文献速递儿科影像技术与安全CTMRUSDR

增强型放射科医生:人工智能在放射学实践中的应用

The augmented radiologist: artificial intelligence in the practice of radiology.
PubMed 文献 · Pediatr Radiol · 2021-10-19

本文综述了放射科工作环境的复杂性及信息技术支持的不足,概述了人工智能的类型与特征,并比较了人工智能与人类智能在问题解决上的差异。作者提出「可解释人工智能」以实现人工智能与人类智能的平衡协作,并建议创建人工智能助手来增强放射科医生,使其大脑专注于通用任务。

要点

  • 人工智能在肿瘤大小、形态、纹理等影像特征识别上可能超越人类,但依赖充足且覆盖所有变异的高质量训练样本。
  • 可解释人工智能(如逐层相关性传播)通过热图高亮决策相关区域,有助于满足法律对可追溯性的要求。
  • 人工智能与人类智能应协作而非替代,人类放射科医生始终承担最终决策责任。

核心结论

  • 人工智能可辅助放射科医生提高检测早期病变和报告精确性,但受限于训练样本质量和可解释性,短期内无法取代人类。
  • 可解释人工智能结合「人在回路」的交互式机器学习,是实现人工智能与人类智能协作、满足法律要求的可行路径。

研究设计与样本

  • 本文为综述,检索PubMed中「artificial intelligence」与「radiology」相关文献共5641篇,经年龄筛选「child: birth–18 years」后纳入308篇(5.4%)。

关键影像表现/征象

  • 逐层相关性传播可生成热图,红色区域表示人工智能对骨折等病变的置信度更高。
  • 深度学习卷积神经网络常用于图像特征提取,循环神经网络含记忆单元可处理因果数据。

诊断标准与关键数值

  • 在乳腺影像等高度敏感领域,双阅片技术可提高敏感度5–10%。
  • 语音识别对胸片、CT和MRI的转录率可达95%的性能水平。

临床应用与阅片要点

  • 放射科医生应关注人工智能热图等可解释性输出,核对其决策依据的准确性与合理性。
  • 日常报告中需注意人工智能训练数据与临床实际数据的维度、噪声和变异性差异,避免盲目采信。
  • 儿科放射学缺乏像乳腺影像那样的质量控制规范,使用人工智能辅助时应更加谨慎。

局限性

  • 人工智能模型常为黑箱,可追溯性差,且欧盟CE认证仅涉及数据保护与安全,不反映算法性能。
  • 机器学习算法通常处理小尺寸图像矩阵(如224×224),降采样可能导致细节模糊或丢失。
  • 不同CT机器的衰减系数存在差异,日常临床无法完全校准,增加了数据集的复杂性。
全文中译17 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:Pediatr Radiol. 2021 Oct 19;52(11):2074–86. doi: 10.1007/s00247-021-05177-7

引言

成像是医学诊断不可或缺的一部分。图像采集通过利用复杂技术实现,但图像解读仍然是“人类放射科医生”的任务[1]。为了完成这一复杂任务,人们需要近三十年的学习以及继续医学教育(CME)[2]。尽管付出了所有这些努力,感知和诊断错误仍然存在。

不断成熟的成像技术不仅导致时间、几何和辐射分辨率稳步提高,还带来了新的成像模式——从而导致每个病例的图像数量不断增加。例如,一名创伤患者的CT检查可能包含约1,000幅图像。此外,成像模式具有不同的、非标准化的接口。

放射科医生的工作场所类似于一个充满流数据的驾驶舱,涉及多个接口和信息技术(IT)系统的管理(图1)。尽管这些系统具有明显优势,但所有系统都有约束条件以及关于应如何使用它们的固有假设,从而阻碍了放射科医生在报告生成过程中智力的自由流动。天际中出现了曙光,即人工智能(AI)将影响医学中几乎所有方面,并将在许多方面改善患者结局。就放射学而言,预计放射科医生的报告将变得更好、更精确。一些研究人员甚至宣称放射科医生的葬礼即将到来,因为AI将完成一切[3]。Choy等[4]研究了放射科医生在AI使用方面的工作前景。他们得出结论,在可预见的未来,对放射科医生的需求不会减少[4]。最近一次以“artificial intelligence”和“radiology”为关键词的PubMed检索自1986年以来共得到5,641篇论文。为了聚焦儿科放射学,我们应用了PubMed年龄过滤器“child: birth–18 years”,从而将检索范围缩小至308篇论文(5.4%)。只有一小部分是儿科放射学的真正研究:Miyagawa等[5]通过使用机器学习预测儿童疑似颅内压增高;其他近期儿科出版物涉及用于肺-胸部分割的深度学习技术[6]和腿长差异测量[7]等,仅举几例。在其他出版物中,儿童或青少年与成人一起被纳入。

