为放射学职业作出贡献,以及它未来可能如何改变这一职业。欧洲放射学会(ESR)已意识到AI从技术科学、伦理职业和经济角度对放射学领域产生的影响。从事AI开发的研究人员在公共媒体上的言论在放射科医师中引发了大量恐惧,这些言论预测我们这一专业即将消亡。例如,Andrew Ng(斯坦福)表示,“一名训练有素且高度专业化的放射科医师如今被机器取代的危险,可能比他自己的行政助理还大”[1],而Geoffrey Hinton(多伦多)则表示,“如果你是一名放射科医师,你就像那只已经越过悬崖边缘的郊狼,但还没往下看,所以没意识到自己下方已没有地面。人们现在就应该停止培训放射科医师。完全显而易见的是,5年内深度学习将做得比放射科医师更好[…]我们已经有足够多的放射科医师了[。]”[2]。

作为ESR电子健康与信息学小组委员会的职责之一,本文旨在综述AI应用于放射学的基础,讨论AI在放射学中直接的伦理和专业影响,并思考此类技术在诊断影像中的可能未来演变。

定义

人工智能(AI)是指机器模仿人类认知功能(在此语境下为学习和问题解决)的能力。AI可分为人工窄智能和人工通用智能:人工窄智能指计算机能够执行某项非常具体的任务,其表现与人类相当或优于人类(例如IBM的Watson计算机于2011年击败了两名《危险边缘》冠军);人工通用智能指计算机超越具体任务,进行更高层次的综合,模拟人类思维过程[3]。1950年,英国计算机科学家艾伦·图灵阐述了图灵测试的基础:如果人类提问者在提出若干书面问题后,无法判断书面回答来自人还是计算机,则计算机通过测试[4, 5]。对此的改进是所谓的史密斯测试:向计算机提供数据,由其以任何方式进行分析;计算机随后报告它认为可能有助于做出预测的统计关系。如果人类专家组一致认为计算机所选出的关系合理,则计算机通过史密斯测试[6]。

AI可以理解为一套使软件变得“更智能”的工具和程序,其智能程度达到外部观察者认为输出是由人类生成的程度。其运作方式类似于正常人类大脑在常识推理、形成观点或社会行为等常规任务中的功能方式[7]。

“人工智能”一词最早于1956年在新罕布什尔州汉诺威市达特茅斯学院举办的夏季研讨会上使用,该研讨会由美国计算机科学家、先驱和发明家约翰·麦卡锡组织[8]。

机器学习(及其子类别)一词意味着这样一种情形:当一个智能体(任何可被视为通过传感器感知其环境并通过执行器作用于该环境的实体)在对外界进行观察后,其在未来任务上的表现得到改善时,即处于学习状态[9]。机器学习是Arthur Samuel于1959年引入的术语,用于定义AI的一个领域,其中计算机从数据积累中自动学习;该领域已被广泛应用于大数据分析。机器学习算法随着数据暴露量的增加而进化;它们并非完全基于规则,而是随经验而改进,通过评估大量数据来学习给出特定答案[10]。

学习可以是非监督的、强化的、监督的和半监督的。在非监督学习中,智能体学习输入中的模式,即使没有提供明确的反馈。在强化学习中,智能体从一系列强化——奖励或惩罚——中学习。监督学习向智能体提供教师的输出,智能体随后进行学习。在半监督学习中,向智能体提供的教师输出较少。在此语境下,“真实标准”(ground truth)的概念——即对照真实世界检查机器学习结果的准确性——对于验证AI性能至关重要。在放射学语境下,这可能意味着通过对照病理或手术诊断来确认AI建议的诊断;真实标准即被假定为真的数据[11]。机器学习被比作训练一只狗:“强化良好行为,忽视不良行为,并给她足够的练习来自己弄清楚该怎么做”[12]。

深度学习是机器学习的一个子集,是大多数用于图像解释的人工智能工具的基础。深度学习意味着计算机具有多层算法,这些算法相互连接并按重要性(如数据意义较大或较小)分层为层级结构。这些层从输入中积累数据,并提供一种输出,一旦人工智能系统从数据中学习到新特征,该输出可以逐步改变。这种多层算法形成大型人工神经网络[9]。

人工神经网络由通过链接连接的节点或单元(数千至数百万)组成。链接将一个单元的激活传播到另一个单元,每个链接的激活由一个数值加权,该数值决定连接的强度。激活函数可以基于激活阈值(强度),接收激活的单元称为感知机。感知机通过链接连接并创建网络;网络可以是前馈网络(连接仅在一个方向上),也可以是循环网络,将其输出反馈到其自身的输入中(一个循环)。前馈网络通常按层排列。目标是每次检查的答案应与检查的标签相匹配。在数学上,该算法被设计为在输入通过其层处理时最大化正确答案的数量[9]。

