十年前，深度学习原型在会议上引发轰动，但很少直接应用于患者。到2025年6月，已有777种人工智能设备获得美国食品药品监督管理局（FDA）批准，三分之二的美国放射科部门在某种程度上使用了AI。这种快速转变将放射科医生的模式识别技能与不知疲倦的机器相结合，承诺实现更快的扫描、更清晰的图像和更早的答案，Vivian Health报道。
FDA批准标志着AI临床应用的成熟
FDA不断更新使用人工智能和机器学习（ML）技术的设备清单，自2018年以来，该清单呈指数级增长。中风、乳腺癌和肺结节检测算法占据主导地位。AI/ML已成为全国放射科和其他医疗领域改善患者护理的工具。
由于这些产品被监管为软件即医疗器械（SaMD），供应商必须证明其安全性、有效性和详细的常规更新计划。该机构2024年的跨中心框架进一步简化了审查流程，既鼓励AI创新者，又保护患者。
AI如何支持患者护理
缩短扫描时间和剂量
AI不仅用于解读图像，还重塑了获取图像的方式。深度学习重建算法能够如此清晰地处理低剂量CT或有限回波MRI数据，以至于技术人员可以在不丢失细节的情况下减少辐射或磁体时间。这些削减有助于使扫描对患者和提供者更加安全。
美国国家生物医学成像与生物工程研究所（NIBIB）的信息学项目资助了优化重建网络的团队，以保持定量准确性。麻省理工学院（MIT）的研究人员更进一步，发布了FeatUp。这种与模型无关的方法提高了任何视觉网络内的空间分辨率，使其更容易从标准扫描仪中获取亚毫米级细节。
超声波也受益匪浅。威斯康星大学的医学物理小组将AI波束形成器与床旁探头配对，为手持设备带来心脏病级别的清晰度。更快的扫描意味着更短的屏气时间、更满意的患者和每天更多的预约时段。即使从未听说过算法的患者也能感受到价值。
标记紧急病例
在繁忙的创伤中心，每小时都有数千张横断面图像涌入。AI分诊工具在后台监控，将疑似出血或肺栓塞的病例推送到工作列表顶部，以便放射科医生优先阅读。在北美放射学会（RSNA）2024年会议上，一场讨论聚焦于AI减轻工作负担，包括关键发现周转时间的显著下降和放射科医生倦怠感的切实减少。
然而，哈佛医学院的研究人员警告说，人机协作并不适用于每位放射科医生。一些放射科医生接受有益的建议，而另一些则因此分心。其多站点研究表明，培训和界面设计与模型准确性同样重要，定制化的整合才能实现理想的临床和技术合作成果。
将原始像素转化为精确诊断
FDA批准了首个能够通过标准2D乳房X光片预测女性未来五年乳腺癌风险的AI成像工具。与当前依赖患者乳腺癌家族史和年龄的风险模型不同，Clarity Breast平台利用先进的AI分析实际乳房X光片，寻找可能表明未来乳腺癌发展的细微组织模式。
这些乳房X光片在人眼看来可能完全正常，但AI分析可以提供早期预警，这可能会产生重大差异。有了这些信息，患者可以在实际疾病迹象出现之前采取更积极的筛查和后续护理方法。通过从检测转向预防，AI可以帮助医疗专业人员挽救更多生命。Clarity Breast系统预计将在2025年底推出。
减少活检次数，提取更多数据
人眼主要看到CT或MRI扫描中每个3D像素或体素的灰度变化，但AI可以测量每个体素内的数十种属性。这些测量包括亮度、表面是否粗糙或光滑、形状是否不规则等许多因素。AI汇总的数千个测量值统称为放射组学特征。
美国国家癌症研究所（NCI）的定量成像网络解释说，放射组学利用AI自动量化肿瘤表型的放射学特征，将图像转化为临床医生可以分析的客观数据点，就像实验室值一样。为什么这很重要？
- 减少患者针刺活检次数： 由于放射组学模式通常反映了潜在的基因突变或治疗反应，由NCI早期检测研究网络资助的研究人员正在验证基于图像的“虚拟活检”，让肿瘤学家无需反复取样即可评估肿瘤行为。
- 更早、更个性化的治疗选择： 通过将新扫描的特征集与NCI成像数据共享库中的数千个存储特征进行比较，算法可以建议癌症是否具有侵袭性或可能对特定药物有反应，帮助医生尽早制定治疗方案，避免患者接受无效疗法。
- 为放射科医生提供客观进展报告： 放射科医生可以追踪每次就诊之间的精确纹理或形状变化，而不是凭肉眼观察大小变化。稳定数字表明治疗有效，而突然跳跃则提醒护理团队调整方案。
简而言之，放射组学将医学图像转化为可量化的生物标志物，医生可以像血液测试一样跟踪，为患者提供更温和的护理，为放射科医生提供更敏锐的决策工具。
