影像信息学知识现状:西班牙放射科医生调查
该研究通过在线调查评估了西班牙223名放射科医生(76.7%为主治医师,23.3%为住院医师)对影像信息学趋势的认知与担忧。结果显示,虽然大多数人对人工智能等通用术语有所耳闻,但对具体技术和编程语言了解甚少;所有受访者均认为应接受医学信息学培训,92.9%认为应纳入专科培训计划;患者安全是54.2%受访者的主要担忧,45.7%不担心失业。作者认为需要共识来改变当前培训课程。
要点
- 西班牙放射科医生对人工智能通用术语熟悉,但对具体技术(如Python、PyTorch)了解甚少。
- 所有受访者认为应接受医学信息学培训,92.9%认为应纳入放射科住院医师培训计划。
- 患者安全(54.2%)、适应新技术(50.2%)和每报告报酬减少(44.2%)是主要担忧,45.7%不担心失业。
核心结论
- 西班牙放射科医生对人工智能相关知识普遍缺乏,但有深入探索的意愿,且普遍认为应接受相关培训。
- 基于结果,需要达成共识以改变当前培训课程,更好地培养未来的放射科医生。
研究设计与样本
- 在线问卷调查(Google Forms),由作者设计20个问题,涉及术语和技术知识水平、对规范化培训的需求以及对技术广泛使用的担忧。
- 调查于2019年7月30日至9月30日开放62天,通过链接在西班牙放射科医生中传播,并由西班牙放射学医学会(SERAM)部分地区分支机构分享。
- 共223名在西班牙工作的放射科医生回答,其中171名(76.7%)为主治医师,52名(23.3%)为住院医师;排除不在西班牙工作的放射科医生。
- 使用Python(v3.4)pandas(v1.1.4)进行数据分析,组间比较使用卡方检验(scikit-learn v0.24.0),必要时应用Yates连续性校正,统计学显著性定为p<0.05;未提供置信区间,因调查纯属描述性。
诊断标准与关键数值
- 人工智能和算法等通用术语至少75.8%和57.4%的受访者听说过或读过;Python(71.7%)、R(81.2%)、PyTorch(96.4%)和TensorFlow(81.2%)等底层技术对大多数受访者未知。
- 所有受访者(100%)认为应接受医学信息学和新技术的学术培训,92.9%认为应纳入专科培训计划,76.8%认为西班牙4年住院医师期间没有时间纳入,84.3%认为培训费用应由雇主组织承担。
- 患者安全(54.2%)、适应新技术(50.2%)和每报告报酬减少(44.2%)是主要担忧;45.7%的受访者不担心失业;40.4%不担心工作量增加,30.5%表示有些担忧。
临床应用与阅片要点
- 作者认为人工智能应被视为助手而非直接竞争对手,不应害怕纳入人工智能,而应将其视为处于前沿的机会。
- 作者认为需要重塑当前放射科医生角色,以避免被临床医生或其他人工智能专家超越,甚至领导涉及放射影像的人工智能项目。
- 作者认为人工智能课程应不仅纳入放射科住院医师培训,还应纳入医学本科教育。
- 本研究中心正在开展针对住院医师的试点项目,包括数据管理、通用机器学习和深度学习(使用Python)等技能,重点在于评估和批判性评价;试点完成并评估后,计划为二年级(基础知识和理论方法)以及三、四年级(基于实践项目的方法)住院医师实施正式项目,并由第一批住院医师提供指导和辅导。
局限性
- 主要局限性为选择偏倚,源于初始调查披露以及受访者随后向同事和熟人分享导致的便利抽样。
- 更大的参与度将提高结果的稳健性,并允许得出更好的结论。
- 回顾性发现某些问题和选项设计存在方法学缺陷,认为可以改进以更好地评估回答。
- 未询问患者安全和伦理法律影响的具体原因,因此这些结果的解释可能有些模糊。
- 样本量或调查可及性也可能对结果产生影响。
全文中译5 节 · 点击展开
要点
西班牙放射科医生希望更深入地了解影像信息学。
患者安全和对新技术的适应是主要关注点。
放射学教育需要变革以纳入人工智能。
引言
