文献速递技术与安全

放射科医生人工智能培训机会的系统综述

Training opportunities of artificial intelligence (AI) in radiology: a systematic review.
PubMed 文献 · Eur Radiol · 2021-02-15

该研究对2019年至2020年6月提供的100个放射科医生AI培训项目进行演绎主题分析,发现多数(80%)为短期独立课程,约85%聚焦AI基本概念且以被动方式提供,专业机构和商业公司是主要提供方(91%),学术机构参与有限。作者结论认为需要进一步开发系统化、教学整合的培训项目,并更聚焦实际工作中使用AI的学习。

要点

  • 多数AI培训为短期独立课程,不属长期学习轨迹,约85%聚焦基本概念且以被动方式提供。
  • 培训内容侧重医学与技术主题,管理、法律和伦理主题仅被边缘化涉及。
  • 专业机构和商业公司活跃提供AI培训(91%),学术机构参与有限。

临床应用与阅片要点

  • 作者认为需要开发基于科学研究、为放射科医生提供有效学习轨迹的培训项目。
  • 作者认为培训项目需更聚焦真实用例及(接近)真实工作环境与应用,而非仅学习机器学习基础。
  • 作者认为未来项目需进一步专业化和定制化到放射学工作情境,并考虑欧洲各国工作条件、法律框架和工作流程差异。
  • 作者认为学术机构需更积极参与设计和提供基于科学研究、符合教学原则的培训项目。

局限性

  • 研究聚焦LinkedIn(而非Twitter)可能使样本偏向欧洲。
  • 未来研究可考察播客和知识短片等其他形式,这些虽未正式列为培训项目但常被放射科医生用于学习AI。
  • 由于许多培训项目仍在涌现,未来研究需持续考察新趋势并更新研究发现。
  • 除放射科医生外,放射技师、临床物理师和技术医师等其他专业群体也在学习如何使用AI支持图像采集和预处理等任务,了解他们如何学习AI对理解AI在放射学中的有效使用很重要。
全文中译15 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:Eur Radiol. 2021 Feb 15;31(8):6021–9. doi: 10.1007/s00330-020-07621-y

引言

“人工智能不会取代放射科医生,但使用人工智能的放射科医生将取代不使用人工智能的放射科医生。”1

人工智能(AI)引入放射学领域,使放射科医生产生了一种紧迫感,需要了解这项新技术及其应用。一些调查显示,年轻医学专业人员已经认识到放射学可能发生的重大变革[1],并一直在寻找培训机会以为未来做好准备[2]。近期调查显示,大多数放射科医生认为他们应尽快积极参加AI相关培训项目[3],并希望学习如何将AI整合到工作中[4]。一项近期涵盖1041名放射科医生的国际调查显示,大多数放射科医生认为知识缺乏是工作中有效使用AI的主要障碍,因此要求将AI相关培训纳入住院医师课程。2

学者们强调需要以专业有效的语言向放射科医生介绍AI及其应用的培训项目[5],以帮助他们理解AI如何与医学数据协同工作并将其转化为医学洞见[3]。此外,技术的快速变化要求开发新的培训项目并迅速更新其内容。除医学数据和信息学基础外,放射学课程还应包括计算机科学和机器学习的高级培训[5]。

尽管AI培训尚未系统性地纳入其课程[4, 5],但最近已有各种举措对放射科医生进行AI相关主题的培训。欧洲放射学会提供在线放射学培训课程(ESR-ETC),3其中包括学习“人工智能工具的功能和应用”,作为更广泛的“医学影像领域计算机科学和信息技术不同方面知识”的一部分,以获得关于“在放射学工作流程中实施AI和深度学习应用的不同技术选项”的知识。欧洲医学影像信息学学会(EuSoMII)支持推广和采用该课程,以将深度学习的技术和伦理方面整合到放射学课程中。EuSoMII提出了不同层次的知识和技能要求,这些现已纳入ESR-ETC,并可获得正式学分。然而,ESR-ETC主要是一份指南,需要落实该指南的实际培训项目尚未系统性地纳入所有成员国的放射学课程。

另一项值得注意的举措是由医学影像信息学学会(SIIM)和北美放射学会(RSNA)共同组织的国家影像信息学课程(NIIC),4其中包括在医学影像中使用算法以及深度学习基础。该项目面向放射科住院医师,但也对PACS管理人员和医学影像领域的其他专业人员开放。此外,美国放射学会最近一直积极提供关于AI基础及其在放射学实践中潜力的培训项目。

