人工智能(AI)和信息学正在改变放射学。十年前，没有哪个专家会预测到今天放射人工智能行业的蓬勃发展，100多家人工智能公司和近400种放射人工智能算法得到了美国食品和药物管理局(FDA)的批准。

不到一年前，即使是最精明的预言家也不会相信这些算法可以创作诗歌，赢得美术比赛，并通过医学委员会的考试。

现在，当我们庆祝我们专业的旗舰期刊《Radiology》成立一百周年时，这些成就已经成为我们的现实。令人畏惧的转型时刻可以使我们解放思想，梦想更大。基于此，以下是关于放射学中人工智能和信息学未来的10个预测

1. 放射学将继续在医疗AI引领潮流

在当前的医疗保健市场上，放射科医生使用的人工智能工具占据主导地位。超过500个 FDA 批准的AI算法中，75% 跟放射学相关，比2021年的70%有所增加。放射学是AI的成熟领域，因为影像数据已经数字化了几十年。我们拥有的海量数字影像数据比其他临床数据更客观。将图像与描述性文本报告配对使它们非常适合创建准确的机器学习算法。

2. 虚拟助手将起草放射学报告并缓解放射科医生的工作压力

培养实习生可能是学术放射学中最有益的一部分。实习生提供了强大的生产力优势：他们预览影像研究，起草报告，根据反馈进行编辑，并将其发送至主治放射科医生进行最终签名。

计算机视觉算法分析图像以发现结果，加上大型语言模型（LLM）在大规模数据集上训练生成文本，将使这成为可能（见图）。

一些计算机视觉算法可以在单个影像研究中检测超过70个病变。在发现结果列表的提示下，语言模型将起草放射学报告。最后，放射科医生将对报告进行编辑和签字。人工智能模型可以定期重新训练，通过比较初稿和最终报告获得的反馈。

3. 智能影像解读工作站将变得像电子邮件一样普遍

与医院数据中心相比，云计算和存储对于存储医疗数据同样安全。Siri、Alexa和谷歌已经在使用基于云的语音识别。而且，人工智能算法可以轻松地部署在云端。这一进展为一个统一的放射学工作站奠定了基础，该工作站将图像显示、报告和人工智能无缝集成到基于云的工作环境中，从而显著提高放射科医生的工作效率。通过人工智能算法预处理，自动制定协议的影像研究将出现在放射科医生的工作队列中，其中包括患者历史总结、器官分割和测量、异常突出以及草拟的报告。放射科医生可以使用语音识别或点击图像并从结构化的推荐影像发现列表中选择来修改报告。这些基于云的能力将使得与临床同事进行虚拟协作变得即时而无缝，包括实时视频交流。

4 高灵敏度的人工智能将减少对医生进行图像解读的需求

随着现代机器学习方法的进步，人工智能在图像解读方面的能力不断增强，可以处理和分析大量的医学影像数据。因此，一些放射学研究可能不再需要依赖人眼进行解读。例如，对于一些心电图和巴氏涂片检查，已经是机器解读了。同时，最近的研究表明，在结合人工智能和人类专业知识的工作流程中，可以在不牺牲总体准确性的情况下，减少对乳腺X线筛查的人工复核。这意味着人工智能可以帮助提高图像解读的效率和准确性，减轻医生的工作负担，但并不会取代医生的角色。

5. LLM将改变患者对放射学的理解

在过去一年中，LLM（语言模型）引起了医学界的关注，它可以解释医学指南，起草放射学报告，甚至通过考试。但是，LLM在简单的数学运算上有困难，在鉴别诊断中可能会出现潜在的错误，有时会自信地说出虚假的话。随着我们对LLM的能力了解得越来越多，我们很可能会发现更多问题，这些问题会阻碍这些非常强大的医学诊断工具的监管清晰度。

但是，放射科医生用于与请求临床医生交流的术语可能让患者感到困惑。LLM的能力可以以患者偏好的语言和任意阅读水平总结信息，从而帮助患者理解他们的报告。例如，以下是OpenAI开发的LLM ChatGPT被要求用五年级的阅读水平解释Willis环的回答：
“Willis环是你的大脑中一组血管，它有助于向你的大脑供血并保持其健康。它形状像一个圆圈，由几条相连的大型血管组成。这些血管被称为动脉，它们将血液从你的心脏输送到你的大脑。Willis环有助于确保你的大脑得到足够的血液，即使其中一条动脉被堵塞或变窄。”

6. 多模态人工智能将发现诊断图像的新用途

随着数字健康数据的积累，庞大的多模态数据集将把影像研究与基因组学、临床笔记、实验室值和可穿戴设备的大量数据联系起来。无自我监督学习方法不需要昂贵的数据标注，将产生编码多种不同数据类型之间关系的“generalist”模型。这些模型将揭示超越人类信息处理能力的新的关联，展示影像外观与特定基因组标志和实验室指标的关系。