因此,本文的目的是描述当前(儿科)放射科医生的环境——包括IT支持、其固有缺点以及当前AI应用及其困难。此外,我们提出一种称为“可解释AI”的新方法,并描述AI如何增强儿科放射科医生。

图1 放射科医生工作场所(驾驶舱)的可视化表示,图像像胶片一样掠过。分析这些图像可以被想象为一条隧道,其中报告是最终产品。在通往报告的过程中,必须处理若干约束条件,如患者责任以及法律和法医学要求 查看原图 ↗

放射科医生的工作场所和报告生成

基本上,放射学工作流程由如图2所示的步骤组成[8, 9]。通常,影像检查与放射技师团队协作完成,其中影像数据或由技师单独采集(如CT、MRI),或由放射科医师自行执行检查(如超声(US)、透视、介入放射学——取决于各国法律环境)。如前所述,影像设备的用户界面并未标准化,可能涉及所有肢体。例如,可用脚在超声设备上执行“快照/视频”操作,或在C臂系统上执行“透视开/关”[10]。在图像分析过程中,必须始终在脑海中保持病变解剖的三维(3-D)模型[11]。

报告生成在多个显示器前完成;其中一些显示器获许可用于图像判读,而办公显示器则用于更通用的目的,例如与医院信息系统(HIS)交互,或查阅其他信息来源如医学数据库。此外,固定电话或手机等通讯工具以及书架上众多的教科书和图谱也构成了完整的工作场景。图3展示了放射科医师的典型工作场所,包括IT设备和文献资料。

在所有设备和工具的中心是放射科医师——他或她正在管理数据洪流,努力使穿梭机保持在轨道上并生成一份智能报告。

此外,在作出疾病诊断之前,必须考虑既往多模态检查的结果以及患者的病史和临床体征与症状——因此近年来工作量不断增加[12–14]。此外,对于模棱两可的发现,必须通过查阅书籍、出版物、图谱论文或医学数据库中的诊断路径来加以澄清,或 simply 在互联网上搜索相似图像。

欧盟(EU)指令涵盖工作组织的多个方面并规定了允许的工作安排,其中一些也适用于放射科医师[15]。在欧盟国家内,放射科医师与其他医务人员一样,延长班和夜班可长达25小时[16]。但仍没有关于这25小时如何使用的规定,因此存在一种固有假设,即放射科医师将按要求完成工作。

为尽量减少判读错误,引入了双重阅片等策略。在乳腺影像等高度敏感的领域,该技术可将灵敏度提高5–10%[17]。根据欧洲乳腺癌筛查和诊断质量保证指南,存在预定义的质量控制方案以尽量减少错误[18]。在儿科放射学中,此类规定并不存在。欧洲儿科放射学会等专业学会通过工作组发布指南[19]。在这些专业学会内,与国外专家分享棘手、非紧急病例或在科学会议上讨论这些病例是常见做法。

图2 成像链——简化的放射学工作流程 查看原图 ↗
图3 典型放射科医师工作场所照片——高分辨率显示器、办公显示器、键盘、鼠标、通讯工具(固定电话和手机)、书籍、期刊和备忘录 查看原图 ↗

信息技术支持与不足

当前的IT支持由几个部分组成。图像归档和通信系统(PACS)使放射科无需管理模拟胶片档案——不再需要进行胶片归档和检索。患者几乎可以通过HIS实现无纸化管理,HIS提供患者的病史、既往检查的图像、报告等。

