人工智能(AI)是放射学和诊断学领域的一种创新和潜在的变革工具。近年来，医学中人工智能解决方案的采用和实施已经加快，人工智能最常见的作用是作为临床工作流程的补充，以加快常规和定义良好的流程。
这些过程通常作为一个临床决策支持系统，称为计算机辅助检测(CADe)或计算机辅助诊断(CADx)。然而，随着卷积神经网络(CNN)等更复杂的深度学习算法的发展，人工智能有可能在涉及大量信息处理和合成的领域匹敌或超过人类的表现。鉴于人工智能在医疗保健领域实施的深远和广泛影响，所有相关提供商领域都需要人工智能的基础知识。在这篇文章中，我们将讨论AI系统的重要性，并阐述AI在放射学和诊断学中的当前和即将使用。
医疗保健领域对人工智能的需求
对放射诊断的需求持续增长，目前超过了放射学劳动力的增长。例如，《2020年英国临床放射学劳动力普查执行摘要》估计，复杂成像研究(CT、MRI)的需求正以每年7%的速度增长，而临床放射学顾问劳动力的增长速度为每年4%。同一份来自英国的2020年执行摘要估计，在2020年9月，超过20万名患者等待CT或MRI扫描6周或更长时间，这一数字是前一年的10倍。
COVID-19大流行还造成了需要影像学检查的患者积压。这种积压的部分原因是肿瘤筛查研究的使用率急剧下降，一项研究估计，仅在美国，对前列腺癌、乳腺癌和结肠直肠癌的研究就有900多万项不足。在放射学中采用和实施人工智能有可能显著减轻这一负担，并为许多患者提供更及时的成像和诊断铺平道路。
2020年，ACR数据科学研究所人工智能调查显示，约30%的放射科医生目前在临床实践中使用AI，更多的放射科医生计划在未来五年内购买AI工具。调查发现，大型诊所比小型诊所更有可能使用人工智能，目前人工智能最常见的用途是检测颅内出血、肺栓塞或乳房x光检查异常。这些AI应用主要是临床决策支持系统(CADe, CADx)，旨在补充和加快人类诊断医生的工作流程。
已建立的AI用例
人工智能在诊断领域的一个比较成熟的应用案例是通过视网膜眼底图像检测糖尿病视网膜病变。在一项研究中，一个CNN被开发和训练了12000多张图片。经执业眼科医生验证，该算法能够达到98%以上的特异性和约90%的敏感性。在另一个例子中，一个深度学习算法成功地开发和训练了超过14000个三维光学相干断层扫描(OCT)扫描，以对糖尿病视网膜病变等视距威胁视网膜疾病的转诊建议达到或超过专家的建议。2018年，FDA批准并授予一种用于检测糖尿病视网膜病变的人工智能系统突破性设备称号。
乳腺癌筛查是人工智能的一个成熟但不断发展的用例。早在1998年，CADe系统就已被用于检测乳房x线摄影异常，并已通过医疗保险和医疗补助服务中心(CMS)获得报销。CAD应用于乳房x线照相术的研究最初在准确性和读取时间方面产生了复杂的结果。然而，最近关于深度学习算法的研究更有前景。例如，在宾夕法尼亚大学的一项研究中，深度学习AI系统被应用于数字乳腺断层合成(DBT)乳腺筛查研究，与没有AI的放射科医生相比，其阅读时间减少了52.7%，灵敏度提高了8.0%，特异性提高了6.9%，结果令人鼓舞。考虑到这些结果和其他涉及深度学习的类似研究的结果，使用更现代和复杂的AI系统来辅助乳腺癌筛查，在准确性和工作流优化方面可能会有更大的好处。
鉴于肺癌是美国癌症相关死亡的最常见原因，改进筛查过程至关重要。因此，CT肺结节筛查是人工智能已经实施并显示积极效果的另一个领域。一项研究使用深度学习算法实现了CT筛查的卓越表现，曲线下面积达到94.4%。在直接比较中，深度学习算法的表现至少与有经验的放射科医生一样好。