多模态数据集的洞察将改变我们对癌症和其他复杂疾病的分期方式。例如，癌症的TNM分期是根据人类记忆系统进行缩放的，依赖于代表癌症大小、位置和扩散的少数几个类别。多模态人工智能模型将准确量化疾病负担，并产生对疾病进展更准确的预测。

同样，肿瘤的反应评估标准（RECIST）使用过时的方法来衡量癌症进展，部分原因是放射科医生在胶片图像上使用卡尺进行测量时的可行性。相反，快速量化全身肿瘤负担的人工智能方法将取代这些原始的测量方法。其他一些量化方法，有时被称为“opportunistic screenin 机会性筛查”，将以很少的额外成本处理现有的影像研究，识别出未发现的慢性疾病的标志，例如冠状动脉钙化、人体成分和脊椎压缩骨折（24,25）。

新的诊断关联、分期系统和量化方法将带来精准健康的来临。利用每个患者的数据，由人工智能驱动的精准健康将为疾病预防、诊断和治疗提供最佳的个体化建议。

7. 在线图像交换每年将减少2亿美元的医疗费用

电子图像交换可以避免治疗延迟，提高患者满意度，并降低成本，尤其是在紧急治疗方面。有紧急情况的患者很少携带CD或DVD上的图像，除非直接从另一家医院转移。

8. 改革后的法规将加速基于人工智能的医疗服务改进

基于大规模数据集训练的人工智能系统在提高准确性方面取得的进展，特别是通过预训练和微调基础模型来适应不同任务的需求。然而，当前的医疗软件监管制度与优化人工智能准确性的需求存在冲突，需要制定灵活的监管框架来允许算法在本地数据上进行监控和微调。

其次，组建大型临床数据集以训练通用模型仍然是一个困难。为了促进医疗人工智能研究的进一步发展，需要进行国家监管改革、建立新的地方治理结构，并提供简单的方式让患者表达他们对隐私的偏好，以推动医疗领域开放数据的新时代。

9. 一个广泛可用的拥有PB级规模的影像数据库将释放无偏的人工智能。

当前的人工智能创新浪潮是由一个名为ImageNet的大规模影像数据库推动的。这个包含大量标记数字照片的数据库为计算机视觉算法提供了一个基准。隐私风险和监管壁垒限制了大型医学影像数据集的组建，这影响了医学人工智能算法的多样性、可靠性、公平性和泛化能力。

新的倡议正在解决这个问题。由美国国家生物医学成像与生物工程研究所资助的医学影像和数据资源中心（MIDRC）已发布了来自美国各地的超过10万项影像研究，成为大型多样化的公共医学数据集的一个范例。国家COVID队列合作计划（N3C）是一个类似的国家库，汇集了被诊断为COVID-19的患者的医疗记录。RadImageNet数据库汇集了13万多名接受CT、MRI和超声检查的患者的影像研究。All of Us研究计划邀请了100万美国人参与，帮助建立历史上最多样化的健康数据库之一。而像医学信息技术研究所、RSNA和学术研究中心等组织则传播用于研究其他重要疾病的大型数据集。

10. 灵活合作的学术机构将引领人工智能创新。

当多元跨学科团队开发AI算法时，这些算法更有可能公正可信。开发临床有用的算法不仅需要能够确定AI需要解决的重要问题的临床医生，还需要能够解释和应用最新机器学习研究的计算机科学家。在这些高效团队中，通常会有接受过AI和机器学习正式培训的执业医生。此外，伦理学家、经济学家和哲学家也将完善这些跨学科团队，他们可以评估新技术的风险和利益，并确保算法的公平性。

由于学术机构具有以下必要的原材料：大规模可访问的临床数据存储、拥有深厚技术知识的学生劳动力、丰富的高性能计算、具有跨学科专长的研究团队、与行业的紧密合作伙伴关系以及与医疗服务交付系统的关系（这些系统为他们的创新提供了展示和试验场所），学术机构将继续引领人工智能的研究和发展。

结论

人工智能的迅猛进展使得对未来2年的预测变得极其具有挑战性。未来10年将带来更多的惊喜。但是相比其他医学专业，放射学更有可能充分利用人工智能的优势，通过执行困难、琐碎或重复性的任务来节省我们的时间。这些新技术将使放射科医师能够将发现结果置于临床同行的背景中，从而专注于令人满意的工作。与以往的创新周期一样，高度可靠的人工智能工具将使放射科医师重新聚焦于最初吸引我们从事这个职业的智力活动。

参考文献：The Future of AI and Informatics in Radiology:
10 Predictions