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(yī)生？研究人員已開發(fā)出這樣的深度學習神經(jīng)網(wǎng)絡(luò)：識別放射影像中的病征，比如骨折和潛在癌變病灶，在某些情況下比普通的放射科醫(yī)生還要可靠。不過總的來說，最出色的系統(tǒng)目前與人的表現(xiàn)不相上下，而且僅用于研究環(huán)境。

話雖如此，深度學習在迅速發(fā)展，這項技術(shù)比以前的醫(yī)學影像分析方法好得多。這可能預示著在未來，人工智能在放射學會扮演重要的角色。放射學實踐無疑會得益于能快速讀取和解讀多個影像的系統(tǒng)，因為在過去的十年，影像數(shù)量的增加比放射科醫(yī)生數(shù)量的增加快得多。因此，可以減少人力、降低成本和提高診斷準確性的任何解決方案都將造福于醫(yī)患雙方。

這對放射科醫(yī)生來說意味著什么？據(jù)稱，一些醫(yī)科學生之所以決定不學放射學專業(yè)，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(shù)放射科醫(yī)生在未來幾十年會繼續(xù)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(yī)生不會從勞動力大軍中消失有一下幾個原因，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(xiàn)大規(guī)模自動化。

首先，放射科醫(yī)生的工作不僅僅是閱讀和解讀影像。與其他人工智能系統(tǒng)一樣，放射學人工智能系統(tǒng)執(zhí)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(jié)節(jié)或腦部MRI上的出血）進行訓練。但要想完全識別醫(yī)學影像中所有可能出現(xiàn)的結(jié)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(zhí)行少數(shù)幾個任務。此外，影像解讀工作僅僅是放射科醫(yī)生執(zhí)行的其中一項任務。他們還要咨詢其他醫(yī)生探討診斷和治療，包括治療疾�。ū热缣峁┚植肯�融療法）、執(zhí)行基于影像的醫(yī)學干預（介入放射學）、定義要進行的影像檢查的技術(shù)參數(shù)（針對患者的病情），并將影像的發(fā)現(xiàn)結(jié)果與其他醫(yī)療記錄和檢驗結(jié)果聯(lián)系起來，與患者討論手術(shù)和結(jié)果，以及其他許多活動。就算人工智能代替醫(yī)生來解讀影像，大多數(shù)放射科醫(yī)生也可以將重點轉(zhuǎn)向其他這些必要的活動上。

其次，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(shù)據(jù)科學研究所的調(diào)查發(fā)現(xiàn)，不同的成像技術(shù)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(jié)節(jié)檢測系統(tǒng)當中，也有不同的側(cè)重點：病變的可能性、癌癥的可能性、結(jié)節(jié)的特征或其位置。這些獨特的側(cè)重點將使醫(yī)院很難將深度學習系統(tǒng)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(yī)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(shù)據(jù)”來進行訓練。在放射學領(lǐng)域，這意味著醫(yī)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(shù)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(yī)院及醫(yī)生、成像中心和患者擁有，收集和標記它們頗具挑戰(zhàn)性、且耗費時間。

最后，正如自動駕駛汽車需要改變汽車監(jiān)管和保險一樣，人工智能應用于醫(yī)療領(lǐng)域也需要改變醫(yī)療監(jiān)管和健康保險，基于此自動影像分析才會普及起來。比如說，如果機器誤診了癌癥病例，誰負責？醫(yī)生、醫(yī)院、成像技術(shù)廠商，還是開發(fā)算法的數(shù)據(jù)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(yī)生遠勝一籌――不僅僅是一樣好，那樣才能推動監(jiān)管和報銷方面所需的變化。

如此看來，下一次你做乳房X線照片或MRI時，你的影像不太可能只由人工智能算法來查看。與律師、理財規(guī)劃師、會計師及看到一些工作任務由智能機器處理的其他專業(yè)人員一樣，放射科醫(yī)生會發(fā)現(xiàn)目前的工作出現(xiàn)變化，而不是被取代。

因此，放射科醫(yī)生們需要采用新的技能和工作流程。正如一篇博文所說，只有拒絕使用人工智能的放射科醫(yī)生其工作才會受到威脅。將人工智能與放射學實踐結(jié)合起來可以在醫(yī)療和工作效率方面獲得顯著的成效。工作效率的提升甚至可能意味著，放射科醫(yī)生可以花更多的時間與其他醫(yī)生探討診斷和治療方案。如果在深度學習圖像分析方面取得了預期的改進，那么醫(yī)療機構(gòu)、患者和付費方將會將關(guān)注點轉(zhuǎn)向搞清楚如何與人工智能一起高效工作的放射科醫(yī)生。