人工智能在诊断放射学中的应用:一项技术图谱研究
该研究系统分析了诊断放射学领域的人工智能应用,基于其目标模态、解剖区域、开发阶段、技术基础设施和监管批准状态。共识别出99家公司提供的269个人工智能应用,发现这些应用在任务、模态和解剖区域上主要呈狭窄性,大多数功能聚焦于支持放射学工作流程中的「感知」和「推理」环节。
要点
- 截至2019年8月共识别269个人工智能应用,由99家公司提供,其中75%的公司成立于2010年后。
- 95%的应用仅针对单一模态,95%仅针对单一解剖区域,多数聚焦CT、MRI和X线。
- 大多数应用聚焦于感知和推理任务,仅少数涉及行政管理和报告任务。
核心结论
- 当前人工智能应用在模态、解剖区域和医学任务上均较为狭窄,距离全面覆盖放射学工作尚有差距。
- 多数应用尚未获得监管批准,已获批者也多为FDA「许可」而非「批准」,且限于有限用例。
研究设计与样本
- 技术图谱研究,系统检索RSNA 2017和2018、ECR 2018和2019、SIIM 2018和2019展示的应用,并参考市场调查报告、技术博客、新闻和已发表文章,数据截至2019年8月。
- 最终纳入269个应用,来自99家公司;排除仅提供应用市场、仅连接RIS和PACS、不处理医学影像数据或未明确提及学习算法的应用。
临床应用与阅片要点
- 作者指出,应用范围狭窄时放射科医生启动和使用这些应用所需的时间和精力可能超过其获益,因此人工智能应用无缝整合到日常工作中很重要。
- 作者指出,当前多数应用不支持与放射科医生的双向交互以接收实时反馈,反馈过程应成为使用系统的自然组成部分。
- 作者指出,当前法律批准范式要求算法「固定」,可能阻碍应用在实际使用中的改进,新的法律举措需要纳入持续性能追踪和持续改进。
局限性
- 原文在讨论中提出「还需要进一步研究」的表述:作者指出多模态与多病理优先级问题仍是许多开发者的开放问题,市场未见明显趋势。
- 原文指出应用范围狭窄可能限制其在临床实践中的适用性。
- 原文指出数据交换标准化和医疗系统互操作性是整合其他数据源的关键挑战。
全文中译19 节 · 点击展开
引言
系统分析人工智能发展的必要性
人工智能(AI)被定义为“一种人工实体……能够感知其环境……搜索并执行模式识别……规划并执行适当的行动方案并进行归纳推理”(第246页)[1]。过去几年,放射学界就AI支持医学诊断的潜力进行了大量讨论,众多研究项目已将AI用于回答医学问题[1–3]。
市场上也已推出许多AI应用,声称能够支持放射科医生的工作[4]。然而,AI在日常实践中的临床应用仍然有限[3]。为什么AI的承诺与其在放射学领域的实际应用之间存在重大差距?
