指南与共识技术与安全CTDR

数字放射学中的人工智能:第一部分:挑战、接受度与共识

The Artificial Intelligence in Digital Radiology: Part 1: The Challenges, Acceptance and Consensus.
指南 / 共识 · Healthcare (Basel) · 2022-03-10

该研究通过两项平行视角的叙述性综述,检索PubMed和Scopus并采用5级评分参数进行合格性评估,梳理数字放射学中人工智能整合的挑战与接受度评估工具。结果分类归纳了算法、放射科医师专业性、工具与工作流、团队协作、教育及伦理法规六类挑战,并指出接受度评估几乎均基于非标准化原创问卷。作者建议未来问卷研究应更好地校准并纳入现有挑战,同时开展国际层面的验证与实施路径。

要点

  • 人工智能在数字放射学中的整合面临算法、工作流、团队协作、教育及伦理法规等多方面挑战。
  • 评估内部人员接受度的工具几乎均基于原创非标准化问卷,极少使用标准化工具或涉及科学学会。
  • 作者建议未来问卷研究应更好地校准并纳入现有挑战,并开展国际层面的验证与实施路径。

核心结论

  • 研究分类归纳了数字放射学中人工智能整合的主要挑战,并指出接受度评估工具以原创非标准化问卷为主。
  • 作者建议未来基于问卷的研究应更好地校准并纳入现有挑战,同时开展国际层面的验证与实施路径。

研究设计与样本

  • 研究为两项叙述性综述,通过两个平行视角分别考察人工智能的持续挑战与接受度及共识举措。
  • 检索PubMed和Scopus,采用含不同参数、5级评分的合格性评估系统,由两名专家评分,分歧时由一名裁决者裁定。
  • 参数评分最低1分、最高5分,所有参数评分≥3.0的研究纳入综述;存在利益冲突严重问题(如无客观性保障)的研究无论评分如何均排除。
  • 第一视角检索后纳入20篇论文,主要为综述(15篇)及5篇针对具体方面的近期科学论文或焦点文章。
  • 第二视角经快速初筛和合格性评估后纳入15篇论文。

诊断标准与关键数值

  • 合格性评估采用5级评分系统,所有参数评分≥3.0的研究纳入综述。

临床应用与阅片要点

  • 原文未据此给出推荐。

局限性

  • 原文未报告局限性。
全文中译20 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:Healthcare (Basel). 2022 Mar 10;10(3):509. doi: 10.3390/healthcare10030509

1. 引言

我们正目睹人工智能在医学许多领域的引入。在这些领域中,我们发现有数字放射学和数字病理学领域。其潜力非常巨大。尽管使用速度和程度不同,人工智能在这两个领域的许多活动中都被证明是有用的。放射学和病理学工作流程当然可以从人工智能的常规使用中受益。由此可能产生的优势似乎很重要[1]。它们从减轻工作量到仪器的质量控制不等。然而,医院常规在实施之前有一些强制性步骤。在这些步骤中,我们当然会发现与接受和共识相关的那些步骤。关于人工智能的接受和共识,在数字放射学和数字病理学中都引起越来越多的兴趣,并且是特刊“数字病理学和数字放射学中的人工智能:我们在哪里?”的强烈关注主题之一[2]。

在仍然活跃的大流行期间,人工智能在数字放射学中的近期经验似乎很有前景。人工智能在胸部计算机断层扫描/放射摄影中的成功应用似乎使引入临床常规的时刻越来越近[3,4]。

这当然将通过适当的循证医学向临床实践和健康领域的转移,借助协议工具来实现。技术评估工具,如卫生技术评估和比较效果研究[5],当然将是有用的。其他方法,如共识会议方法[6],将能够被实施。共识会议目前在其他新兴领域成功使用,这些领域也使用人工智能,如机器人技术[7,8]。从未来的研究中,大概会出现对临床传播有用的指南[9]。

人工智能在健康领域内的整合过程中受到持续挑战[10]。为了面对人工智能与数字放射学整合的良好过程,首先有必要:(a) 始终创造新的挑战,“将希望与炒作分开”并避免陷阱[10];(b) 确保内部人士的接受和共识过程伴随这些挑战,这些人将在其工作流程中与这些技术打交道。因此,这些挑战之后必须通过健康领域的整合过程,借助也基于接受和共识研究的协议工具。

2. 目的

本研究的目的是聚焦人工智能整合,并:(a) 检查该领域与健康领域整合相关的主要挑战。

这一点旨在回答关键问题“在将这些技术整合到健康领域中,当前需要面对的主要挑战是什么?”