毫无疑问,机器学习(ML)和深度学习(DL)算法的激增,加上放射学中产生的大量数字数据,正在改变这一医学专业。机器学习已被用于不同的成像模式,例如用于乳腺癌钼靶筛查的CAD(计算机辅助设计)系统[1],或胸部CT或X线摄影上的结节检测[2]。深度学习算法,特别是卷积网络,是一种有前景的医学影像数据处理技术,不仅可用于图像分类、目标检测、分割或配准等任务[3],还可用于剂量优化、生物样本库的创建和维护以及结构化报告等[4]。
在Pubmed医学研究引擎中搜索“Radiology” AND “Artificial Intelligence” OR “Deep Learning” OR “Machine Learning”,返回超过50,000篇文章,过去10年呈“准指数”增长斜率。正因如此,欧洲放射学会(ESR)和北美放射学会(RSNA)都拥有专门致力于人工智能(AI)的互联网门户网站[5, 6],后者甚至出版了一本完全专注于该领域的同行评审期刊[7]。
因此,放射科医生对该专业的未来日益担忧。一些人认为放射科医生将在几年内被淘汰,而另一些人,如上述学会[4, 8],则持更为保守的立场,认为AI将增强放射科医生的作用,并将工作从基于数量转变为基于价值[9]。无论具体观点如何,AI在放射学领域的闯入及其逐步融入临床实践,将给我们目前所知的放射学带来根本性变革。
本研究旨在评估目前在西班牙工作的放射科医生(包括住院医师和主治医师)对影像信息学趋势的一般知识和关注程度。在调查时已完成住院医师培训的所有受访者在全文中均称为主治医师。
方法
作者设计了一项在线调查(Google Forms©,https://forms.gle/Ha8Rbm9yEG2ZCmq29),根据最新和最相关的文献[4, 8, 10]制定了20个问题,涉及对流行术语和技术知识水平的了解、对规范化学术培训的需求,以及对这些技术在临床环境中广泛使用的伦理和人力相关影响的担忧。调查摘要见表1。
调查链接在西班牙工作的放射科医生中分发,请他们在征得同事许可后尽可能广泛地在全国同事中分享和宣传。西班牙医学放射学会(SERAM)的一些地区分支机构也分享了该链接。调查在2019年7月30日至9月30日期间开放62天。不在西班牙工作的放射科医生被排除在外。
回答被存储在一个电子表格(Google Forms©)中,随后被转换为逗号分隔值文件,并使用Python(v 3.4)pandas(v 1.1.4)库加载到Jupyter notebook中进行数据探索和统计分析。为便于分析和得出结论,“关注”部分的答案被分为三类:不关注(选项1和2)、无所谓(选项3)和关注(选项4和5)。在比较主治医师和住院医师之间的组间差异时,使用卡方检验(scikit-learn v 0.24.0)。在必要处应用Yates连续性校正。统计显著性以p < 0.05为标准。由于该调查纯属描述性,未提供置信区间。全文结果均以占总回答数的百分比表示。
结果
在两个月内,共有223名放射科医师回答了调查,其中171名(76.7%)为主治医师,52名(23.3%)为住院医师。与SERAM当前成员分布(836名住院医师和5139名非住院医师)[11]相比,我们发现住院医师的比例高于预期(p < 0.05)。
关于主治放射科医师,50.9%仅在公立机构工作,而5.8%仅在私营部门工作,38.6%兼顾公立和私营工作。相同比例(39.2%)的医师工作经验少于10年或多于20年。
至于住院医师,44.2%处于专科第二年。完成学业后,63.5%希望在公立机构工作,其中多数希望兼顾一些私营工作(55.8%)。32.7%尚未决定其偏好的工作环境。结果汇总见表2。
关于术语和技术,大多数深度学习所使用的基础技术对调查参与者而言仍然陌生,如Python(71.7%)、R(81.2%)、PyTorch(96.4%)和TensorFlow(81.2%)。相反,人工智能和算法等一般性术语分别至少在75.8%和57.4%的情况下被听说过或读到过(图1)。在人工智能、算法、反向传播、黑箱和TensorFlow方面发现了统计显著性(表3)。根据Pearson残差,这种显著性主要是由于更高比例的住院医师仅表现出偶尔使用或了解。