部分答案在于这些应用在能够有效用于临床环境之前需要经历的漫长过程。系统地审视这些应用、仔细审查其功能、其开发与审批状态以及如何将其整合到放射学工作流程中,具有重要意义。
各种观点性论文[1, 2, 8]和白皮书[9]提出了AI用于放射学的许多潜在应用场景。然而,我们缺乏对这些可能性已在多大程度上被开发为应用、以及这些应用在多大程度上得到验证和批准的系统性、全面性概览。因此,我们需要批判性地、系统地审视当前AI应用主要关注哪些方面,以及放射学工作中哪些领域尚未被触及但将会被涉及。
此类分析应由科学界进行,基于系统化方法,从而具有可重复性并对公众讨论保持透明。此外,我们需要对技术应用进行批判性反思,而不带有推广某些应用的利益倾向。这样我们才能引导放射科医生思考相关应用场景并塑造未来的技术发展。
这篇系统性综述,即所谓的技术志(technography),1 之所以必要,有两个原因。首先,尽管有大量研究讨论了AI的各种可能性[1, 2],但我们并不知道这些可能性在多大程度上以及以何种形式真正转化为应用。
其次,放射学领域的AI应用正处于“新兴”阶段。许多功能和应用场景尚待开发、在实践中进行批判性评估,并由后续发展加以补充[7]。因此,研究人员、开发者和医学从业者需要追踪并批判性评估技术发展,发现这些应用开发方式中的潜在偏差,并识别AI应用的更多机会。
在以下各节中,我们阐述用于审视诊断放射学领域AI应用的框架。然后,我们报告我们的技术志研究。最后,我们讨论研究发现的意义。
方法
与系统文献综述类似,我们对人工智能在放射学领域的应用进行了系统综述。我们首先检索了RSNA 2017和RSNA 2018、ECR 2018、ECR 2019、SIIM 2018和SIIM 2019期间展示的所有相关应用。我们还参考了市场调查报告(如[12])、技术博客文章、新闻和已发表的文章。当某一应用是为支持诊断放射学工作流程中的活动而开发,并声称具有诸如卷积神经网络等学习算法时,该应用被纳入选择范围。数据截至2019年8月为最新。
为聚焦于诊断放射学,我们排除了仅作为其他应用市场平台的应用,或仅作为RIS与PACS之间连接的应用,或不处理任何医学影像数据的应用。我们还排除了未明确提及任何学习算法的应用(例如,仅笼统称其为“高级分析”的情况)。我们还排除或校正了已停用或已合并的情况。该过程最终得到269个应用,由99家公司提供(纳入和排除应用的完整列表见附录1和附录2)。
对于每个应用,我们收集了关于其(1)开发公司、(2)特征和功能、(3)实施和使用方式以及(4)法律批准的大量数据。我们从多个来源收集这些数据,如公司网站、新闻稿、FDA批准文件、白皮书、YouTube视频、用户手册和指南以及科学文章。我们还交叉核对了不同来源,并检查了发布来源的可信度(例如,FDA等正式监管机构)。
数据分析
我们在分析人工智能应用时基于四个问题。
谁是人工智能应用的活跃开发者?
在宏观层面,了解人工智能应用及活跃提供这些应用的公司的普及度和多样性十分重要。这一概览向我们展示了不同地区人工智能应用开发的总体趋势。
人工智能应用的开发和法律批准处于什么状态?
人工智能应用可以处于不同的开发阶段,如“开发中”、“测试中”和“已批准”。将这些应用映射到这些阶段可以显示人工智能开发的进展。此外,人工智能应用通常受医疗器械法规(MDR)的约束。它们必须获得监管机构的批准才能用于临床。了解这些应用获得批准的广泛程度和严格程度很有意义。
人工智能应用的适用范围有多窄?
许多人工智能应用旨在解决非常具体的任务,使用来自特定模态的图像(例如,仅针对MRI扫描),检查特定解剖区域(例如,脑或肺),并回答特定的医学问题(例如,检测肺结节)[7, 8]。这种狭窄性一直是人们对其实用性和价值的担忧[8]。我们考察了人工智能应用在其聚焦模态、解剖区域和医学任务方面的狭窄程度。我们还考察了这些应用如何提供给用户(例如,基于云端或本地部署)以及如何整合到放射学工作流程中。
人工智能应用聚焦于哪些类型的放射学任务?
人工智能应用常被声称擅长支持可量化、客观且常规的任务[10]。这些应用所针对的任务对其在放射学工作中的作用具有重大影响[11]。就放射学而言,这可以反映在人工智能应用对工作流程中各项任务的关注上,即采集、处理、感知、推理和报告,以及管理(例如,预约安排、转诊、随访通知)。然而,开发者认为可行的功能并不一定是放射科医生认为对其工作有效的功能。重要的是要考察当前人工智能应用主要针对放射学工作流程的哪些领域,以及未来开发有哪些尚未挖掘的机会。
在此过程中,我们首先制定了编码手册,以指导我们的编码并确保整个研究中编码的一致性。我们遵循演绎式“内容分析”的程序[13],对一系列维度进行编码(见表1)。
我们通过交叉制表[14]基于上述维度考察各应用中的各种模式来进行分析。随后基于定性数据对量化的模式进行解读。
研究发现
谁是人工智能应用的活跃开发者?