实施与关注
将AI融入成像工作流程
除了检测，新平台还起草结构化报告、检查随访指南并预填充关键图像。RSNA的《放射学》期刊详细介绍了大型语言模型（LLM）助手，将听写转换为无错误的散文并自动生成印象要点。
一些研究表明，实施AI/LLM可以减少错误并将报告时间缩短多达30%。此外，通过AI听写工具完成诸如转录笔记之类的繁琐任务所节省的时间已被证明可以减少临床医生的职业倦怠。
由于市场上有许多商业可用工具，医疗专业人士和部门应在将任何AI工具纳入成像工作流程之前进行全面比较。比较每种模型的功能、准确性、验证队列、监管状态和其他关键方面，以确保购买的产品能够提高部门性能。
通过透明算法建立信任
创建用于训练AI工具的大规模CT扫描、X光和MRI数据集，使其在分析和预测方面更加熟练，有助于医生更早诊断并制定更有效的治疗计划，以改善患者结果。然而，如果训练数据存在偏见，AI可能会放大不平等。NIBIB强调，模型必须在不同人口群体中表现一致。
麻省理工学院科学家还报告称，最擅长从X光片预测种族或性别的网络也显示出最大的公平性差距，可能导致对女性和有色人种的不准确结果。这些科学家敦促在向训练集中添加未标记的网络图像时保持谨慎。透明输出鼓励采用并简化错误调查。
数据隐私和网络安全问题
AI依赖于数据量，但《健康保险可携性和责任法案》（HIPAA）和《通用数据保护条例》（GDPR）设定了严格界限。联邦学习提供了一种折衷方案，将算法发送到数据而非将数据发送到云端，以保护数据隐私。
FDA 2024年指南，特别是其关于医疗器械预定变更控制计划（PCCP）的最终指南，促进了管理AI驱动医疗器械的框架，符合隐私保护管道的原则。该框架强调数据管理、文档记录以及在整个产品生命周期内展示持续安全性和有效性的需求。
医院加强了网络防护，因为只有当输入真实、未被篡改时，AI算法才值得信赖。零信任架构和实时医学数字成像和通信（DICOM）哈希现在出现在许多AI驱动的图像存档和通信系统（PACS）提案中，以确保诊断准确性、保护患者数据并构建安全的医疗生态系统。
人工智能的未来展望
基础模型和多模态AI工具
预训练于数十亿临床图像的大型视觉语言模型有望实现一种适用于每种模式的网络。哈佛大学最近推出了临床组织病理学成像评估基础模型（CHIEF），这是一种读取全切片病理图像、检测多种癌症并以近94%的准确率预测生存率的基础模型。CHIEF的表现比其他特定任务的AI方法高出36%。
类似的工作将CT体积与放射学报告、实验室数据和基因档案整合，推动成像朝着每位患者的综合数字孪生方向发展。生成模型在罕见病研究和治愈方法开发中引入了新前景。这些模型通过模拟罕见病克服数据不足，扩充小型数据集，并创建逼真的幻影以测试安全性，而无需让患者暴露于辐射。
教育必须跟上创新步伐
培训项目不断发展，以使未来的放射科医生能够像编写协议一样自信地编写提示。为了帮助放射科医生和其他医疗专业人员跟上医学领域AI的进步，许多大学和学院提供专门针对此主题的课程。无论是通过研究生学位、认证项目还是继续教育，您都能找到许多途径，确保您的医疗教育与AI创新同步。
以下是一些提供医学AI培训的学校示例：
- 阿拉巴马大学伯明翰分校（UAB）： 提供医学AI培训项目，包括医学AI研究生证书和医学AI硕士学位。
- 田纳西大学诺克斯维尔分校： 与田纳西大学健康科学中心合作，提供应用AI与医学证书。
- 佛罗里达大学： 为医学生提供医学AI研究路径，并提供自定进度的健康教育AI课程。
- 德克萨斯大学圣安东尼奥分校（UTSA）： 在UT Health San Antonio提供医学和AI双学位项目。
增强而非取代人类专业知识
AI已经加快了扫描速度、发现异常并起草报告，但其最大影响在于解放临床医生，让他们专注于细致决策和与患者的对话。虽然技术障碍如偏见、隐私问题和互操作性是合理担忧，但协作监管和开放科学正迎头解决这些问题。
随着基础模型的成熟和数据集的多样化，算法将推动医学影像从模式识别转向定量、预测性的精准。拥抱这种合作的放射科医生不会被淘汰。相反，他们将引领一个数据丰富的时代，每张图像都为更好的护理提供信息。
本文由Vivian Health制作，并由Stacker审核和分发。
(全文结束)