软拷贝阅片通过挂片协议得到增强。根据所使用的成像设备,可视化软件可以配置为以最佳方式显示图像以供阅片,从而使放射科医生无需手动排列图像。因此,每项检查的信息如设备、身体部位、检查描述、图像方向和患者体位或当前操作术语(CPT)代码必须是可获取的[20]。挂片协议可以集中存储,从而在不同工作站上可用,以便不同用户/组使用。为实现共享,已制定了“挂片协议服务类”和“挂片协议复合信息对象定义”方面的标准[21]。

目前已有软件可用,在后台/云端运行,能够突出病理并支持放射科医生进行诊断,例如脑部疾病、肺栓塞等[22]。强大的工作站几乎可以实时进行三维重建和其他后处理任务。语音识别能够将口述内容直接转录为报告文本。

将这些系统定制为适应科室工作流程可能是一项无止境的任务——从目录生成、预取规则、挂片协议的定义和共识查找等开始。一切都必须按照适用的数据保护法进行组织。后处理工作站的软件接口未标准化,有时甚至不是来自同一供应商。

云计算正变得普及,基于云的人工智能应用已经存在。关于CE(Conformité Européenne)或FDA(美国食品药品监督管理局)许可类型的概述和信息可在互联网上获取[23]。必须牢记,欧洲CE标志仅涉及数据保护或安全问题等正式法律层面;它不提供任何关于AI算法性能的信息。为提高AI算法之间的透明度和性能可比性,美国放射学会(ACR)提供在合适的参考标准数据集上进行测试的机会,这些数据集从多个机构收集,因而代表金标准[24]。此外,语音识别等工具的集成带来了其他挑战。在单独的软件训练之后,放射科医生在日常使用中必须在屏幕上打开新窗口,并等待相关语音识别与HIS等的同步。语音识别取决于所使用的词库和词语的统计表示。有专门用于放射学的词库,但这些通常不是为儿科放射学开发的。因此,胸片、CT和MRI的转录率良好,达到95%的预期性能水平,但根据作者的经验,对于超声、排尿性膀胱尿道造影、视频尿动力学和排粪造影等,这些比率较低[25, 26]。此外,包含大量数值数据的报告(如心脏CT或MRI)识别率较低。只有少数系统允许集成表单或在文本和数值输入之间切换。

总体而言,这始终是个体化与标准化之间的平衡。工程师和放射科医生之间的相互理解是一个关键特征,但并不总是存在。

报告的结构与结构化报告

最终报告是阅读一项检查的结果。它是一份正式文件,要求放射科医生对检查或操作给出正式解释[27]。数十年来,Wang等人[28]、Wallis和McCoubrie[27]以及欧洲放射学会(ESR)[29]一直提供关于结构和措辞的指南。ACR跨学会会议得出结论,报告工具不应妨碍放射科医生的工作效率。报告工具应能够为放射科医生整合语音识别和结构化报告[28]。此外,放射学组织应基于标准词汇创建报告存储库[28]。诸如临床文档架构(CDA)和医学数字成像和通信(DICOM)第20部分等标准可将DICOM结构化报告转换为CDA文档,从而实现IT环境内的集成[29]。这些指南的重要性和实用性毋庸置疑,但放射科医生在形式要求与医学问题和诊断难题之间投入多少脑力,仍是一个未解的问题。这尤其适用于住院医师,对他们而言,IT操作对Y世代可能更容易,但其主要重点是在放射学中获取知识和技能。相反,婴儿潮一代在IT系统管理方面更为吃力,从而妨碍了他们的工作流程。

这使作者得出陈述一:管理放射学IT环境是一项复杂的任务,会消耗不适当的脑力。我们希望放射科医生很快能得到直观且无缝的人工智能应用的支持。

但解决方案是什么?更好、更防错、更简单且更可用的系统?或者用一种新型的人工智能助手来协助放射科医生,让放射科医生专注于医学内容,并在同一工作场所与人工智能专家紧密/联合工作?当人们更希望的是相反的情况——用人工智能取代放射科医生以节省成本——时,谁来承担这些成本?