所有受访者(100%)都认识到他们应该接受医学信息学和新技术方面的学术培训。92.9%认为这些技能和能力应纳入该专科的培训计划,尽管76.8%认为在西班牙4年住院医师培训期间没有时间纳入这些内容。大多数受访者(84.3%)认为该培训应由雇主机构承担费用(图2)。除技术公司外(住院医师选择比例更高,50% vs 28.1%,p = 0.006),各组之间未观察到显著差异(表4)。
40.8%的受访者在过去一年中未参加过任何关于该主题的通讯或讲座,而41.7%参加过少于三次。同样,49.8%的放射科医师阅读过一至三篇关于该主题的科学文章,26%未阅读过任何相关科学文章(图3)。
患者安全(54.2%)、对新技术的适应(50.2%)以及减少每份报告的追责(44.2%)是主要担忧。另一方面,45.7%的参与者不认为失业是一种危险。关于工作量增加,40.4%不担心,而30.5%表达了一定程度的担忧(图4)。
讨论
我们评估了在西班牙工作的放射科医生对AI相关主题的总体理解和担忧。近年来,在意大利[12]、法国[13]或瑞士[14]等其他欧洲国家,甚至在欧洲放射学会(ESR)成员中[15],也开展了类似研究。美国[16]、新加坡[17]和沙特阿拉伯[18]也有相关调查。也许迄今为止在这方面最全面的研究之一是Huisman等人[19, 20]于2019年开展的两部分国际调查。
我们的受访者分布显示,住院医师的比例高于根据西班牙医学放射学学会(SERAM)成员分布所预期的比例。这一趋势也出现在一项意大利全国性在线调查中,该调查由1032名意大利医学放射学与介入放射学学会成员回答,其中受访者的年龄分布比预期更年轻[12]。可能有多种因素可以解释我们的结果,例如年轻放射科医生对AI更感兴趣,因为它可能对其未来职业产生更大影响,意大利调查的作者也认同这一观点[12]。然而,样本量或调查的可及性也可能发挥了作用。例如,我们的调查是通过便利方式传播的,这基于谁收到了调查及其联系人而产生了固有偏倚。
当被问及AI和特定术语时,绝大多数人要么听说过AI,要么在日常工作中使用过它,而223名受访者中只有2人没有听说过AI。这一结果与其他类似调查一致[16–20]。其他通用术语如算法、机器学习(ML)或卷积神经网络也为50–75%的参与者所熟悉。这是可以预期的,因为近年来关于AI的讲座和文章大量涌现,一些放射学学会如ESR和加拿大放射学协会已就此主题撰写了白皮书[4, 21],其他机构如EuSoMII[22](ESR的机构成员学会)也开展AI培训活动。
然而,当被问及更具体的术语如反向传播、黑箱或编程语言如Python或R时,结果却相反,大多数参与者对这些几乎一无所知。在AI、算法、反向传播和黑箱等术语上发现的组间显著差异,可能解释为主治医师对商业产品的更高接触或使用,或他们参与研究项目。Collado-Mesa等人[16]发现,在美国单中心的一项调查中,只有33%的受访者认识到语音识别是一种AI工具,尽管所有参与者每天都在使用它。我们的结果也与Huisman等人的工作一致,其中只有少数受访者(16%)具备高级AI技能[19]。这表明,尽管放射科医生了解AI,但大多数人只触及表面,或者不知道AI/ML已经得到实施。仅凭这一点是否足以在AI完全融入日常工作流程的未来中生存还有待观察。事实上,在我们的调查中,44.2%的参与者担心适应新技术,而32%的人则不担心。
上述情况可能与过去一年中参加AI/ML相关讲座或阅读论文的数量有关。总体而言,82.5%的人参加了三次或更少的讲座(40.8%为零次),75.8%的人阅读了三篇或更少的论文(26%为零篇)。在新加坡进行的一项多中心调查[17]显示了类似结果,其中29.6%的参与者在前六个月内没有阅读过一篇论文,56%的人阅读了一到五篇。同样,80.8%的人在过去5年内没有参加任何数据科学课程[17]。Collado-Mesa等人[16]在2017年提出,对AI/ML科学文献接触较少的一个可能解释是主要放射学期刊中基于AI的文章相对较少,尽管我们认为这种情况正在急剧变化,因为文章数量呈指数级增长。这种低接触的另一个原因可能是住院医师培训中缺乏AI/ML项目的实施。例如,西班牙官方放射学住院医师课程中除了提到办公软件和远程放射学工具以及使用互联网作为信息来源外,没有提及图像计算[23]。至于欧洲培训课程,一级和二级文件(2020年3月)提到“理解AI工具的功能和应用、AI伦理知识以及性能评估和批判性评价”[24]。
