放射科医生的时代已经结束。至少这是2016年人工智能（AI）专家的预言，他们声称AI将在十年内超越放射科医生。如今，AI并未取代影像专家，但其应用正促使医疗服务提供者重新构想该领域。这就是为什么加州大学旧金山分校（UCSF）成为首批将AI和机器学习与医学影像结合用于研究和教育的美国大学之一，开设了智能成像中心。
让我们看看UCSF研究人员如何开创以人为本的AI解决方案，应对医学中的一些最大挑战。
早期发现疾病
UCSF开发的AI现在正在帮助全球的放射科医生发现肺萎陷病例，这些技术已被GE医疗系统公司授权使用。如今，这些技术已集成到GE的产品中，通过类似图中所示的警报向医生提示潜在病例。图片由GE医疗系统公司提供。
每年有数万美国人遭受肺萎陷（一种肺塌陷）的折磨。这种病症由创伤或肺部疾病引起，严重情况下如诊断过晚或未治疗，可能会致命。
问题：
这种类型的肺塌陷很难识别：该病的症状和X光片可能与其他疾病相似，只有细微的线索可以指示其存在。同时，放射科医生每天必须解读数百张图像，而一些医院并没有全天候的放射科医生。
解决方案：
UCSF研究人员创建了第一个AI床边程序，帮助向放射科医生提示潜在病例。2019年，该工具成为美国食品药品监督管理局（FDA）批准的首个此类AI创新。如今，它已在世界各地数千台GE医疗系统公司的机器上使用。
如何实现？
放射学与生物医学成像系的研究人员创建了一个包含数千张匿名胸部X光片的数据库。其中一些图像显示了肺塌陷病例，而另一些则没有。接下来，研究人员使用该数据库训练AI工具，并在数千张其他图像上测试其准确性，以确保它可以准确标记潜在病例。AI筛查器可以与便携式X光机配合使用，医生无需进行重大基础设施投资即可在患者床边使用。
“我认为这是一种额外的安全检查，可以更快地提供诊断和患者护理，”放射学与生物医学成像系副主任兼转化信息学教授John Mongan博士解释说。Mongan与放射学教授Andrew Taylor博士共同开发了该AI算法，他还是智能成像中心的主任。
提高图像质量以更好地诊断脑部创伤
右侧的标准质量MRI图像通过AI增强后，左侧的图像质量与一些最昂贵和罕见的MRI机器拍摄的图像相当。
磁共振成像（MRI）特别适用于研究构成我们肝脏、心脏和大脑的软组织。与X光不同，MRI可以生成这些器官的精细详细图像，并且在脑部，可以帮助医生检测肿瘤、轻微的中风迹象和随时间的变化。
问题：
大多数美国的MRI检查都是使用低分辨率的1.5T（特斯拉）或3T MRI系统进行的，这些系统可能会错过多发性硬化症和脑部创伤等疾病的症状。更强的7T机器可以生成更高分辨率的图像，但由于成本高昂，截至2022年全球仅有约110台7T机器在使用。
解决方案：
神经学助理教授Reza Abbasi-Asl博士领导的团队使用了一种AI技术来提高标准MRI中脑部创伤图像的分辨率。该技术显著提高了3T MRI图像的质量，使其大致与7T图像相当，同时优于其他类型的AI增强MRI图像。这些结果未来可能有助于改善脑部创伤和其他神经系统疾病的患者护理。
如何实现？
Abbasi-Asl和他的团队构建了小型的匿名数据库，其中包含成对的脑部创伤MRI图像。每对图像包含同一损伤的MRI：一个低分辨率的3T版本，另一个高分辨率的7T版本。团队创建了机器学习模型，这些模型基于数据模式连接信息，以提高低分辨率图像的质量，然后将其与高分辨率图像进行比较。这些模型的结果识别了在3T MRI中难以用肉眼检测到的模式和特征，从而了解如何提高图像质量——增强特定细节，同时减少诸如颗粒状斑点之类的“噪声”。