人工神经网络必须使用训练数据集进行“训练”,网络从中“学习”。在放射学中,这些通常(至少在初期)由手工标记的图像数据集组成,算法使用这些数据集来改进其拟合以匹配 ground truth。一旦网络使用训练数据集进行了训练,随后将使用不同的数据集(验证数据集)进行测试,旨在评估模型对新数据的拟合程度。在这一步骤中,通常会观察到模型的“过拟合”。Yamashita等人将过拟合描述为这样一种情况:“模型学习到训练集特有的统计规律性,即最终记住了不相关的噪声而不是学习信号,因此在随后的新数据集上表现较差。”[13]。过拟合的后果是网络将无法泛化到从未见过的数据,并将成为比训练数据集中出现的更多解释错误的来源。

减少过拟合的最佳解决方案是获取更多训练数据。可以在不同数据集上进行多轮训练和测试,逐步提高网络性能,并在算法发布供普遍使用之前评估算法的准确性和泛化性。另一种解决方案是所谓的“数据增强”,这意味着通过添加一些变异性来修改训练数据,使得模型在训练迭代期间不会看到来自训练数据集的完全相同的输入。一个简单的例子:如果网络正在被训练以识别超声上的囊性病变,在训练数据集上病变可能是完全囊性的,但在进一步的训练迭代中,可以添加一些由伪影引起的内部高回声斑点,以便训练或微调网络以在验证数据集中识别“非完美囊肿”[13]。

作为一般规则,网络越“深”(层数越多)且训练轮次越多,网络的性能越好。

用例

“用例”一词描述的是人工智能在放射学中的特定临床应用。用例可被视为放射学服务链中的精确场景,在这些场景中自动化能够增加显著价值并建立标准。

计算机辅助检测(CAD)代表了人工智能在放射学中最早的临床应用。过去二十年中,CAD系统已逐步应用于放射学实践中的肺癌、结肠癌、乳腺癌和前列腺癌检测,但根据CAD研究领域的科学家和先驱Kunio Doi [14]的说法,CAD研究的开端可归因于1963年至1973年间发表的文章 [13, 15–19]。此后已有多种CAD应用的报道,CAD已在临床实践中变得普遍,主要应用于肺癌、结肠癌和乳腺癌的检测 [20–22]。

CAD与“真正”人工智能的主要区别在于,CAD仅针对其经过专门训练的疾病做出诊断,其性能基于训练数据集和固定的识别方案,只有向CAD算法提供更多数据集时才能得到改进。真正人工智能的特征在于自主学习过程,无需对每个步骤进行明确编程,基于算法和连接的网络,类似于人类所做的。

过去十年中,采用人工智能进行图像解读的研究呈爆炸式增长,涵盖疾病检测与分类、器官和病灶分割(确定器官或病灶的边界)以及治疗反应评估。然而,很难区分与CAD使用相关的论文和报道纯机器学习或深度学习应用的论文,因为这两个术语都被包含在更广泛的术语“人工智能”中。近期人工智能的众多应用包括RSNA儿童骨龄机器学习挑战赛(基于平片)[23]、乳腺X线摄影和MRI中的乳腺癌检测 [24–29]、胸片解读 [30–33]、超声和CT上的肝脏病灶特征分析 [34–36]、脑肿瘤 [37, 38]以及前列腺癌检测 [39, 40]。

超越疾病检测的一步是将疾病分类为低风险或高风险、预后良好或不良。该领域的大部分工作集中在脑成像方面,涵盖良性和恶性疾病。在儿科领域已投入大量精力开发人工智能分类器,其中脑图谱和功能连接可与神经发育结局相关联。在一项评估50名早产儿静息态功能MRI数据的研究中,二分类支持向量机将他们与足月儿区分开来,准确率达84%(p < 0.0001),主要基于全脑的半球间和半球内连接 [41]。在多发性硬化症中,人工智能已被用于评估MRI序列组合的性能以优化脑病灶检测 [42]。基于MR图像对胶质瘤分级进行分类的尝试已取得一定成功 [43]。