每位参与者都表示需要在新技术的学术培训方面继续深造,92.9%的人认为这应纳入该专业的学术计划中。其他类似调查[15–17, 20]也表明了这一点。
在这方面,Lindqwister等人[25]最近在美国达特茅斯开展了一个放射学综合人工智能课程(AI-RADS)的试点模型。该课程基于一系列人工智能基础算法,将这些算法作为彼此的逻辑延伸,以每节课一小时的形式讲授(每月一次,共七个月),并辅以同步的期刊俱乐部,重点讨论上一节课所讲的算法。该课程还配套了像素数学等关键主题的辅助课程,因为大多数参与者没有计算机背景。该课程获得了9.8/10的满意度评分,住院医师认为对人工智能基本概念的理解有所提高[25]。
Wiggings等人[26]为高年资放射科住院医师设计并实施了一条聚焦的数据科学路径。在该模型中,三名具有不同技术背景的第四年住院医师参与了数据科学路径,旨在在适当的导师指导下涵盖临床机器学习模型开发的所有阶段(基础知识、数据策划、模型开发和临床整合)。作者指出,数学基础、基本编程、机器学习理论、数据策划和模型开发以及临床整合是成功参与临床数据科学的关键因素。在这个试点项目中获得的经验将有助于改善后续年份的培训体验,以实现该课程的长期成功。在培训结束时,参与者表现出对更正式的教学课程的期望[26]。
我们机构正在开展一个面向住院医师的试点项目,包括数据管理、使用Python的通用机器学习和深度学习等技能,重点在于评估和批判性评价。在该试点经验完成并评估后,我们计划为所有第二年住院医师(基础知识和理论方法)以及第三年和第四年住院医师(基于项目的实践方法)实施正式项目,并由第一批住院医师提供指导和导师支持。
我们的受访者达成共识,将人工智能课程加入4年住院医师项目可能不足以形成良好的人工智能素养。这些结果难以解读,因为问卷中未包含该培训所需水平或知识,也未询问参与者是否了解前述的欧洲培训课程。据我们所知,欧洲对于这一教学路径应该是什么样尚无共识。无论如何,我们认为如果我们希望在放射学住院医师培训期间或之后培养具备足够人工智能技能的放射科医师,当前模式需要改变。受训者可能不需要花那么多时间掌握模式识别,而可以花更多时间学习数据科学和人工智能[27]。
我们的结果所显示的对于失业的普遍缺乏担忧,在几乎所有调查中也是如此[12, 14, 15, 17–20],在这些调查中,放射科医生相当热衷于将其纳入日常工作。在意大利的调查中,约66%的受访者将人工智能定义为日常实践的辅助工具,并认为图像解读将由人工智能处理[12]。此外还达成共识,人工智能将有助于减少错误并优化放射科医生的工作[12, 13]以及行政负担[16]。这与Huisman等人开展的国际调查结果一致,在该调查中,受访者认为人工智能将改变放射科医生的任务,而非完全取代他们[19]。最大规模的系列研究显示,对放射科医生任务变化的担忧(82%)远高于对放射科医生被完全取代的担忧(10%)[19]。因此,近期的进展使我们认识到,人工智能将改变我们目前所知的放射学。但也许这种转变不会像最初想象的那样具有破坏性,而是更加有机、与日常工作流程交织在一起,使我们能够实现放射科医生与计算机之间的协同效应,让放射科医生将时间用于执行增值功能并提高其职业满意度。这一观点得到了一些现有文献的支持,其中多达77%的受访者认为这些工具将实现工作流程优化[20]。在这方面,人工智能应被视为僚机而非直接竞争对手,我们不应害怕纳入人工智能,而应将其视为处于前沿的机会,因为它也可能对另一个医学领域产生影响。事实上,越来越多的人认为它可以赋权放射科医生,创造一种专注于数据分析的新形象:放射科医生作为临床数据科学家[28]。确实需要重塑当前放射科医生的角色,以避免被临床医生或人工智能领域的其他专家超越,甚至领导涉及放射学图像的人工智能项目。受访者给出的一些自由回答与这一说法一致,例如“我们需要与工程师和信息技术人员合作。我们是分析师,他们是开发者。”这与一些最悲观的观点相悖,这些观点也没有考虑一些人工智能尚无法执行的任务,如血管和非血管介入治疗,或参与多学科会议。