截至2019年8月,我们识别出269个应用。与2018年12月的146个应用相比,这一数字在半年内翻了一番。这些应用由99家公司提供,其中75%成立于2010年之后(图1)。初创公司在该市场日益占据主导地位。
如图2所示,北美(NA)是最活跃的市场。仅次于欧洲公司,亚洲公司在该市场也很活跃。
人工智能应用的开发状态和法律审批状态如何?
在我们的样本中,56%的应用已在市场上商业化供应,而38%处于“测试”阶段,6%处于“开发”阶段。在已知案例中(67%),32%以“仅云端”形式提供,4%以“仅本地部署”形式提供,但46%同时以云端和本地部署形式提供。总计54%的应用可通过PACS/RIS访问,而25%作为独立应用提供。
超过半数(60%)的应用没有任何监管审批,2其中60%获FDA许可,62%获CE认证,32%同时获FDA和CE认证。获得监管审批的趋势在过去2年中急剧增加。一些国家如韩国和加拿大拥有自己的监管机构。
人工智能应用的覆盖面有多窄?
大多数人工智能应用针对“CT”、“MRI”和“X射线”模态。极少数应用涉及“超声”(9%)和“乳腺摄影”(8%)模态(图3)。大多数应用(95%)仅涉及单一模态。只有8个应用(3%)同时涉及CT和MRI模态。
重点解剖区域
这些应用 very often(95%)针对一个特定的解剖区域。只有四个应用使用从多个解剖区域或器官(例如肺和心脏)拍摄的图像。3 如图4所示,“脑”是最受欢迎的器官。这似乎部分是由于MRI扫描的普及以及检查阿尔茨海默病等神经系统疾病的算法队列非常庞大。
与“三大”疾病(肺癌、COPD和心血管疾病)相关的解剖区域是这些应用针对的次最受欢迎器官,通常通过CT扫描进行检查。由于乳腺癌筛查数据的普及,乳腺是一个受欢迎的解剖区域。肝脏、脊柱、甲状腺和前列腺被这些应用针对的频率要低得多。针对肝脏、脊柱、骨骼和甲状腺的应用主要处于开发和测试阶段。最后,很少有应用关注胎儿图像,这似乎是由于分析超声输入的挑战以及超声模态的数字化滞后。
AI应用关注哪些类型的放射学任务?
AI应用主要针对工作流程中的“感知”和“推理”任务。只有少数应用涉及“管理”和“报告”任务(图5)。在以下段落中,我们深入探讨应用为支持放射学任务所提供的功能。
管理
少数应用通过分析患者症状和对类似患者有效的检查,支持转诊医生和放射科医生决定相关的影像检查(例如,哪种模态或辐射剂量)。这样,放射科医生可以避免不必要的检查并进行循证检查。少数应用还支持放射科医生的排程和工作量平衡。
采集
一些应用监测机器的正常运行时间和性能,并提供(预测性)洞察,例如预期维护时间。其他一些应用评估采集图像的质量,以确保目标器官被properly覆盖、边界清晰且不遗漏重要信息元素。这样,这些应用提高了采集过程的效率和速度。
处理
若干应用支持在采集后阶段处理图像以提高其质量(例如清晰度、亮度和分辨率)。这些应用使技能较低的技术人员仍能生成高质量图像,减少重复采集的需求,并在不影响图像质量的情况下降低辐射。此外,它们便于医生在后续阶段理解图像。
报告
尽管一些应用以自由文本、表格和图表的形式输出结果,但有些应用专门用于报告。它们协助生成更准确、更快速的转录,生成结构化报告,提醒放射科医生需要检查的关键方面清单,并提示可能的鉴别诊断。
讨论
我们的研究对诊断放射学领域的人工智能应用、其开发阶段和法律审批情况,以及其在成像模式、病理和临床任务方面的关注点提供了客观概述。这些应用提供了许多功能,但每一个都聚焦于非常特定的模式、狭窄的医学问题和特定的解剖区域。这一情况客观地表明,当前的人工智能应用仍远未达到全面综合的水平。