自动化分割作为一项人工智能应用至关重要,可减轻放射学工作流程中手动执行分割的负担。它还提供关于组织和器官功能表现、疾病范围及负荷的重要信息。Avendi等开发了一种深度学习和可变形模型,用于从心脏MRI数据集中分割左心室(LV),以实现心室容积和射血分数等临床指标的自动计算[44]。已有多项研究发表了关于使用深度学习方法进行腹部(肝脏、胰腺、血管)和盆腔(前列腺)器官分割的成果[45–51]。

类似方法已被应用于在增强T1W MR上分割脑转移瘤,以用于立体定向放射外科治疗计划[52]。

人工智能在放射学中的其他应用

在病变检测与表征以及治疗反应评估等传统放射学活动之外,人工智能还可能影响放射科医生和其他医疗专业人员工作的其他领域。示例包括:影像组学:从诊断图像中提取特征,其最终产物是可从图像中测量和挖掘的定量特征/参数。影像组学分析可以从CT、MRI或PET研究中的感兴趣区域提取超过400个特征,并将这些特征相互之间以及与其他数据进行关联,远远超出人眼或大脑的辨识能力。此类特征可用于预测预后和治疗反应[53, 54]。人工智能可以支持影像组学特征分析,并通过构建患者特征谱来帮助实现影像组学与其他数据(蛋白质组学、基因组学、液体活检等)之间的关联[55]。

影像生物样本库:计算机不断扩大的存储容量允许存储大量数据。在放射学中,存储原始图像和源自定量成像的大数据的需求是PACS过载的主要原因。定量成像可以产生影像生物标志物,这些标志物可以存储和整理在大型影像生物样本库中(可能使用来自许多机构和地点的数据),可供处理、分析,并用于在大型人群研究中预测疾病风险和治疗反应[56, 57]。大型生物样本库还有潜力成为数字患者(人类的化身或数字孪生)的储存库,可供人工智能用于执行疾病发展和进展的模拟。此外,影像生物样本库将成为组织和共享图像数据的必要基础设施,人工智能模型可从中进行训练。

剂量优化:ESR EuroSafe Imaging 倡议旨在以整体、包容的方式支持和加强整个欧洲的医疗辐射防护(www.eurosafeimaging.org)。EuroSafe Imaging 促进在 CT 中采用临床诊断参考水平,该水平应基于适当性标准和患者特征(BMI、循环时间等)进行定制。然而,方案的选择存在变异性,因为它常常依赖于操作者,因此,辐射剂量和检查质量在机构内和机构间层面均存在变异性。在此背景下,AI 可以成为一种优化工具,协助技师和放射科医生选择个性化的患者方案、跟踪患者的剂量参数,并提供与累积剂量和患者易感性(年龄和其他临床参数)相关的辐射风险估计。

结构化报告:AI 可以辅助报告工作流程,帮助连接文字、图像和定量数据,并最终提示最可能的诊断。RSNA 的结构化报告倡议(ESR 是其合作伙伴)提议采用“通用数据元素”(CDE),其定义了信息单元的属性和允许值,使信息能够在各机构和各研究之间统一收集和存储 [58]。CDE 在数据字典中定义,使生物医学数据可互操作,适用于多种应用,包括临床放射学报告、计算机辅助报告系统、结构化图像注释、临床研究病例报告表以及放射学病例集合(“教学文件”)[59]。CDE 可以成为 AI 构建患者特定结构化报告的词汇。

AI 工具还可以通过基于适当性标准过滤检查优先级来影响日常工作流程 [60]。ESR 已实施“ESR iGuide”,这是一种临床决策支持系统(CDS),可帮助转诊医生基于适当性证据水平和紧急程度选择最合适的影像学检查 [61]。AI 与 CDS 结合可以改进决策过程,从而优化临床和放射学工作流程。

放射学中 AI 的障碍与挑战

数据集与训练

影像领域(来自 PACS 系统)大量医学图像(大数据)的可用性为 AI 训练提供了巨大潜力,但这些数据需要一个所谓的“策展”过程,其中数据按患者队列分层、分割以提取用于 AI 解释的感兴趣区域、过滤以评估采集和重建的质量等 [62]。

然而,数据集注释非常耗时且劳动密集,且真实诊断的验证必须非常稳健。罕见发现是一个潜在弱点;如果某种疾病或发现非常罕见,则难以获得足够样本以训练算法自信地识别它。此外,发现的变异可能导致无意的过拟合,即随机噪声被算法解释为异常。相反,如果用于训练算法的训练数据集包含固有偏倚(例如,基于种族、年龄或性别),则算法可能对来自不同患者人群的数据中的发现欠拟合 [60]。