人工智能

人工智能的想法最早由Alan Turing于1950年发表[30],当时他在论文中提出假设:“计算机能像人类一样推理吗?”这是许多定义的起点,但从计算机科学的角度可以说,“人工智能代表数字计算机或计算机控制的机器人执行通常与智能存在体相关任务的能力”[31, 32]。为了完成这些任务,计算机必须从模式/策略中得出其决策/结论。所使用的方法被称为机器学习方法或机器学习算法。

机器学习使用计算机算法通过经验自动改进。所有算法都具有三个基本属性:(a) 数据分析[33],(b) 模型和模型优化(机器学习算法或方法通常被称为模型)[34],以及 (c) 目标函数或代价函数(用于衡量模型在给定任务上性能的函数这一术语)[35]。

这三个部分代表机器学习模型的生命周期,如图4所示。四种基本机器学习类别基于问题和数据:(1) 监督学习,即对带标签数据进行分类和回归问题[36];(2) 无监督学习,即对无标签数据进行聚类和分组[37];(3) 半监督学习,其中无监督方法帮助监督方法提高准确性[38, 39];以及 (4) 强化学习,也称为通过试验学习,其中人工智能学习如何在动态世界中控制智能体[40]。机器学习方法常与统计方法/模型混淆。机器学习关注的是结果和结论,而统计建模和统计方法更关注发现变量之间的关系以及这些关系的显著性。

图4 机器学习方法的生命周期。第一阶段是获取数据,随后是选择和优化模型。最后一步是开发一个性能良好、可在实践中使用的最终模型 查看原图 ↗

深度学习

深度学习是机器学习方法的一个子集,基于对任何生物中发现的神经网络进行算法解释[41]。2006年,G. Hinton等人[42]通过使用受限玻尔兹曼机基于二值或实值潜变量的连续层学习高层表示,对神经网络训练和可用性产生了巨大影响。他们的研究结果促成了多种类型神经网络的创建:

前馈神经网络代表了神经网络的最简单形式,其中信息仅在一个方向上流动[43]。卷积神经网络基于二维(2-D)卷积运算,通常用于从图像中提取信息[44]。循环神经网络类似于前馈神经网络,不同之处在于循环神经网络允许隐藏层内存在循环。循环充当记忆单元,可以存储因果数据类型中的重要特征[45]。

每种神经网络类型的常见拓扑表示见图5。总之,深度学习是机器学习的一部分,使人工智能成为可能[46]。人工智能、机器学习和深度机器学习之间关系的概述见图6。

图5 神经网络拓扑方案示例。a 前馈神经网络拓扑。b 典型的循环神经网络拓扑。c 卷积神经网络拓扑 查看原图 ↗
图6 人工智能(AI)、机器学习和深度机器学习之间关系的概述。机器学习是AI的子类型,深度机器学习是机器学习的子类型。每种亚型均给出了方法示例。KNN K最近邻算法,SVM 支持向量机算法 查看原图 ↗

人工智能在医学中的应用

放射组学是一种从图像中提取大量特征的方法,可以帮助建立诊断[47]。其总体思路是提取若干图像特征,如不同区域的大小和形状、图像强度直方图的描述符、不同的纹理提取或不规则性等,这些特征有助于各种疾病的诊断、预后预测和治疗管理[48, 49]。这些特征构成了计算机辅助诊断(CAD)软件的基础[50]。CAD软件的主要目的是减少人力并提高效率。如图7所示,CAD根据特征提取方式可分为两种类型:传统CAD,特征由人类提出;深度学习AI CAD,有用特征由机器学习提出并学习[51]。

在引入神经网络乃至AI之前,科学家使用机器学习方法,如回归、手工模式识别和基于支持向量机(SVM)的方法来检测异常或提取诊断模式[52–55]。随着AI的发展,算法提取的特征变得更加先进[56]。在某些情况下,已证明达到了甚至超越了人类的表现[41, 57]。例如,显而易见的是,AI可以通过区分人眼不可见的良性和恶性结节来检测和表征某些癌症[58]。鉴于早期阶段治愈率更高,这可以极大地改善患者预后。此外,通过自动分割,AI在效率、可重复性和测量质量方面提供了巨大潜力[59]。然而,为使AI发挥适当性能,需要大量高质量数据,这构成了重大挑战[60]。

放射学中的其他AI应用旨在加速图像采集、降低辐射暴露[61, 62]并改善图像质量[63–65]或语音识别以支持转录[66]。

图7 传统计算机辅助诊断(CAD)与深度学习人工智能(AI)CAD系统之间的差异 查看原图 ↗

应用人工智能在医学中的挑战与不足

由于机器学习,特别是深度学习[40]的成功,人工智能正在经历一场巨大的复兴,并且已有成功的放射学案例被提及[67];然而,也存在新的挑战[68]。将人工智能系统视为黑箱在可追溯性以及由此而来的可解释性方面构成了一个主要问题。