此外,各类机构提供了许多培训项目。这些项目往往是偶发性的、短期的,且未整合到放射科医师的学习轨迹中。对放射科医师进行人工智能培训仍处于新兴阶段,培训项目所提供的内容与放射科医师需要学习的内容之间仍存在很大差距[4]。放射科医师和培训顾问面对着许多零散且偶发的培训材料,各自侧重不同。他们需要在官方课程之外寻找相关培训[3],并往往非系统地自行拼凑学习要素。这存在迷失于异质、碎片化项目中的风险,并缺乏教学框架和有效的学习轨迹来提供适合各类放射科医师群体的知识和技能。以至于一些批评者质疑敦促所有放射科医师学习数据科学的普遍趋势,认为这没有批判性地考虑其专业需求。他们将人工智能与MRI相比较,提出“新一代放射科医师不必成为计算机专家,但应具备 underlying technique 的基本知识”[6]。

在此情况下,我们需要对面向放射科医师提供的人工智能培训项目进行批判性、系统性的综述。我们需要系统分析其内容,梳理所涵盖的各种主题,并识别缺失的主题。我们还需要考察这些项目如何针对不同放射科医师群体,以了解它们在多大程度上针对其需求和具体情境进行了专门化设计。此外,重要的是概览提供培训项目的活跃主体和讲师,以考察各类机构和专业组织(如医学、技术和社会组织)如何参与其中。最后,我们应考察培训人工智能被推广并被合法化为放射科医师专业发展重要组成部分的方式,尤其是在人工智能尚未成为其培训官方组成部分的情况下。

我们对2019年和2020年面向放射科医师提供的100个人工智能培训项目进行了系统性综述。通过对这些项目的内容分析,我们通过考察以下方面提供系统性概览:(1)它们涵盖的主题以及它们在多大程度上积极引导放射科医师学习人工智能在其工作中的应用;(2)这些项目对各种放射科医师群体的专门化程度;(3)提供这些项目的活跃机构有哪些;(4)这些项目以何种方式被合法化为放射科医师的重要学习投入。该分析为放射科医师提供了可用培训机会的系统性概览,使他们能够批判性地选择适合自身需求的相关项目。此外,它有助于管理者和教育主管部门看到可采用的现有培训项目,并反思他们可以为放射科医师发展贡献的进一步培训项目。

方法

我们对面向放射科医师提供的人工智能培训项目进行了定性内容分析[7]。研究遵循搜索与选择、编码和分析的流程。

搜索与选择

在本研究中,我们将“培训项目”用作一个伞形术语,涵盖培训组织的多种形式。它包括线下和线上课程,既有教育研讨会和网络研讨会,也有工作坊或讲座。纳入标准要求项目必须(1)关于人工智能或其他相关主题,如深度学习、机器学习和学习算法;(2)以放射科医生为目标受众;(3)具有具体的学习目标;(4)明确时间和授课方式;(5)具有具体的讲师。因此,我们排除了不满足上述任一标准的报告、演讲、视频和其他材料。

我们搜索了有关培训项目的在线信息,主要通过Google、LinkedIn和PubMed平台,使用了一系列关键词(见表1)。我们还在各放射学协会和组织的网站上进行了搜索(见附录1中的表A6)。我们与四位积极从事放射学人工智能培训的专家核对了初始培训项目清单,这帮助我们丰富了清单并发现了新的项目。我们最初发现了130个可能相关的项目。我们排除了信息有限的项目。最终,我们收集了100个培训项目的样本,这些项目于2019年和2020年(截至6月底)提供,在内容和提供机构方面似乎涵盖了广泛的项目类型。

表1 搜索平台和关键词概览 查看原表 ↗

数据收集与编码

我们通过检查每个培训项目的一般方面(如日期、时长和价格)、内容、涵盖主题、目标受众、讲师、提供机构和合法化方式(见表2)来收集定性数据。关于每个维度的定性数据被归档在Excel文件中(见附录2)以供进一步分析。

