在马萨诸塞州波士顿举行的CHEST 2024年度会议上，专家们一致认为，不应完全依赖人工智能（AI），而应将其作为放射科医生诊断间质性肺病（ILD）的工具。
在会议期间，亚利桑那大学医学院副教授Michael Morris博士指出，大多数资深放射科医生的诊断准确率仅约为80%，这为人工智能可能有助于解决的改进留下了空间。他使用人工智能工具进行图像解读。
佛罗里达大学医学院临床放射学教授Bruno Hochhegger博士概述了两种常用的人工智能技术：机器学习和深度学习。他解释说，机器学习依赖于标记数据，标签代表了人工智能试图识别的“黄金标准”。因此，人工智能系统将输入数据与这些标签进行比较以进行分类。
在ILD的背景下，Hochhegger指出，机器学习需要放射科医生标记出表明肺纤维化（ILD终末期的一个标志）的肺部CT扫描的特定特征。然后，人工智能系统将此标记数据与大量的肺部CT扫描数据库进行比较，以帮助识别和诊断ILD病例。尽管机器学习方法不需要大量的技术，但他强调放射科医生必须确认人工智能对肺纤维化的识别是否准确。
相反，深度学习通常使用神经网络来分析数据，无需明确的标签，允许算法独立发现模式和见解。这些模型通过使用其结构对对象进行分类和识别模式，自动从数据中学习特征。
Hochhegger解释说，深度学习算法将ILD肺部CT扫描分解为许多小片段，并与大量的肺部CT扫描数据库进行比较。深度学习算法可以识别这些片段中的模式，并在不依赖于预先标记的数据的情况下得出关于扫描的结论。Morris补充说，更先进的深度学习算法可以识别人眼看不到的特征。
尽管深度学习比机器学习需要更多的计算能力，但Hochhegger强调它具有不需要放射科医生手动输入标签的优点。
因此，与机器学习不同，深度学习的“黑匣子”中用于预测结果的内容尚不清楚；他认为这是一个局限性。为了确保人工智能对ILD的准确识别，特别是对于深度学习，Hochhegger建议使用多样化患者的大型数据库。接触不同背景的患者可以帮助提高算法诊断ILD的准确性。
国家犹太健康中心医学系教授兼系主任Kevin Brown博士列出了可能影响ILD诊断的其他人工智能局限性。这些包括数据偏差，导致结果不能准确反映所建模的现实；技术偏差，由基础技术的变化引起；以及自动化偏差，即个人倾向于人工智能的决策而不是相互冲突的数据或人类判断。
虽然人工智能还没有准备好完全取代放射科医生，但Morris强调，这些算法可以提高诊断准确性，超越放射科医生单独所能达到的水平，特别是当他们将临床信息与成像数据相结合时。因此，不应完全依赖人工智能，而应将其作为放射科医生进行适当ILD诊断的工具。由于有众多的人工智能算法可用，他建议放射科医生选择一个符合他们实践需求的算法，并提出问题：“这个算法是否适用于我的特定数据？”
总的来说，Morris解释说，人工智能正在帮助普及ILD诊断的获取，在医疗服务提供者之间创造公平的竞争环境。虽然学术机构通常在ILD诊断方面最有资格，但人工智能正在帮助将这种专业知识分配给更广泛的临床医生和医疗保健环境。
“人工智能在为美国临床医生和患者普及获得最佳护理方面确实是关键，”Morris总结道。“希望我们能够利用人工智能来帮助改善和促进医疗诊断，并最终改善结果。”