市场上活跃的主要是初创企业,这一事实表明仍有许多应用基于创业探索,源于技术驱动的想法,并且往往由数据可得性和技术上可行的用例所驱动。与其他类似市场相似,规模较大的(医疗)公司可能逐渐变得更加活跃,并加大投资规模和技术资源。
尽管如此,很大一部分人工智能应用仍有待批准。即使是被批准的应用,往往也没有获得严格的批准(例如,只有一个应用获得FDA“批准”,其余获得FDA“许可”),而且它们获得的批准仅针对有限的用例(例如,作为无临床状态的初步诊断)。鉴于医疗器械法规等新立法的出台,人工智能应用预计将接受更严格的审批。
人工智能应用在模式、解剖区域和任务方面相当狭窄。人工智能应用的这种狭窄性可能限制其在临床实践中的适用性。我们看到一些公司尝试与其他公司合作以提供更广泛的应用。有一些平台尝试整合各种人工智能应用。然而,用户仍然需要从一长串应用中做出选择,每个应用的功能都很狭窄。将现有应用进一步整合到放射科医生的常规工作流程中(例如,在PAC系统后台运行)可能会增强人工智能应用的有效性。
未来的发展可能集中在能够处理多种模式并检查多个医学问题的应用上。开发者应该优先考虑多模式还是多病理?例如,市场更倾向于一种能够同时处理MRI和CT扫描图像但仅用于检测肿瘤的算法(多模式单病理解决方案),还是一种能够在一次胸部CT中检查结节、钙化和心血管疾病等各种问题的算法(单模式多病理解决方案)?也许答案取决于实施背景(例如,临床检查 vs. 人群研究)以及临床病例的分配方式(例如,基于模式或疾病)。我们的观察表明,这对许多开发者来说仍然是一个悬而未决的问题,我们在市场上没有看到明显的趋势。
我们的分析还表明,市场上的算法对患者的“临床”和“遗传”数据的使用有限。将其他数据来源与图像数据整合,以丰富、验证和明确可从图像中获得的洞见,存在大量应用机会。为此,数据交换的标准化和医疗系统的互操作性是两大关键挑战。
当前只有少数应用提供“预后”洞见。未来,人工智能应用可能会部署预测分析来支持预防性医疗服务。我们看到,人工智能应用的主要焦点是诊断各种病理。然而,只有一小部分应用针对“行政”任务,如排程、优先级排序和报告,这些任务对于支持放射科医生的工作可能非常有效,且通常不需要严格的临床审批。
最后,当这些应用范围狭窄时,放射科医生启动和使用这些应用所需投入的精力和时间可能超过其带来的益处。因此,人工智能应用无缝集成到放射科医生的日常工作流程中非常重要。我们的分析表明,人工智能应用往往无法提供与放射科医生的“双向交互”以接收实时反馈。与其他成功的学习算法(例如导航工具)类似,反馈过程需要作为使用这些系统的自然组成部分来实施。当前的法律审批范式是一个挑战,因为它要求算法的“固定化”,这可能阻碍人工智能应用在实际使用中的改进。新的法律举措需要拥抱持续的性能跟踪和应用的持续改进。
电子补充材料
(DOCX 16 kb)
(XLSX 284 kb)
引用
- Rezazade Mehrizi MH, van Ooijen P, Homan M, et al. Applications of artificial intelligence (AI) in diagnostic radiology: a technography study. Eur Radiol. 2020. PMID: 32945967. doi:10.1007/s00330-020-07230-9
- 全文:PMC7979626(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7979626/
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。