我们使用演绎主题分析[8],基于编码手册(表2)对数据进行分析。一名编码员对全部数据进行编码,第二名编码员交叉核对结果并解决歧义。结果被整理到一个数据库(附录2)中,我们在其中基于交叉制表和培训项目之间的比较探索模式[9]。我们与人工智能和放射学领域的三位专家进行了互动,以验证所提取模式的相关性和丰富性。

表2 编码方案 查看原表 ↗

研究结果

人工智能培训概览

面向放射科医生的人工智能培训数量在过去1.5年中有所增加(图1)。大多数培训项目纯线上提供(70%),只有一小部分为线下(13%)。其中一半项目免费提供;其余项目的平均价格低于100欧元。约60%的项目时长短于1小时,仅20%的项目时长超过3小时。总体而言,大多数项目是短期的独立课程,不属于任何更大的课程体系(见附录1中的表A1和A2)。

图1 培训项目概览 查看原图 ↗

培训项目的内容

对其内容(图2)的分析表明,大多数培训项目侧重于被动提供有关AI概念方面的内容,例如机器学习的基础知识及其在一般医疗实践中的潜力(不一定与放射学相关)。大约一半的项目更进一步,讨论AI在放射学中的一些潜在应用,例如展示人工智能如何应用于诊断成像,以及AI如何应用于特定模态(CT、MRI),或给出AI在临床放射学中的应用示例。然而,只有一小部分项目让学习者实际动手使用某些工具进行实践。其重点是练习编写代码的基础知识(例如用Python编程)或基于某些图像数据训练算法。很少有项目侧重于学习如何使用真实的AI应用来执行实际的医疗工作(见附录1中的表A3)。

我们将这些项目涵盖的主题聚类为:(1) 医学方面(AI如何支持医学诊断),(2) 技术方面(AI如何开发、测试和配置),(3) 法律/伦理方面(实施和使用AI的法律和伦理考量是什么),以及(4) 管理方面(例如,AI在放射学工作流程中的整合、如何最佳部署AI及固有挑战)(见附录1中的表A4和图A1)。总体而言,许多项目的重点集中在医学和技术主题的组合上,有时辅以关于实施AI的法律/伦理和/或管理方面的外围讨论。尽管大约一半的项目涵盖了管理主题,但这些往往是附带讨论。

图2 培训项目中各种内容类型的普及率 查看原图 ↗

目标受众

尽管我们选取的是面向放射科医生提供的培训项目,但其中大多数(76%)也面向其他医疗专业人员(例如其他专科医生、全科医生、医学研究人员)甚至非医疗专业人员(例如数据科学家、IT专家、管理人员)(图3)。事实上,大多数项目相当通用(例如关于AI基础知识),因此被宣传为不仅对放射科医生而且对更广泛受众都具有相关性。仅在7%的项目中,放射技师被明确列为受众。当培训项目仅侧重于放射科医生时,其内容与医学病例及AI融入日常工作流程的关联更为紧密。

图3 培训项目的目标受众 查看原图 ↗

讲师与提供机构

讲师的背景非常多样,例如“放射学教授”、“AI公司创始人”以及研发部门的“研究人员”。一半的项目由具有医学和技术背景的讲师联合提供(图4)。仅有三分之一的项目由放射科医生提供,极少数讲师来自社会和管理领域(讲师背景概览见附录1中的表A5)。有时,具有医学背景的人提供技术内容(例如机器学习基础知识)。

提供机构(图5和附录1中的表A6)主要是专业机构,如放射学协会和学会(59%)。AI开发商和商业培训代理等商业公司也活跃于提供AI培训。学术机构的参与很少(仅8%)。

图4 讲师背景 查看原图 ↗
图5 提供方 查看原图 ↗

合法化策略

由于人工智能尚未正式成为放射学课程的一部分,提供方需要使用各种策略来使其项目被认定为与放射科医生相关且有价值(见附录1表A7)。我们的分析显示,大多数培训项目使用多种策略来使其项目合法化,包括(1)展示内容的重要性(90%),(2)借助提供方和讲师的地位(99%),(3)为参与者提供认证和证书(73%),5以及(4)展示以往参与者的积极反馈和认可(47%)。这些项目提供的正式认可中有一半是医学认可的认证,如由EACME或AACME批准的CME。如图6所示,专业机构在很大程度上使用了前三种策略,而学术机构和商业机构主要侧重于基于内容和提供方地位来使其项目合法化。