处理健康领域的接受主题,并解决用于评估内部人士对此的使用工具的相关实施状态。

这一点旨在回答关键问题“目前使用什么工具来评估内部人士对这些技术的接受度?”

作为一项次要目标,分析这些挑战与可接受性之间如何相互关联,以及有哪些可能的推进方式以改善内部人员之间共识的整合。这一点旨在回答关键问题“鉴于前几点中出现的情况,本研究提出了哪些建议来改进用于评估内部人员可接受性的工具?”

3. 方法

根据研究目的,本研究面对了三个视角。

关于研究的检索,我们认为所有视角都涉及健康领域的整合。因此,我们决定首先着眼于一个包含该领域国际同行评审研究的数据库。

我们还考虑了该主题的跨学科方面,并认为检索还应使用多学科数据库加以深化,同时始终考虑到文章的选择(见下文)必须强烈考虑健康领域的整合。我们选择PubMed(一个主要关注生命科学和生物医学学科的档案库,包含Medline)作为我们的主要数据库。我们还将检索扩展到Scopus这一多学科数据库;然而,严格考虑到我们处理的是健康领域的各个方面。

前两点面对了文献检索,使用有针对性的检索词并通过资格审核流程。资格审核流程基于评分系统(具有不同参数和5个等级的评分),由两名专家应用(不一致时增加一名仲裁者),以纳入每篇参考文献。可以为这些参数分配从最低分一分(最低)到最高分五分(最高)的分数。表1显示了评分系统。

无论评分如何,如果存在利益冲突的关键问题(例如,在没有系统制造商客观性保证的情况下进行的研究),该研究将被排除。

如果所有参数评分≥ 3.0,则该研究被纳入综述。

第三点是一个反思点,基于前几点中出现的情况,因此在讨论中面对。

前两点的具体检索为:

(第一视角)该领域的检索已考虑表2中的检索词进行。

(第二视角)该领域的检索已考虑表3中的检索词进行。

4. 结果

4.1. 挑战

根据本研究的第一个目标,我们分析了人工智能在数字放射学中设计与整合的主要挑战。资格审核流程导致选择了20篇论文[11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30],其中主要是综述(数量为15篇)(考虑到所涵盖的广泛主题,这是可以预期的),但也有5篇关于非常具体方面的近期科学文章/焦点文章[15,26,27,29,30]。

检索强调了:所呈现的图景是科学产出的图景,涉及与挑战相关的所有方面,从算法挑战[13]到伦理和法律问题挑战[14]。

根据以下主题分析,这些挑战被编排为六个段落,并附有每篇论文的概要。

4.1.1. 算法挑战

Fazal等人[11]关于该主题的第一项研究涉及算法的演变和使用前景。该研究表明,在经历了1960年技术局限导致的初期困难之后,20世纪80年代基于人工智能的计算机辅助检测软件的引入标志着人工智能在放射学报告中的广泛整合的到来。作者指出了算法面临的宏观挑战领域:(a)降低导致计算机辅助检测受限的假阳性率,尽管这一点已得到显著改善。(b)更好地理解人工智能的推理过程;(c)明确界定算法导致错误时的责任归属。

Maowad等人[12]的另一项研究专门聚焦于机器学习和深度学习的挑战,这两者是人工智能的子类,在图像分析中展现出突破性性能。作者讨论了机器学习和深度学习在诊断放射学领域的当前应用。他们强调深度学习应用可分为医学影像分析和分析之外的应用。作者还强调,除图像分析之外,深度学习还可用于质量控制、工作流程组织和报告撰写,从而彻底改变业内人员的工作方式。

Barragan-Montero等人[27]的研究面对了安全高效使用临床人工智能应用的挑战。他们报告称,这部分取决于具备相关知识的从业人员,并回顾了人工智能的支柱,以及最先进的机器学习方法及其在医学影像中的应用。