变革性AI用例
近年来，人工智能已被应用于新冠肺炎的诊断和预测。涉及COVID-19的使用案例尤其重要，因为前所未有的患者数量给医疗基础设施造成了巨大的压力。在斯坦福大学的一项研究中，开发了一种CNN，无需任何特殊图像处理就能在胸部CT上检测COVID-19。此外，CNN还有望通过跟踪连续扫描的图像特征来实现预测。
在另一个例子中，一个深度学习模型被开发出来输出来自世界各地机构的CT扫描的生物标记物。然后将这些衍生的生物标志物与电子健康记录(EHR)数据一起用于预后分析，以确定患者严重程度结局的预测因素。
人工智能实施的障碍
尽管人工智能有可能改变医疗保健，但仍有许多相关问题正在减缓或阻止更迅速和更广泛的采用。最紧迫的问题之一是，如何以负责任、公平和透明的方式监管人工智能，同时在复杂和风险密集的流程中实施人工智能。正如Corinne Cath所解释的，人工智能监管可以从道德、技术或法律监管的角度来看待。对于每一种方法都有各种各样的关注，而且这些关注常常是重叠的。理想的监管框架可能需要多学科的努力，充分解决数据隐私、准确性、患者安全和医疗法律影响方面的担忧。
在法律监管领域，围绕人工智能的法律政策的适当范围以及哪个或哪个实体应该负责实施和执行这些政策产生了问题。由于有人认为人工智能，特别是神经网络等深度学习算法是“黑箱”系统，违背传统的概念和解释，因此存在着重大的问责挑战。使用人工智能可能会导致个别错误或更大规模的歧视模式，在对导致错误的基本机制缺乏基本理解的情况下，将难以分配责任。
金融方面的考虑
目前，美国医疗保险和医疗补助服务中心(CMS)对人工智能的报销仅限于在乳房x光检查中使用。CMS认为可报销的人工智能软件的额外使用可能取决于诊断准确性和操作效率显著提高的证据。目前，医疗系统必须评估人工智能影响运营效率的潜力，以评估潜在的成本节约。
根据高德纳(Gartner)最近的一项分析，人工智能的投资前景似乎是积极的。该分析表明，2020年，47%的人工智能投资保持不变，30%的组织计划增加其人工智能投资，尽管受到COVID-19大流行的影响。
2020年人工智能的宣传周期显示了一些新的人工智能趋势在Gartner的宣传周期中首次出现，包括生成式人工智能、复合人工智能和负责任人工智能。大多数人工智能的趋势都接近“膨胀期望的顶峰”，人工智能作为一个总体概念被认为正在从“膨胀期望的顶峰”滚动，因为它开始通过为企业提供利益来实现其潜力。
人工智能的未来
当前人工智能系统的可信度缺失与复杂的人工智能算法的本质有关，因为它们可能无法解释，这一概念导致人们极不愿意接受和利用人工智能产生的输出。为了解决这一问题，可解释AI (XAI)领域正在取得进展。在UCI的心脏病数据集上进行的一项XAI研究显示了生成XAI的多种方法，包括基于特征的技术，显示输入特征对模型输出的贡献，以及基于实例的技术，显示单个实例对模型输出的贡献。
随着时间的推移，人工智能算法(不仅是在放射学领域，而且一般在医疗保健领域)一定会建立一个关键的小众市场，并获得更广泛的接受，部分通过自动化低级任务、更好的数据组织和背景化见解，帮助影响工作流效率、安全、质量访问和成本。为了让社会充分认识到这项技术的潜力和相应的监管，医疗法律和支付改革将是关键。
可按要求提供参考资料。
这篇文章发表在最新一期的Omnia健康杂志上。今天在线阅读全文。
