人工智能(AI)和机器学习正在慢慢渗透到我们的日常生活中:想想照片中的面部识别、Alexa和语音指令，以及出现在你浏览的网站上的定制广告。随着时间的推移，人工智能可能会越来越多地与技术结合在一起，医疗保健也不例外。从这些进步中受益最大的一个领域是医学成像。
为什么人工智能突然敲开了医学的大门?
你可能会认为，最近人工智能驱动的图像处理的加速是由于硬件和算法的现代发展。虽然这在一定程度上是正确的，但算法并不是什么新鲜事。尽管在20世纪60年代，这种花哨的硬件还没有出现，但这并没有阻止爱德华·肖特利夫博士，他是人工智能在医学上使用的先驱。肖特利夫的博士论文(斯坦福大学)探索了MYCIN系统(对抗生素名称的致敬，许多抗生素名称都带有“-mycin”后缀)，他设计了这个系统，以帮助和教育那些需要选择适当抗生素治疗建议的医生。Shortliffe发现了一个关键点，并揭示了人工智能发展的真正刹车，直到今天仍然存在;嘈杂的数据．
爱荷华大学视网膜研究医学博士、视网膜专家迈克尔·阿布拉莫夫博士解释说:
“真正的问题是嘈杂的数据。我们现在看到的许多进步都是因为有了更多的客观数据和更多的客观传感器。这就是为什么它如此有趣——图像和声音数据是非常客观的。更困难的是使用人工智能，人们必须用语言解释他们的症状，然后有人把病人的话转换成文字。你知道，很多内科都是这样的。”
如果拥有足够高质量的客观数据是人工智能成功的关键(计算能力和存储的巨大改进当然也有帮助)，那么医学成像在人工智能医疗保健领域处于领先地位也就不足为奇了。
先走后跑:病理实验室的数字化
根据最近的一项研究组织病理学劳动力调查根据英国皇家病理学家学院(Royal College of pathology, UK)的数据，病理学的需求几乎每年都在增长近5%，在未来五年内，全国三分之一的病理学家将达到退休年龄。数字病理学有可能在几个方面改善工作流程，这应该有助于缓解病理学家的压力，并改善患者的健康结果:
- 玻片可以参考场外病理学家的第二意见，有助于更快的诊断。
- 组织学切片可以投射到更大的屏幕上，使病理学家更容易在切片上导航。
- 数字图像可以系统地保存，方便访问，减少了幻灯片混淆的机会。
- 最近人工智能领域的突破有望从根本上改变我们检测癌症的方式。
为了确保他们为人工智能技术不可避免的进步做好准备，利兹教学医院决定扫描他们生产的每一张玻璃片——这是英国诊疗界的一个重要里程碑。数字病理学项目的首席生物医学科学家Chloe Lockwood详细阐述了从经典到数字工作流程的过渡:
“数字化是一项巨大的管理变革，需要整个部门的支持——实验室、病理学家、IT和管理层。然而，实施数字病理学为整个诊断途径提供了评估和简化的机会。”利兹的病理实验室现在的定位是利用人工智能的进步。
未来就是现在:人工智能可以检测糖尿病视网膜病变的迹象
作为一名眼科医生，阿布拉莫夫博士亲眼目睹了人工智能在医疗保健领域的潜在好处。他注意到自己花了多少时间筛查那些没有患病的糖尿病视网膜病变患者，而那些即将失明的人必须等几个月才能被诊断出来:“自主人工智能具有巨大的潜力，可以降低医疗成本，提高质量，并使其更容易获得——病人在哪里，而不是专科医生在哪里。”
因此，Abramoff将这一愿景变为现实，并创建了IDx，这是第一个也是唯一一个fda授权的用于自主检测糖尿病视网膜病变的人工智能系统。是美国成年人失明的主要原因)．该技术是完全自主的，这意味着最终的临床决策(12个月后重新测试，或参考眼科保健专业人员)取决于设备的手中或代码。考虑到视力下降可以通过早期疾病检测来预防，因此对糖尿病患者进行眼科检查是非常重要的。
在谈到他最喜欢的将这种专业诊断技术应用于初级保健的情况时，Abramoff谈到了靠近墨西哥边境的新墨西哥州的一家糖尿病诊所。
“有一家非常好的糖尿病诊所，没有办法处理糖尿病眼科检查，也没有办法处理失明的人。我们在那里安装了人工智能系统，这是一个带有人工智能的摄像头，主要培训护士和一些技术人员。我们训练了四个小时就离开了。现在他们有了这种“比我质量更好”的人工智能诊断。所有的病人都经历过，护士们都很高兴，因为他们终于可以适当地照顾他们的病人了。”
这种情况证明了人工智能在相对短期的培训投资之后，在永久改善患者医疗保健方面的巨大潜力。
我们能在医学上相信人工智能吗?
不出所料，将临床决策交给计算机的想法足以引起一些人的不满。事实上，阿布拉莫夫说，他在同事中曾经被称为“The Retinator”。
审查人工智能算法与审查更“传统”的科学方法是完全不同的，而且据推测，一些人工智能方法永远不会经过同行评审过程。那么，人工智能中的质量控制是如何解决的呢?对于这个问题，艾布拉姆提出了几个关键点:
- 如果人工智能没有对任何人造成伤害的风险，那么它从未经过严格的测试也没关系。当存在伤害风险时，问题就开始了——比如对病人。
- 目前科学界存在着同行评议无法阻止的重复危机，但有更好的方法来确保安全性，例如研究的预注册。
- 对于自主人工智能，患者的安全性需要通过预先注册的前瞻性临床试验来证明，如果被证明是安全的，在相同的环境中使用。
后一点是关键。虽然这似乎是显而易见的，但人工智能并不总是以合适的方式进行测试。
例如，fda批准的计算机辅助乳房x光检查在1998年之后，计算机辅助检测在临床实践中得到了显著的应用——很大程度上是因为它的使用可以由医疗保险报销。虽然该程序与放射科医生进行了比较测试，但它被批准作为放射科医生的辅助工具使用。
“将人工智能与人类结合使用可能会产生意想不到的副作用——这是你无法预料的……人工智能工作得非常好这一事实并不意味着它与人类专家一起工作得非常好。”-艾布拉姆医生因此，该技术的临床效益并不令人信服。根据美国43家乳房x光检查机构的多中心回顾性研究，该计算机软件的使用与明显较高的假阳性率、召回率和活检率相关，而筛查的总体准确性明显较低。
提高召回率是改善癌症检测的必要成本吗?正如作者所强调的，必须权衡真阳性结果的好处与假阳性结果的后果，包括相关的经济成本。
正如艾布拉姆所指出的，“自主vs辅助”的困境也存在于自动驾驶汽车的世界中:
“最好的自动驾驶汽车是完全自动驾驶的。他们试图通过辅助司机来引入它，然后司机就会犯错，然后你会怎么做?所以，这在任何地方都是一个严重的问题……我们是自主操作，还是人工智能?”
那么，我们能在医学上相信人工智能吗?
共识是是的但有几个条件:人工智能的开发必须伴随着透明度、安全第一的态度，以及与它将被使用的环境相关的测试。