他们以隐喻的方式描述,人工智能、机器学习和深度学习可被视为彼此嵌套的套娃。人工智能汇集了符号主义(自上而下)和联结主义(自下而上)两种方法。机器学习是联结主义的主导分支,融合了生物学(神经网络)和统计学(数据驱动学习理论)的影响。深度学习主要聚焦于大型神经网络,具有处理图像的功能特异性。据此,他们报告了不同学习框架和策略(以及每种框架所用的一些最流行的算法或技术)与特定医学应用之间的精细映射,并以表格详细列出。该映射在表格中分为三部分:基本学习框架(监督学习、无监督学习和强化学习);混合监督与无监督的混合学习框架;以及最后,解决连续学习问题或将多个模型组合在一起的常见学习策略。

4.1.2. 聚焦放射科医师专业性的挑战

人工智能在数字放射学中的这些创新主要围绕放射科医师的专业层面展开。

Gampala等[16]的研究强调了该专业人员处于医疗决策链末端所面临的挑战。人工智能可以简化各项活动,如医嘱与排程、方案制定与采集、图像解读、报告、沟通和计费。因此,人工智能在诊断(通过图像增强、特征评估与识别来支持分类活动)以及患者管理与工作流程中均可发挥作用。因此,正如医生熟悉规划方案或勾画指南一样,临床团队也应开始熟悉人工智能时代数据管理与数据治理的指导原则。

与这项研究一致,Barragan-Montero等[27]的研究强调,数字放射学中使用的可查找性、可访问性、互操作性和可重用性数据原则[27]必须通过围绕放射科医生(包括人工智能)的挑战加以重新思考。

根据Banja等[26]的研究,对这些原则的重新调整在算法的开发和使用方面面临有关伦理和监管影响的重大挑战[26]。三项研究[16,26,27]以互补的方式表明,为支持放射科医生,数据科学专家应致力于开发性能日益优异且针对性更强的算法,并在校准中考虑应用的特异性、决策方案以及成像形成过程中每次均不相同的物理过程。因此,放射科医生与这些同样参与基础研究的科学专业人员沟通十分重要,既可提供新的刺激,也可提供使用反馈。

4.1.3. 工具、数据集和工作流程面临的挑战

Ahmad的研究[17]、Hamed等的研究[18]以及Kottler的研究[19]也提到了数字放射学中的挑战。特别强调了工程和机器在硬件、软件以及对工作流程影响方面的挑战。这些研究[17,18,19]还报告了重要的新活动,如选择人工智能产品和供应商;试点供应商的人工智能算法;创建我们自己的人工智能算法;实施、优化和维护这些算法。

Martin-Noguerol等[20]的研究特别关注工具开发方面的挑战。该研究报告了工具对用例的重要性并对其进行了描述,包括临床注册中心、工具验证和放射学报告辅助。具体而言,他们报告了对成功实施用例所需工具的综述。

Cushnan等[28]的研究强调了用例的重要性以及国家COVID-19胸部影像数据库的经验,该数据库由英国胸部影像学会、皇家萨里国家卫生服务基金会信托和学院领导,在全国范围内收集数据集。由于多种原因,这是一项具有挑战性的实践,包括数据隐私问题、缺乏数据报告标准、可互操作技术以及分发方法。作者报告称,这是推动人工智能在健康领域安全应用的关键问题。

4.1.4. 团队合作面临的挑战

广泛的团队合作应致力于数字放射学中的人工智能开发。Martin-Noguerol等人[20]的研究报告了围绕这些工具的团队合作挑战,特别是工程师、系统开发人员和放射科医生之间的协作。放射科医生与数据科学家之间的沟通被认为是成功协作工作的关键。研究强调了放射学和医学培训中固有的特定技能,这些技能对于识别解剖或临床目标以及分割或标记病变至关重要。根据作者的观点,这些技能随后必须被转移、解释和教授给数据科学专家,以促进他们的理解和算法整合。Pesapane等人[21]的研究报告了利益相关者的角色在这一团队协作中也被认为是战略性的。作者报告称,利益相关者认为人工智能可以改善放射学实践,并且他们认为放射科医生被替代的可能性不大。此外,该研究报告称,利益相关者确定了人工智能教育和培训的需求,以及改善人工智能实施的协作努力。