对可解释性的法律要求日益增加,尤其是在欧盟[69],这提出了为什么一个结果会被达成的问题,这不仅是可取的而且是强制性的!对于放射科医生而言,这要求具备技术可能性,能够按需追溯、理解和解释人工智能如何获得结果[70]。因此,越来越多的群体正在可解释人工智能(xAI)领域开展工作,以开发使此类黑箱方法能够被人类解释的方法。

此类可解释人工智能方法的一个流行例子是逐层相关性传播[71],其中可以利用热图突出显示导致结果的输入数据的相关部分。图8展示了一个示例,其中更多红色区域代表更高的骨折可能性。

这一技术解决方案是出色的第一步:可解释性突出显示了机器表示和机器模型中与决策相关的部分,即在训练中有助于模型准确性的部分,或有助于预测置信度的部分。在医学领域,需要因果可解释性[72]的概念。因果可解释性是解释的可测量程度——以图8所示的热图技术形式——达到人类特定水平的因果理解[73]。

“因果可解释性”一词来自“可用性”,因为可用性涵盖了对使用质量的测量,并且长期以来已在软件工程中被接受[74]。这种方法在医学领域总体上以及在放射学中具体而言都非常重要。出于法律原因,人类仍然保持控制并对决策负责——即使人工智能正在执行/支持决策。

全自动人工智能在中期内不会盛行的另一个原因是,医生/放射科医生拥有迄今为止任何人工智能都不具备的概念性理解和经验。一个潜在的解决方案是带有“人在回路”的交互式机器学习[75]。

机器学习训练所需数据的数量和质量是其成功的重要因素。具体而言,必须提及以下事实。关于数据质量,信噪比常被用作度量指标。噪声和伪影的存在取决于运动模糊、设备的正确处理以及设备设置[76]。关于维度,影像数据可以是二维图像直至具有高分辨率和复杂结构的三维或四维体数据,但机器学习算法使用较小的图像尺寸(通常矩阵大小为224×224)。将输入数据降尺度到所需的矩阵大小会导致模糊甚至丢失重要细节。因此,已开发出即使在降维后仍仅保留重要结构/部分的技术[77]。

数据变异性要求对成像模态进行全面校准,而这在日常工作中无法做到,临床上通常也不需要。举例来说,对于同一物体,不同CT机器的衰减系数会有所不同,并且还会因不同的曝光设置和图像重建技术而进一步变化[78]。这些差异给数据集增加了不必要的复杂性,需要通过归一化数据或采用不同的数据增强技术来补偿。

其中一些问题容易解决,但有些几乎不可能解决。然而,随着越来越多的数据集向公众开放,将会有更多关于获取不变数据的算法和方法的研究[79–81]。

图8 一名15岁女孩的逐层相关性传播。a 踝关节正位(AP)X线片显示腓骨骨折。b X线片被送入一个为自动骨折检测而训练的人工智能(AI)模型。AI预测的病理以叠加在X线片上的热图形式呈现,其中红色(热)区域代表AI对骨折更有信心的区域。热图在检查模型预测的准确性和合理性时尤其有用 查看原图 ↗

人类与人工智能在问题解决中的对比

对于未来医学AI的可能应用,尤其是在儿科放射学中,一个非常重要的问题是:什么可以由AI做得更好,什么可以由(人类)放射科医生做得更好?一个合理的假设是两者结合——迈向“增强放射科医生”的一步。最终责任仍将由放射科医生承担。一个可以想象的场景是工作质量的变化:简单但耗时的工作将交给机器,复杂的工作仍需要人类专业知识。外推任务应作为一个实际例子。从少量或不确定的数据中做出预测通常很难由机器实现[82]。这个问题在充满不确定性、且很少有毫无误差或噪声的精确函数值的医学领域更为困难[83]。训练有素的AI模型可以衡量两个数据对象的相似性;然而,它们无法解释为什么它们相似。在这里,人在回路中again可以提供帮助,因为其(他或她)对目标领域的语境理解,可以找到两个对象为何相似的潜在解释因素,这是人类(放射科医生)的典型特征。