监管问题

人类希望将艾萨克·阿西莫夫虚构的机器人三定律[63]应用于放射学中的人工智能,其中“机器人”即“人工智能医学影像软件”:“机器人不得伤害人类,也不得因不作为而使人类受到伤害。”

“机器人必须服从人类给予的命令,除非此类命令与第一定律相冲突。”

“机器人必须保护自身的存在,只要这种保护不与第一定律或第二定律相冲突。”

第一定律意味着人工智能工具应实现尽可能最佳的诊断以改善患者的医疗保健;然而,人工智能的失败或不作为可能导致患者受到伤害。

第二定律提示人工智能必须经过恰当的训练,且任何人工智能软件的学习过程必须由放射科医师监督,以确保输出适当且临床适用。

第三定律在考虑任何人工智能软件不可避免的最终过时问题时可能成为一个问题。影像学发展如此迅速,以至于一旦该模态(CT、MRI、US、NM)出现新进展或新模态被引入临床实践[64, 65],基于特定影像数据训练的软件可能变得不够充分。

不幸的是,阿西莫夫定律是虚构的,没有任何监管机构拥有最终权力或控制力来确保这些定律(或其常识性类似物)被嵌入任何特定的人工智能产品中。目前,我们依赖软件开发者及其合作者的伦理行为来确保人工智能产品按照适当的标准运行和表现。当人工智能软件应用于人类临床诊疗时,应与其他任何医疗器械或产品一样,接受相同形式和标准的监管,如美国FDA或欧盟《2017年医疗器械法规》[66]所规定的那样。只有对人工智能应用于患者诊断时采用与新型药物或器械相同的严格问责、有效性和临床实用性验证标准,我们才能确保患者安全。

医疗法律责任

计算机辅助检测(CAD)应用于CT结肠成像、肺癌和乳腺癌检测时,可用作第一阅片者(文献不推荐)、第二阅片者(大多推荐)或同时阅片者(推荐较少),但绝不能作为研究的独立阅片者。人工智能将如何被使用?可能CAD模型会被重新提出,但正如Kholi等人所述,“人工智能方法相较于传统CAD的力量和前景在于,可以存在目前未知或超出人类检测限度的有用特征。”这意味着人工智能可能带来放射科医师无法检测或量化的新特征[67]。一个类似的例子是影像组学,其中纹理分析可以生成数百个人类无法生成和解释的特征。

随之产生的医疗法律问题就是“谁对诊断负责”,尤其是在诊断错误时。参与人工智能系统开发、营销和安装的数据科学家或制造商是否将对因使用人工智能算法而产生的不良后果承担最终法律责任,这是一个困难的法律问题;如果医生不再是解释放射学研究的主要主体,他们是否仍将被追究责任?如果放射科医生监测人工智能系统的输出,并且在验证人工智能解释方面仍发挥作用,那么即使他们不理解也无法质询确定诊断的确切方式,他们是否仍承担最终责任?人工智能的这一“黑箱”要素提出了许多挑战,尤其是对人类理解重要决策如何以及为何作出的基本需求提出了挑战。如果我们被告知:“我不知道你为什么生病,但我的电脑说‘吃这些药’”,或者“我不知道你为什么生病,但我的电脑建议手术”,我们中有多少人会感到满意?[6]。

获取大量数据的必要性

获取大量数据对于开发和训练人工智能算法是必要的;这可能是限制算法开发的主要因素之一。软件开发者使用多种方法获取训练数据集;有些直接与患者联系,另一些则与机构或学术数据库联系。从根本上说,每位其数据被第三方使用的患者都应当对该使用提供同意,而且如果数据在不同情境中被重复使用(例如,用于训练更新版本的软件),则可能需要重新获取该同意。此外,影像数据集的所有权因司法管辖区而异。在许多国家,此类个人数据的最终所有权属于患者,尽管经同意后数据可能存储在医院或影像中心的存储库中。

应保证数据的匿名化;这不仅仅涉及去标识化,还应确保无法通过DICOM标签、面部识别软件等重新识别患者[68]。

此外,如果患者数据被用于构建随后产生利润的人工智能产品,则需要考虑知识产权问题。相关患者和收集组织是否有权分享由其数据产生的利润?[68]。

数据挖掘与影像组学

人工智能融入放射学实践的众多令人振奋的前景之一是,有可能从大量研究中提取数据,不受地点限制,并利用这些数据识别可能预测结局或治疗反应的影像学标志物——放射组学。对大型数据集的神经网络分析可以分离出仅通过视觉解读研究永远无法感知的重要关系,而这些关系可能在未来个性化医疗中具有重要价值。然而,鉴于这些关系是数学算法的产物,它们可能并不总是合理或相关。德克萨斯神枪手谬误是一个适用于这种推理的术语:一名神枪手在墙上布满靶子,开枪射击,然后展示他击中的任何靶子(或者在朝空白墙壁开枪后,围绕弹孔画一个靶子)来炫耀自己的本领,而忽略所有未击中的靶子。这种分析形式被描述为“先有数据,后有理论”。用1991年诺贝尔经济学奖得主罗纳德·科斯的话来说,“如果你对数据折磨得足够久,它就会招供。”

