人工智能方面的最新进展已引发人们猜测：人工智能有朝一日不会代替放射科医生？研究人员已研发出有这样的深度自学神经网络：辨识放射线影像中的病征，比如骨折和潜在癌变病灶，在某些情况下比普通的放射科医生还要可信。不过总的来说，伟大的系统目前与人的展现出不相上下，而且仅有用作研究环境。话虽如此，深度自学在很快发展，这项技术比以前的医学影像分析方法好得多。

这有可能伴随着在未来，人工智能在放射线学会扮演着最重要的角色。放射学实践中毫无疑问不会归功于能较慢加载和理解多个影像的系统，因为在过去的十年，影像数量的减少比放射科医生数量的减少更快。因此，可以增加人力、降低成本和提升临床准确性的任何解决方案都将教化于医患双方。

这对放射科医生来说意味著什么？据信，一些医科学生之所以要求不学放射学专业，是因为他们担忧这份工作不会被出局。然而我们相信，绝大多数放射科医生在未来几十年不会之后有工作――人工智能即将做到的是转变和改良这份工作。我们指出，放射科医生会从劳动力大军中消失有一下几个原因，并且其中几个因素不会妨碍不受人工智能威胁的其他工作经常出现大规模自动化。

首先，放射科医生的工作某种程度是读者和理解影像。与其他人工智能系统一样，放射学人工智能系统继续执行单个任务（很弱人工智能）。深度自学模型针对特定的影像辨识任务（比如辨识胸部CT上的结节或脑部MRI上的发炎）展开训练。

但要想要几乎辨识医学影像中所有有可能经常出现的结果，不致必须成千上万的特定检测任务，而如今人工智能不能继续执行少数几个任务。此外，影像理解工作意味着是放射科医生继续执行的其中一项任务。

他们还要咨询其他医生探究临床和化疗，还包括化疗疾病（比如获取局部消融疗法）、继续执行基于影像的医学介入（插手放射学）、定义要展开的影像检查的技术参数（针对患者的病情），并将影像的找到结果与其他医疗记录和检验结果联系一起，与患者辩论手术和结果，以及其他许多活动。就算人工智能替换医生来理解影像，大多数放射科医生也可以将重点改向其他这些适当的活动上。其次，基于人工智能影像工作的临床过程离准备好日常用于还有很长一段路。

Dreyer与美国放射线学会（ACR）数据科学研究所的调查找到，有所不同的光学技术厂商和深度自学算法专心于它们面临的用于场合的有所不同方面。即使在FDA批准后的基于深度自学的结节检测系统当中，也有有所不同的侧重点：恶性肿瘤的可能性、癌症的可能性、结节的特征或其方位。这些独有的侧重点将使医院很难将深度自学系统映射到当前的临床实践中。因此，ACR开始为深度自学软件厂商定义输出和输入。

FDA拒绝，厂商们将算法投入市场前后必须检验算法的有效性和价值，ACR为此获取了一套方法。与此同时，ACR在极力整理概括全面的用于场合，对临床过程、影像拒绝和输入说明都不作了具体的定义，合乎当前和未来的临床实践。当然，整理概括全面的用于场合要花上好多年，这更进一步不断扩大了放射科医生在人工智能世界的角色。

第三，用作图像识别的深度自学算法必需拿“标记数据”来展开训练。在放射学领域，这意味著医生要自己所来发病患上癌症、骨折或其他病征的患者的影像。在深度自学大获得顺利的其他类型的图像识别中，算法已拿数百万个标记的图像展开了训练，但是没放射线影像的集中于存储库，因为它们归厂商、医院及医生、光学中心和患者享有，搜集和标记它们极具挑战性、且花费时间。最后，正如自动驾驶汽车必须转变汽车监管和保险一样，人工智能应用于医疗领域也必须转变医疗监管和身体健康保险，基于此自动影像分析才不会普及一起。

比如说，如果机器复发了癌症病例，谁负责管理？医生、医院、光学技术厂商，还是研发算法的数据科学家？所有这些问题都必须加以解决，这方面的进展不有可能与实验室里的深度自学研究一样神速。人工智能放射线器械有可能必须比放射科医生不亚于一筹――某种程度是一样好，那样才能推展监管和缺席方面所需的变化。

如此显然，下一次你做到乳房X线照片或MRI时，你的影像不太可能只由人工智能算法来查阅。与律师、财经规划师、会计师及看见一些工作任务由智能机器处置的其他专业人员一样，放射科医生不会找到目前的工作经常出现变化，而不是被代替。

因此，放射科医生们必须使用新的技能和工作流程。正如一篇博文所说，只有拒绝接受用于人工智能的放射科医生其工作才不会受到威胁。

将人工智能与放射学实践中融合一起可以在医疗和工作效率方面取得明显的效益。工作效率的提高甚至有可能意味著，放射科医生可以花上更加多的时间与其他医生探究临床和化疗方案。

如果在深度自学图像分析方面获得了预期的改良，那么医疗机构、患者和收费方将不会将关注点改向搞清楚如何与人工智能一起高效工作的放射科医生。

本文来源：凯发一触即发(中国区)官方网站-www.vickyi.com