正如一开始所述,真正的智能学习算法能够自动从数据中学习、提取知识并做出类似人类的决策。因此,人工智能一直受到人类的启发,即人类如何学习、如何提取知识以及如何做出决策。过去研究的关键见解提供了概率建模和神经启发算法[84]。函数学习出现在日常认知活动中:几乎每项任务都需要心理表征,将输入X映射到输出Y,f:X → Y。由于此类映射的集合是无限的,归纳偏置需要约束合理的推断。关于人类如何用连续变量学习此类映射的理论集中在两种替代方案上:(1)人类只是在估计显式函数,或(2)人类在进行由相似性原则支持的联想学习。普林斯顿Tom Griffiths周围的研究小组开发了一个统一这两种假设的模型[85]。

研究正在证明,人类非常擅长为困难问题找到接近最优的解决方案;他们能够检测并利用实例的某些结构特性来增强解决方案的部分。有趣的是,医生们并未意识到用人工智能解决这些问题会有多困难和昂贵[86, 87]。

这使作者得出陈述二:人工智能需要法律安全、安保和问责制。

由于法律和法医学约束,将人工智能系统用作黑箱——按下按钮等待结果,然后要么接受人工智能建议要么不接受——不是一个选项。报告放射科医生必须能够追溯并向系统提问,为什么达成了某个特定决策。这要求具有可追溯性和可解释性等特征的可解释人工智能。未来的人类人工智能接口应实现这种多模态视图[88, 89]。

个人经验

我们的跨学科研究小组于2018年开始在儿童创伤计算机视觉应用领域开展工作[52]。如所述[90, 91],人工智能在自动骨折检测领域可能有帮助。建立人工智能算法的主要障碍之一是缺乏标注的训练数据集和数据质量。创建和维护具有正确标签的大型图像集合是一项费力的工作[92]。我们发现人工智能算法在特定区域(如腕部X线片)的骨折检测方面超过了儿科放射科医生(Janisch等,2021,未发表)。我们认为,只要有足够的训练数据,人工智能在大多数身体区域和任务中都能达到类似的性能。辅助显示的热图使报告放射科医生能够分析人工智能系统发现的“热点区域”以及置信度水平(图8)。图9显示了在超过200,000张所有身体区域前后位(AP)视图X线片上训练的通用儿童骨折分类算法的受试者工作特征(ROC)分析。

结果尚不完全令人满意,准确率接近90%。然而,该算法仅基于放射学报告,这些报告对单次检查为阳性或阴性,而非针对单张图像。因此,一张图像可能被标记为阳性以表示存在骨折,即使该骨折实际上不可见且人类专家无法感知。此外,还需考虑标注错误,这取决于标注放射科医师的经验。通过尽量减少当前的标注问题并开发区域特异性模型,准确率可能会显著提高。热图使报告放射科医师能够了解AI系统的置信水平。

图9 儿童骨折分类的受试者工作特征(ROC)曲线。曲线下面积(AUC)为0.889,95%置信区间(CI)为0.863–0.915。该模型在258,866张涵盖所有身体部位的儿童X线片上进行了训练 查看原图 ↗

人工智能如何帮助(儿童)放射学?

放射科内的日常工作流程提供了许多纳入AI的选项。一个通用应用是重新设计人机界面。数十年来,键盘和鼠标一直是主要工具。只有智能手机、平板电脑和一些笔记本电脑触摸屏允许以更直观的方式使用手指。另一种方法是使用手势或语音命令与IT系统交互。AI应在后台工作,并通过在相应HIS(医院信息系统)部分悬停注释来通知用户。完整的HIS集成将是医务人员接受的关键——让他们花时间服务于多个IT系统并不是一个选项(见陈述一)。

接下来,我们根据简化成像链的各个步骤讨论潜在的AI支持(图2)。

适应证审批

转诊医师可以获得AI支持以选择合适的成像程序。当前的临床决策支持系统是单体式的,因此只允许选择一个项目[93]。AI系统可以汇总可用的患者信息,为特定病例建议最合适的诊断路径。