“我们的研究突显了AI和机器学习在提高低级成像系统捕获的医学图像质量方面的潜力，”Abbasi-Asl表示。
无需侵入性测试即可检测心脏问题
类似于这样的血管造影未来可能用于诊断更严重的心脏问题，而无需进一步的风险测试。
冠状动脉疾病是全球成人死亡的主要原因之一。由于动脉内脂肪沉积的积累，该病是心脏病发作的常见原因。医生通常使用一种称为冠状动脉造影的测试来诊断该病。作为血管造影的一部分，医生会将一种特殊的染料注入供应心脏的主要血管，以通过X光观察血液流动情况。
问题：
心脏的左心室是心脏的主要泵血腔室，但冠状动脉疾病可能会损害它。疑似严重冠状动脉疾病的患者会接受血管造影，但可能还需要进行更多的测试，包括注射更多可能损害肾脏的染料。
解决方案：
UCSF心脏病学家Geoff Tison博士及其团队的新研究是首批成功使用机器学习分析从冠状动脉造影程序中获得的标准血管造影视频，以估计左心室泵血功能的研究之一。这提供了有关心脏功能的信息，而无需进行额外的程序或承担风险。这项研究最终可能为医生和患者提供一种更快、更安全的诊断左心室损伤的方法。
如何实现？
Tison及其团队在UCSF记录的匿名血管造影视频上训练了一种名为深度神经网络的AI模型。深度神经网络能够学习图像和视频等数据中的复杂模式，其中一些模式是人类无法轻易察觉的。团队的模型被命名为CathEF，在研究人员将其结果与超声波测量的泵血功能进行比较时，准确预测了左心室的泵血功能。当团队后来在加拿大一家医院外进行测试时，CathEF的表现同样出色。
“CathEF提供了一种新颖的方法，利用每次血管造影期间常规收集的数据提供目前临床医生无法获得的信息，”Tison表示。“我们的模型有效地扩展了医学数据的实用性，通过实时信息指导临床决策。”
用手机监测帕金森病的进展？
下面的视频展示了患者的动手活动（左）和行走（右）的数字化数据，未来可能为医生提供更好的方法来跟踪帕金森病的进展。
多达一百万美国人患有帕金森病，这是一种影响运动的退行性神经系统疾病，导致震颤、僵硬和平衡不良等症状。
问题：
为了做出最佳治疗决策，医生需要了解患者的症状如何进展。目前，医生在分散的就诊中依赖患者的描述和观察到的变化来检测行走或手指敲击能力的微妙变化，这中间存在数据缺口。
解决方案：
神经学副教授Simon Little博士和神经学助理教授Reza Abbasi-Asl博士使用机器学习构建了一个系统，可以从智能手机和数字摄像机录制的视频中捕捉患者步态和手部运动的变化。尽管仍处于早期开发阶段，但这项研究未来可能允许医生在家监测各种神经退行性疾病患者的状况，提供更精确的数据以制定个性化治疗方案。它还可能揭示运动变化如何预测疾病进程的新见解。
如何实现？
作为试验的一部分，团队从UCSF运动障碍和神经调节中心招募了患有帕金森病的志愿者。研究人员使用数字摄像机拍摄了参与者行走和敲击食指的视频，这是常见的临床检查技术。机器学习程序处理了这些视频，识别出最具有临床相关性的特征，例如手指敲击速度，这可能表明疾病处于更严重的阶段。
“我们在过去100年里，大体上一直在以相同的方式开展某些领域的医学工作：我们接诊患者，与他们交谈，进行诊所检查，然后尝试调整他们的部分治疗方案，”Little解释道。“我们现在正处于一个转型点，从传统的主观患者观点转向数字转型。我希望在未来五年内，这种类型的方案在临床实践中将更加普遍。”
(全文结束)