4.1.5. 教育面临的挑战

在不同研究中[15,22,23,29,30],教育和培训被认为是人工智能融入健康领域的关键因素。

Pesapane等人[22]的研究强调,培训需要是持续的、专业化的,并基于区域内的高度流动性,因为它必须考虑人工智能的持续演变。

Pianiykh等人[23]的研究强调了持续培训的重要性,考虑到基于网络的算法遵循持续学习过程[23]。Fischetti等人[30]的研究表明,随着人工智能在医学中的整合,当前的医学受训者课程可能会经历其在教育和医学实践方面所提供的影响。该研究深入探讨了当前医学受训者课程中放射学教育的格局,并面对了人工智能如何可能影响当前和未来放射学教育模式的问题。从镜像的角度来看,Reeder等人[15]的研究强调了人工智能也可能对学生选择大学产生负面影响。研究强调,人工智能对美国医学生选择放射学作为职业有显著负面影响,这一现象受到个人担忧和医学界对人工智能接触的双重影响。根据这些作者的观点,挑战还在于避免错误信息对人工智能的影响。与此一致,Morrison等人[29]的研究报告了教育以及更高语言清晰度的重要性。他们通过主题分析得出结论,将教育和语言清晰度均视为消除国家卫生服务中采用人工智能障碍的有利因素。

4.1.6. 伦理和监管问题面临的挑战

在这些挑战中,还包括伦理方面[14,24,25]和法律法规[14,25]的影响。事实上,随着人工智能作为医疗器械的使用不断增长,无论是单独使用还是与网络互联,在自由市场使用的各个方面,适应和遵守立法被认为是一项根本性挑战。

Pesapane等人[14]的研究分析了医疗器械开发背景下的监管,以及使人工智能应用在未来安全且有用的挑战。作者分析了欧洲和美国监管医疗器械和数据保护的法律框架。欧盟正在通过新立法(《通用数据保护条例》、《网络安全指令》、《医疗器械条例》、《体外诊断医疗器械条例》)改革这些领域。就美国而言,食品药品监督管理局主要掌控监管格局。该研究强调了以下基本方面:-人工智能应用是支持检测/诊断、工作流程、成本效益的医疗器械。-需要针对安全性、隐私保护以及敏感信息伦理使用的法规。-欧洲和美国在批准和监管新医疗器械方面有不同的方法。-欧洲法律考虑网络攻击、事件(通报和最小化)以及服务连续性。-美国法律要求选择加入的数据处理和使用以及明确的消费者同意。Jaremko等人[25]的研究提供了一个框架,用于研究医学影像中人工智能的法律和伦理问题,涉及患者数据(隐私、保密性、所有权和共享);算法(自主级别、责任和法理学);实践(最佳实践和当前法律框架);最后是从全民医疗保健系统角度探讨人工智能的机遇。Akinci等人[24]的研究完全致力于放射学应用中的伦理方面。伦理问题在核心生物医学伦理原则和人工智能特定伦理挑战原则的指导下进行了讨论,同时概述了为放射学中人工智能应用伦理提出的各项声明。

4.2. 用于评估接受度的工具

根据研究的第二个目标,我们分析了在健康领域整合中的接受度。许多研究在第一次快速筛选后被排除,因为具体的研究关键词(例如接受度)与该主题所开发的内容不相关,和/或与其他背景相关,和/或在句子中仅出现一次。

经过这一快速初步筛选,资格审核过程最终选出了15篇论文[31,32,33,34,35,36,37,38,39,40,41,42,43,44]。

分析分为两段。第一段报告这些研究中出现的一般性考虑。第二段报告详细分析及每篇论文的概要。

4.2.1. 关于接受度工具的一般性考虑

检索突出表明:(a)所选论文显示,这些工具基本上基于问卷[31,32,33,34,35,36,37,38,39,40,41,42,43,44];

对该主题的关注是近期的,因为相关研究的发表才刚刚开始,最早的一批发表于2019年,这进一步凸显了本研究的必要性。

所选论文[31,32,33,34,35,36,37,38,39,40,41,42,43,44]表明,这些研究聚焦于该领域的一些参与者:放射科医师、放射技师、初级保健提供者、开发者、学生和患者,即既包括服务提供者也包括使用者,以及处于培训中的对象。