关于工作量增加的看法相当相似,30.5%的人担心可能增加,而40.4%的人完全不担心。在EuroAIM调查中,近75%的受访者认为人工智能将影响工作量,但不清楚是增加还是不是[15];在意大利调查中,少数人认为人工智能会增加工作量[12]。两篇文章都得出结论,这些差异反映了对人工智能在放射学中影响的不确定性,我们基于自身结果也认同这一说法。
EuroAIM调查显示,55%的受访者认为患者不会接受仅由人工智能应用生成的报告[15],这一结果与其他文献一致[3]。瑞士调查的参与者对于人工智能出错时责任应归属何方并未达成一致[14]。关于人工智能未来最为悲观的文献也持有类似看法,其中“人类屏障”可能成为完全取代放射科医生的障碍[29]。在我们的研究中,50.2%的参与者对患者安全表示担忧,推测是出于伦理-法律方面的考量。当然,关于使用这些工具时的错误、差异和不当行为将如何管理仍存在争议,这可能导致不仅放射科医生而且患者和其他医学领域对其采纳产生抵触[29, 30]。Ongena等人[31]对荷兰21名患者进行了问卷调查,结果显示他们对人工智能系统接管放射科医生进行诊断解读并不乐观。这凸显了在放射学领域对人工智能工具进行严格规范化的重要性,以及患者在这一过程中的关键作用。
最后,学生的意见也很重要,因为他们是未来的放射科医生。Gong等人[32]对加拿大322名医学生进行了调查,结果显示67.7%的学生认为人工智能将减少对放射科医生的需求,并使他们对申请放射学专业望而却步。然而,先前具备人工智能背景与更积极的态度相关。瑞士调查也同意,学生可能因为担心人工智能对其工作保障构成不利因素而害怕专攻放射学[14]。由于先前的人工智能知识在消除对人工智能的恐惧方面具有积极作用,我们同意两位作者的看法,即人工智能课程不仅应纳入放射学住院医师培训,还应纳入医学本科教育阶段。
我们认为本研究的主要局限性是选择偏倚,其来源于初始调查披露以及随后受访者向同事和熟人分享所导致的便利抽样。此外,更高的参与率将提高结果的稳健性,并使我们能够得出更好的结论。回顾来看,我们发现某些问题的设计和所提供选项存在一定的方法学缺陷,我们认为这些可以改进以更好地评估回答。具体而言,关于患者安全和伦理-法律影响的确切原因未被询问,因此对这些结果的解读可能有些模糊。
总之,西班牙放射科医生中对这些主题普遍缺乏了解,无论是培训中的成员还是主治医师。然而,正如其他国家开展的调查所示,人们普遍有热情深入探讨这一问题。失业并非我们受访者的主要担忧,这与那些预测我们学科将消亡的最不祥的声音相反。虽然包括我们在内有一些机构倡议旨在培训其放射科医生在这一领域的能力,但毫无疑问,需要达成共识来改变当前的培训课程,以使新放射科医生为人工智能无疑将塑造该职业的未来世界做好准备。
引用
- Eiroa D, Antolín A, Fernández Del Castillo Ascanio M, et al. The current state of knowledge on imaging informatics: a survey among Spanish radiologists. Insights Imaging. 2022. PMID: 35235068. doi:10.1186/s13244-022-01164-0
- 全文:PMC8891400(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8891400/
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。