淺談人工智能不會取代放射科醫生的四大理由

　　如今，隨著社會科技不斷的發展，人工智能方面的最新進展已引起人們猜測：人工智能有朝一日會取代放射科醫生？據稱，一些醫科學生之所以決定不學放射學專業，是因為他們擔心這份工作會被淘汰。然而我們確信，絕大多數放射科醫生在未來幾十年會繼續有工作――人工智能將要做的是改變和改進這份工作。我們認為，放射科醫生不會被人工智能取代的原因有以下四個，并且其中幾個因素會阻礙受人工智能威脅的其他工作出現大規模自動化。

　　第一，放射科醫生的工作不僅僅是閱讀和解讀影像。

　　與其他人工智能系統一樣，放射學人工智能系統執行單個任務（弱人工智能）。深度學習模型針對特定的影像識別任務（比如識別胸部CT上的結節或腦部MRI上的出血）進行訓練。但要想完全識別醫學影像中所有可能出現的結果，勢必需要成千上萬的特定檢測任務，而如今人工智能只能執行少數幾個任務。

　　此外，影像解讀工作僅僅是放射科醫生執行的其中一項任務。他們還要咨詢其他醫生探討診斷和治療，包括治療疾?。ū热缣峁┚植肯诏煼ǎ?、執行基于影像的醫學干預（介入放射學）、定義要進行的影像檢查的技術參數（針對患者的病情），并將影像的發現結果與其他醫療記錄和檢驗結果聯系起來，與患者討論手術和結果，以及其他許多活動。就算人工智能代替醫生來解讀影像，大多數放射科醫生也可以將重點轉向其他這些必要的活動上。

　　第二，基于人工智能影像工作的臨床過程離準備好日常使用還有很長一段路。

　　Dreyer與美國放射學會（ACR）數據科學研究所的調查發現，不同的成像技術廠商和深度學習算法專注于它們面對的使用場合的不同方面。即使在FDA批準的基于深度學習的結節檢測系統當中，也有不同的側重點：病變的可能性、癌癥的可能性、結節的特征或其位置。這些獨特的側重點將使醫院很難將深度學習系統嵌入到當前的臨床實踐中。因此，ACR開始為深度學習軟件廠商定義輸入和輸出。FDA要求，廠商們將算法投入市場前后需要驗證算法的有效性和價值，ACR為此提供了一套方法。與此同時，ACR在竭力整理歸納全面的使用場合，對臨床過程、影像要求和輸出解釋都作了明確的定義，符合當前和未來的臨床實踐。當然，整理歸納全面的使用場合要花好多年，這進一步擴大了放射科醫生在人工智能世界的角色。

　　第三，用于圖像識別的深度學習算法必須拿“標記數據”來進行訓練。

　　在放射學領域，這意味著醫生要自已來確診患有癌癥、骨折或其他病征的患者的影像。在深度學習大獲成功的其他類型的圖像識別中，算法已拿數百萬個標記的圖像進行了訓練，但是沒有放射影像的集中存儲庫，因為它們歸廠商、醫院及醫生、成像中心和患者擁有，收集和標記它們頗具挑戰性、且耗費時間。

　　第四，人工智能應用于醫療領域也需要改變醫療監管和健康保險，基于此自動影像分析才會普及起來。

　　正如自動駕駛汽車需要改變汽車監管和保險一樣，人工智能應用于醫療領域也需要改變醫療監管和健康保險。比如說，如果機器誤診了癌癥病例，誰負責？醫生、醫院、成像技術廠商，還是開發算法的數據科學家？所有這些問題都需要加以解決，這方面的進展不可能與實驗室里的深度學習研究一樣神速。人工智能放射器械可能需要比放射科醫生遠勝一籌――不僅僅是一樣好，那樣才能推動監管和報銷方面所需的變化。

　　因此，人工只能是不能取代放射科醫生的，只是放射科醫生們需要采用新的技能和工作流程。