这并非意在暗示所有数据挖掘或放射组学都属于这一谬误;远非如此。然而,一些数据挖掘输出将是不相关或不合理的。

其他伦理问题

人工智能在放射学中使用所产生的伦理问题将在一篇正在准备中的多学会(包括欧洲放射学会(ESR))论文中更详细地讨论,此处不作深入探讨。上文考虑的一些要点包含伦理要素。从根本上说,必须记住人工智能工具是数学构建物,旨在优化某一数学函数。从本质上讲,它们是非道德的。人类面临的挑战是预见人工智能系统如何出错或可能被滥用,并建立防范措施以防止这种情况发生[68]。

人工智能、放射学培训与未来方向

放射科医师的技能建立在多年培训基础上,在此期间,受训者被教导基于阅读结合临床信息知识的综合过程来解读大量检查。解读技能在很大程度上取决于所解读检查的数量以及视觉图像分析的准确性。人工智能可以通过利用深度学习工具进行图像阅读,不仅能够提取视觉信息,还能够提取定量信息,如放射组学特征或其他影像生物标志物,而这些是 human brain 无法识别的。人工智能将成为我们图像查看和分析工具集的一部分。当软件成为解读过程的一部分时,受训者在其培训年限内可能无法进行足够的直接(“无辅助”)解读,因此可能无法获得足够的解读技能。这件事的另一面是,受训者将在人工智能帮助下进行更好的解读;尽管如此,未来放射科医师对人工智能软件辅助的强烈依赖是一种风险,具有潜在的有害后果。

人工智能在放射学中的实施要求受训者学习如何最好地将人工智能整合到放射学实践中,因此未来的放射学培训课程中应纳入一个专门的人工智能与信息学模块。

人工智能融入我们的职业生活是不可避免的。我们需要与软件开发人员和计算机工程师合作,协助将人工智能工具整合到我们的工作流程中(PACS/RIS系统、任务自动化等),始终首先保护患者的利益。

大量人工智能研究正在进行中;图像解读对研究人员来说是一个有吸引力的目标,因为所涉及的任务(至少部分)涉及分析大量数据以产生输出。放射科医生不能也不应希望这项研究消失,而应拥抱它并尽可能将其融入日常工作,引导人工智能研究方向,以确保新发展为患者带来最大的临床获益。

另一项必须承担的任务是引领教育政策制定者和支付方了解放射学、人工智能、二者的整合以及相关陷阱。在任何快速发展的行业中,最初的兴奋往往伴随着早期承诺未能兑现时的失望[69]。

围绕新技术的炒作往往由商业驱动,可能承诺多于所能兑现的,并倾向于淡化困难。临床放射科医生的责任是自我教育放射学中的人工智能知识,进而教育管理并资助我们医院和医疗保健系统的人,在实施最佳新发展的同时保持适当和安全的平衡以保护患者。

放射科医生会被人工智能取代吗?

简单的答案是:不会。然而,在人工智能时代,放射科医生的工作生活无疑将发生变化。放射学工作流程中的许多单一常规任务将由人工智能算法更快更好地完成,但放射科医生的角色是复杂的,专注于解决复杂的临床问题[68]。真正的挑战不是反对将人工智能纳入职业生活(徒劳的努力),而是拥抱放射学实践不可避免的变革,将人工智能纳入放射学工作流程[12]。最可能的危险是“我们将按照计算机告诉我们去做,因为我们敬畏它们并信任它们做出重要的[…]决定”[6]。放射科医生可以通过教育自己和未来同事了解人工智能、与研究人员合作以确保其以有用、安全和有意义的方式部署,并确保其使用始终主要面向患者获益来避免这一点。这样,人工智能可以增强放射学,并使放射科医生能够不断提高其相关性和价值[70, 71]。

引用

  1. What the radiologist should know about artificial intelligence - an ESR white paper. Insights Imaging. 2019. PMID: 30949865. doi:10.1186/s13244-019-0738-2
  2. 全文:PMC6449411(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6449411/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。