在某些情况下,对不同参与者开展了比较研究。

调查采用了访谈和结构化数据收集两种方式。在所有已确认的案例中,所使用的问卷均基于选择题、Likert量表、分级问题(心理测量量表)和开放性问题。

这些工具几乎总是基于原创的、非标准化的问卷。目前放射学中按已数十年成熟的技术所使用的 consolidated 标准化工具,如图片归档与通信系统(Picture Archive and Communication Systems)[45]和技术评估模型(Technology Assessment Model),并未被采用,因为它们不适用于处于演进和发展中的不稳定技术。

除极少数例外(如[33]),学者们倾向于使用个人的、原创的、未经验证/标准化的问卷来调查该主题。事实上,他们聚焦于接受度中特定的、新的、从未探索过的领域,这些领域每次都不相同且不统一(取决于产生医学知识的需求),显然无法准备好特定的标准化工具以供重复使用,同时考虑到上文所述该领域非常近期的关注。除极少数例外(如[40,43,44]),科学学会并未参与。

4.2.2. 接受度工具的详细情况

三项研究[31,32,33]涉及针对患者(即服务客户/最终接受者)的问卷。

Fischetti等人的第一项研究[31]聚焦于人工智能在工作流程中的整合。他们收集了关于人工智能在从患者入院到医学报告这一医学工作流程中使用多个方面的意见。

Zhang等人的第二项研究[32]提出采用访谈来提取关于人工智能具体在诊断中使用的看法。这些看法是积极的。该研究还提出了对网络安全的某些担忧。

Ongega等人的第三项研究[33]聚焦于对人工智能的感知观点。该研究显示:-患者对人工智能看法的重要性。-社会因素的影响。-问卷作为传感器的有用性。

Hendrix等人报告的研究[34]聚焦于第一位重要参与者(因其在患者与健康领域之间的关键作用):初级保健提供者。参与者强调了在人工智能支持下获得的临床报告中灵敏度及其他参数的重要性。人工智能的使用被认为适合在“分诊”角色中用于筛查可能为非阳性的病例,而无需放射科医师的验证。

[35,36,37,38,39,40]中报告的研究调查了其他内部人员的意见,包括培训中的学生。

[35,36,37]中的研究报告了三项基于向放射技师发放调查的研究。

具体而言,Abuzaid等人[35]的研究涉及工作流程中的接受度。该研究显示:-对在培训项目中整合人工智能的普遍热情。-对人工智能潜力的兴趣。-对工作保障的担忧。-继续教育和培训的重要性。

Abuzaid等人[36]的研究涉及磁共振成像应用。向参与者提出了焦点小组和问卷。参与者认为人工智能可以极大地改善工作流程。此外,该研究还指出了继续教育和针对性培训的重要性。

Giansanti等人[37]的研究收集了关于后疫情时代人工智能使用以及为科学学会设计结构化问卷的意见。

Abuzaid等人[38]的研究调查了放射科医生和放射技师对人工智能整合到放射学工作流程中的意见。结果强调:-关于人工智能整合到放射学工作流程的信息较少。-为放射技师和放射科医生设计适当培训的重要性,并需仔细考虑工作流程。

Alelyani等人[39]的研究调查了放射科医生、放射技师、技术专家和学生在态度方面的接受度。该研究强调:-对人工智能在放射学中地位的认识。-放射科医生对人工智能更高的文化适应度。-在医学院课程中引入特定培训的重要性。

欧洲放射学会[40]的研究将调查扩展到国际范围。它报告了提交给欧洲放射学会成员的问卷结果。问题聚焦于5-10年内的期望。结果突出显示:-对人工智能的普遍支持立场。-关于人工智能使用的详细信息。-关于责任的意见。

Caparros Galan等人[41]的研究涉及学生的意见。参与者确信人工智能可以改革放射学工作流程。他们认为这不会对放射科医生的工作能力产生危险影响。同样在该研究中,也指出了人工智能培训项目的重要性。