图6 不同提供方使用的合法化策略 查看原图 ↗

讨论

随着人工智能变得越来越重要,放射科医生需要积极参与学习相关知识,并掌握能够有效使用人工智能的技能。

从零散、碎片化的培训到系统化课程

我们的分析显示,提供给放射科医生的大多数人工智能培训项目主要是短期的、独立的和碎片化的。6尽管这些项目有助于提高认识和使放射科医生熟悉基本概念,但仍需要辅以连贯且在教学方法上融入放射学通识课程的项目。由于我们正处于重构放射学专业的阶段,我们需要开发基于科学研究的培训项目,并为希望投资于长期职业发展的放射科医生提供有效的学习路径。一些倡议如ESR-ETC可以作为设计相互补充项目的指导框架。这需要学术机构更积极地参与设计和提供基于科学研究并与教学原则相一致的培训项目。7当这些培训机会作为国家放射学课程的一部分被系统性地提供时,它们可以被纳入专业考试,如欧洲放射学文凭(EDiR)。在此,一些区域性和国际性机构如ESR可以通过提供EDiR考试所需的相关课程发挥重要作用。

从认识到学习如何在临床环境中使用人工智能应用

我们的研究结果表明,大多数项目侧重于被动地传授人工智能基础知识及其对放射学工作的潜在影响。随着人工智能逐渐进入放射科医生的日常实践,我们需要让学习者参与实际练习,使用真实的人工智能应用,并学习如何在工作中有效且批判性地使用它们。培训项目需要更多地关注真实用例以及(接近)真实的工作环境和应用。了解机器学习的基础知识虽然可能提供一些基本知识,但对于将“使用”而非“开发”人工智能应用的放射科医生来说是不够的。学习如何批判性地使用人工智能应用并将其有效整合到工作流程中,需要培养新的思维和实践技能。培养这些技能不仅需要医学和技术导师的参与,还需要组织、法律、伦理和心理学领域专家的参与。最重要的是,年轻放射科医生需要得到项目的支持,使他们能够为未来战略性地设计和开发自己的职业生涯。

从通用培训到专业化和定制化培训

最后,我们的研究表明,当前大多数培训在内容和目标受众方面都是通用的。尽管这些通用项目对于建立一些基本熟悉度是有效的,但它们在培养放射学工作情境所特有的知识和技能方面存在局限。进一步的项目可以更加专注于放射科医生在使用人工智能时面临的特定用例,并考虑放射科医生的特殊需求(例如,当住院医师需要与资深放射科医生一起检查其影像检查时)。此外,我们需要开发针对特定临床实践和组织环境进行定制和本地化的培训项目。特别是在欧洲,工作条件、法律框架和工作流程配置因国家而异。所有这些差异都要求定制化培训项目,超越通用理念,考虑特定的组织环境(例如技术基础设施)、法律框架(例如隐私法规)和文化方面(例如患者和转诊医生对人工智能应用的期望和信任)。表3提供了一系列关于开发人工智能培训的建议。

表3 关于为放射科医生开发和选择适当人工智能培训项目的建议 查看原表 ↗

局限性与未来研究

尽管我们考察了多样化的培训项目样本,但我们聚焦于LinkedIn(而非Twitter)可能使我们的样本偏向欧洲[10]。未来研究还可以考察其他形式的资源,如播客和知识短片,这些虽然未被正式界定为培训项目,但常被放射科医生用于学习人工智能[11]。此外,由于许多培训项目仍在涌现,未来研究需要持续考察新趋势并更新我们的发现。除放射科医生外,其他专业群体如放射技师、临床物理师和技术医师也在学习如何使用人工智能来支持图像采集和预处理中的各种任务。了解他们如何学习与人工智能协作以及他们能培养哪些技能,对于理解如何有效地在放射学中使用人工智能非常重要。

补充信息

培训项目详细概述(DOCX 185 kb)

培训项目数据库以Excel文件形式提供(作为补充材料)(XLSX 98 kb)

引用

  1. Schuur F, Rezazade Mehrizi MH, Ranschaert E, et al. Training opportunities of artificial intelligence (AI) in radiology: a systematic review. Eur Radiol. 2021. PMID: 33587154. doi:10.1007/s00330-020-07621-y
  2. 全文:PMC8270863(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8270863/

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。