图像采集和原始图像处理

(立体)摄像系统和重量传感器可以自动测量身体尺寸和体重。通过将这些信息与成像设备共享,可以增强严格的快门设置。此外,在平片和CT中,可以以非线性方式建议适当的曝光参数以及原始图像重建项目(例如,查找表、锐化等)。测得的患者体重可以使AI计算CT所需的静脉造影剂用量;这些数据可以自动传输到高压注射器。操作人员将通过悬停注释获知信息。这将是一个流畅的过程,放射技师可以更好地专注于(儿童)患者而非机器。如前所述,已有努力通过AI减少CT剂量或加速MRI[61, 62, 64, 65]。一家供应商已实现深度学习在CT图像重建中的无缝集成[94, 95]。这些数据可以通过与图像质量参数关联来进一步利用——从而为定期报告奠定基础,该报告可能成为质量管理中有价值的未来工具。

图像后处理

图像后处理任务,如图像分割、多维图像重建或参数图像生成(显示功能,例如灌注图而非解剖/病理),可通过人工智能大幅增强。当今的图像分割工具较为粗糙,心脏磁共振成像 [96, 97] 等少数例外。手势引导的多维编辑工具可能有助于校正人工智能分割结果,例如精确的肿瘤体积评估。该领域的努力已持续超过15年 [98, 99]。其他人工智能应用可自动提取血管直径和壁厚度,或基于超声征象识别脂肪肝疾病,以便与随访研究进行比较。虚拟现实设备应允许多维数据展示以及例如介入操作的模拟。此类人工智能应用将使放射学报告更加精确;实现数据追踪、比较和透明化;并改善患者管理和福祉。

图像显示

如前所述,报告工作站上的图像显示基于挂片协议。理想情况下,人工智能应被训练来推测个别放射科医师对任何显示模式组合的意见,并且放射科医师能够通过手势或语音命令切换图像。

报告生成

在报告生成之前,人工智能可以作为后台进程搜索可能需要的相关资源(教科书、指南、分类方案)。此外,基于标准化的人工智能图像描述,执行相似图像的查询,这可能产生诊断线索。再者,人工智能探索图像中的模式(例如癌症、隐匿性骨折),这可结合可用的患者数据提出诊断建议。在儿科放射学中,这对于罕见疾病尤为重要,例如先天性畸形或由代谢缺陷引起的脑部疾病。

此外,应提供与同事(本地、国内、国际)轻松共享以获取第二意见的选项,人工智能可通过分析可用的个人资料来选择最合适的会诊伙伴。

在报告时,必要项目可通过语音或手势驱动,从其他资源复制到报告中,报告还应能够容纳关键图像、视频、动画和模拟。所有这些任务将在后台实时运行,信息再次通过悬停注释直观显示。

对放射学报告的影响可能包括减少描述但提供更精确的发现,包括定量数据或甚至罕见疾病的适当评分。这一成果将通过人工智能支持的信息管理与人类特征(如内容知识、创造力、问题解决能力和出色的示例记忆——我们甚至几十年后仍能清楚记得一个病例)的结合来实现。

工作场所

直观的个性化人工智能将阻止不必要的干扰,将其存储并按优先级排序以供稍后检索。

对于上述某些人工智能应用,技术基础已经具备。主要障碍在于系统不兼容和缺乏标准化。

此类人工智能应用可统称为个人人工智能助手,始终为放射科医师服务。

这使作者得出陈述三:不可否认,人工智能将成为医学尤其是放射学不可或缺的一部分,但出于许多原因,最终决定只能由人类放射科医生做出,因为只有他或她的教育和内容知识才能实现可靠的诊断。

然而,要正确使用人工智能,需要巨大的跨领域集体努力,包括:(a)提高认识;(b)保证人工智能的伦理、社会和法律方面;(c)涵盖各级课程的教育——从学生到住院医师再到继续教育。对于工程师来说,人机界面重新设计以及在庞大数据集中生成地面真值的策略是必须的。

引用

  1. Sorantin E, Grasser MG, Hemmelmayr A, et al. The augmented radiologist: artificial intelligence in the practice of radiology. Pediatr Radiol. 2021. PMID: 34664088. doi:10.1007/s00247-021-05177-7
  2. 全文:PMC9537212(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9537212/

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。