Di Basilio等人[42]的研究,即我们的配套论文(第2部分),提出了一份提交给三位具有不同工作流程背景的专业人员的问卷:医学专家、医学物理师和数据科学专家。该研究涉及培训以及人工智能在成像和辅助活动中的各个应用领域。该研究还强调了调查实施程序的重要性,并应用了两种不同的方法,与参与者的互动程度不同。

文献[43,44]中的研究报告了该领域两种不同的调查实施方式,分别由两个不同的科学学会赞助,并提交给两个不同的专业人员群体。

Diaz等人[43]的第一项研究是通过相关科学学会对医学物理师进行的一项国际调查。

Coppola等人[44]的第二项研究是由意大利医学与介入放射学会对放射科医生进行的一项全国性调查。

Diaz等人[43]的第一项研究涉及培训方面、参与人工智能项目或活动的情况、对引入人工智能的看法以及该领域的教育兴趣。

Coppola等人[44]的第二项研究主要致力于与人工智能的互动(人工智能承担的任务、优势、问题)、影响(伦理问题、失业风险、政策需求)以及意见。

5. 讨论

一项在Twitter上进行的情绪分析综述显示,人们对人工智能在数字放射学中整合的关注日益增加[46]。其他综述研究清楚地表明,疫情是推动该领域发展的重要引擎[47,48,49],并且是关于未来如何继续前进的重要经验教训,正如[37]中所报告的观点所强调的那样。其他研究从对公平性的影响角度考虑了数字放射学中的人工智能[50]。有一种[50]观点认为,人工智能既有力量扩大健康不公平的差距,也有力量大幅缩小这一差距。作者[50]认为,在使用中给予细致关注的前提下:若完全实现,整合到健康领域的人工智能可以成为在地方、国家和全球健康公平方面更广泛战略趋同的一部分。

我们完全同意这些研究[46,47,48,49,50]。我们认为,技术整合的挑战与接受度必须相互关联、齐头并进,这样期望才不会落空,我们才能获得为我们提供日益有效且以健康为导向的实用方法的人工智能。

我们的研究与这些考量一致,探讨了人工智能引入健康领域的两个重要视角。

第一个视角涉及对人工智能在健康领域发展和整合中所面临挑战的分析。

第二个视角涉及关于人工智能在健康领域整合的接受度和共识的研究,这些研究主要通过调查来开展。

5.1. 第一个视角:挑战

所回顾的第一个观点对挑战进行了审视,并将其归纳为六个主要议题。第一个议题体现为算法设计与应用方面的挑战[11,12,27]、算法性能提升方面的挑战[11]、算法潜力的挑战(且不仅限于成像领域)[16],以及基于解决方案的特定应用挑战[27]。第二个议题是放射科医生工作流程的变革[16];与成像相关的许多活动以及与管理患者管理过程其他阶段(即患者预约安排)相关的许多其他活动都可能实现。第三个议题涉及可能在与健康领域具有战略意义的新型传播信息技术工具[17,18,19]。这决定(因此也是第四个议题)需要加强内部人员之间的协作[19,20,21]。第五个议题是需要有针对性的培训,也包括在区域内的流动性[22,30]。最后一个议题涉及将人工智能系统作为医疗器械的巩固及相关监管框架,不能将伦理和新出现的风险排除在外[14,24,25]。

5.2. 关于挑战的未来深化研究的局限性与建议

一些关于未来深化的局限性和建议(也因为该论题非常广泛且异质)浮现出来。

如果我们专注于算法,从[27]中的研究可以看出,不同的应用需要基于人工智能算法的不同特定解决方案(作者已适当地对其进行了分类)。在后续研究中,有必要基于本研究提出的分类来深化这一主题。这种分类无疑也对信息技术工具和训练数据库产生了影响[17,18,19,28],可以通过进一步的特定研究适当加以解决。

在后续研究中,需要特别关注放射科医生和其他内部人员的职业方面。有必要以特定方式详细处理工作流程变化的各个方面[16,26]。

开展教育研究至关重要,应考虑已出现的情况[30],同时也要顾及国家规划。扭曲因素、文化中介以及培训对引入人工智能的影响将必须进行调查,同时还要考虑它们之间的关系[15,29]。

最后,进一步的研究必须深化监管挑战(也包括伦理),目前这些挑战是以部门性和零散的方式处理的[14,25]。

5.3. 第二个观点:调查接受度的工具

第二个观点表明,在过去两年中,使用问卷调查来探讨放射学中引入人工智能的接受度和共识的研究有了显著发展[31,32,33,34,35,36,37,38,39,40,41,42,43,44]。该综述显示,这些研究考虑了不同的专业人员(也有一些专业人员之间的比较研究),如放射科医生、医学放射技术员、初级保健提供者、学生和患者,即他们既关注服务提供者也关注用户,但也关注正在接受培训的对象。所提出的问卷调查[31,32,34,35,36,37,38,39,40,41,42,43,44]几乎总是彼此不同且具有原创性,并得出了非常具体的结果。

5.4. 局限性及未来深化接受工具研究的建议

本研究揭示了各种局限性以及未来发展的必要性。

首先,如果我们审视这些研究,我们会发现与机遇和挑战相关的方面已被涉及,但较为零散,从未整合在一起,也未在每个问卷中详细探讨。因此,应开发调查问卷,尽可能涵盖第一视角中所强调的各方面内容。这些研究聚焦于接受度中特定的、新的、从未探索的领域,每次不同且不统一(根据产生医学知识的实际需求)。考虑到这一点以及该主题近期才受到关注(最早的出版物始于2019年),学者们几乎总是使用未经信效度验证的调查问卷。建议未来对调查问卷进行验证路径的开发,以便学者之间使用共同语言。科学协会的支持仅在有限的情况下出现,且并非总是基于国际倡议[40,43]。科学协会联合会应更多参与以提供更大支持,正如[42]中所强调的,因为人工智能是影响多个领域的交叉性问题。

5.5. 本研究的局限性

本研究基于两篇分别针对两个视角的叙述性综述。在出版物方面,本研究分析了英语语种的科学生产。未分析其他语言(西班牙语、法语或意大利语)的出版物。本研究仅使用了两个数据库(PubMed和Scopus)以及经同行评审的研究。此类调查的扩展可考虑纳入包含非同行评审会议论文和预印本网站的数据库。预印本数据库可通过分析正在接受同行评审的文章,进一步了解学者们在该领域的动态。我们所面对的问题范围广泛,包含需要通过具体研究深入探讨的子主题(例如,伦理、法规、算法的特异性,仅举几例)。因此,我们倾向于不开展系统综述,因为其实施难度大、复杂且繁琐,而是转向了期刊允许的其他编辑类别。未来的发展可包括针对已识别子主题的系统综述。

6. 结论

人工智能在健康领域的引入,尤其是在数字放射学领域,引起了极大的兴奋。疫情似乎有力地推动了人工智能在数字放射学中的整合。同样重要的是,在应对该领域挑战的同时,还应采取行动,整合在业内人士和公民中开展的共识。该研究并行开展了两项叙述性综述,从两个视角进行梳理,以评估持续存在的挑战以及为提高该领域的接受度和共识而开展的举措。第一个视角强调,挑战是多方面的,涉及各种相互关联的方面。这些方面包括:技术特征、工作流程的变化、团队合作的改进(例如,数据科学专家与放射科医生之间的合作)、适当培训的设计、旨在消除影响整合因素的文化调解行动、针对人工智能作为医疗器械在电子健康和移动健康中使用的适当法规的制定以及伦理问题。基于问卷的调查工具可支持直接在健康领域监测所识别的每个方面。第二个视角表明,已有若干研究基本上是基于原创的、非标准的、未经验证的调查开展的,这些调查针对不同专业人员和患者(几乎总是单独对待)涉及部门性方面,往往没有科学学会的支持,且为地方性(而非国际性)举措。

该研究认可问卷工具的实用性,但建议对其进行更好的校准,以便更好地涵盖所有持续存在的挑战、相关类别以及可能涉及的科学学会联合会。同样可取的是,未来研究应产出经过验证的问卷,并可通过国际性举措加以传播。

引用

  1. Giansanti D, Di Basilio F. The Artificial Intelligence in Digital Radiology: Part 1: The Challenges, Acceptance and Consensus. Healthcare (Basel). 2022. PMID: 35326987. doi:10.3390/healthcare10030509
  2. 全文:PMC8949694(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8949694/

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。