未來的醫(yī)生不僅要能看得了片子，做得了診斷，很可能還需學會如何與人工智能更好地合作，在技術加持下讓自己的醫(yī)術更上一層樓。

這個趨勢已在全球范圍內(nèi)引起關注。6月2日，北美放射學會（RSNA）在5月31日－6月1日期間舉行了第一屆針對放射醫(yī)學工作者的“AI大講堂”（Spotlight Course on AI： Radiology in the Age of AI ），試圖通過兩天的課程介紹放射醫(yī)學與AI緊密結合的技術起源、現(xiàn)有應用及如何理解AI醫(yī)學影像方面的學術進展，希望能夠幫助醫(yī)生們適應和新興技術緊密合作的新時代。

本次“AI大講堂”包括“簡要介紹醫(yī)學影像中的AI技術”、“探討其對更好地保證人類健康的影響”、“如何在自己的醫(yī)學實踐中接入AI系統(tǒng)”等多個部分，每個部分都邀請了AI行業(yè)領域的佼佼者來進行討論或者演講。

這正是趨勢所在：醫(yī)療領域所面臨的大量數(shù)據(jù)和技術需求讓其成為最先接受大規(guī)模AI技術沖擊的領域，這一趨勢也孕育了眾多最快走向應用的技術。

AI正在不斷影響醫(yī)學影像行業(yè)

CT、MRI、PET等醫(yī)學影像手段是醫(yī)生做診斷的重要資料，而AI強大的數(shù)據(jù)處理能力則能幫助醫(yī)生在分析影像時更顯游刃有余。

世界知名AI專家、斯坦福教授吳恩達在會上介紹了AI和深度學習算法的發(fā)展以及AI影像技術的新進展。他所處的實驗室和斯坦福醫(yī)院合作，完成了ChestXnet、Xray4all等用深度學習理解影像的工作。這些深度學習技術可以區(qū)分胸部X光中十一種不同的病理表現(xiàn)；檢測出膝蓋MRI中的異常；檢測出在頭部CT片子中指向動脈瘤的病理表現(xiàn)等等。

吳恩達在介紹AI在醫(yī)學影像中的應用

“深度學習已經(jīng)可以完成人類一秒鐘內(nèi)完成的基本任務，但AI想要完全替代醫(yī)生進行診斷，還有很長的路要走，有很多的突破需要攻克�！眳嵌鬟_說道。

對于AI技術可能引發(fā)的醫(yī)生替代危機，本次課程的組織者之一，斯坦福大學醫(yī)學院放射系副主任Curtis Langlotz教授則沒那么悲觀。他認為：“影像科醫(yī)生需要不斷改變、多學習最前沿的AI知識與技能。但AI只是臨床醫(yī)學中，類似CT、磁共振、超聲等新技術之后，又一個有價值的新技術、新發(fā)展，臨床醫(yī)生需要將AI新技術利用到臨床工作中�！�

“測量病灶大小、跟蹤病灶位置大小在不同疾病周期的變化等任務往往枯燥而乏味，AI比人類更擅長處理這樣的工作。所以，從某種角度上談，AI能讓臨床醫(yī)生的工作更好，有了AI的協(xié)助，臨床醫(yī)生可以做一些在認知上更有趣更有挑戰(zhàn)的任務�！�

醫(yī)生所需技能在不斷迭代

面對AI不斷改變醫(yī)療領域的現(xiàn)狀，作為近距離接觸病患、提供日常醫(yī)療服務的醫(yī)生，如何才能適應這樣的時代？

首先，醫(yī)生需要更多地了解新技術，并學習如何將其應用于臨床診斷、手術預后、提前篩查等領域。課程中多位醫(yī)學影像AI的研究者分享了他們在這些領域的新研究。

“AI不會替代醫(yī)生，但會用AI的醫(yī)生會替代不會用AI的醫(yī)生�！盋urtis Langlotz教授在討論AI在醫(yī)療臨床應用時再次引用了這句AI時代的金句。

吳恩達也表示：“在科技世界里，每隔五年，我們的工作就會發(fā)生巨大的變化。如今，技術正讓所有各行各業(yè)變化的速度進一步加快。很多放射科醫(yī)生做的事情將被自動化，但只要醫(yī)生愿意去思考工作的真正價值，不斷拓寬視野，把重心放在更有價值的工作上，他們就什么也不需要擔心。”

其次，新技術本身也在進一步提升醫(yī)生的專業(yè)水平。

英國Kheiron Medical的放射學專家Dr． Hugh Harvey指出，放射學醫(yī)生需要更多地了解數(shù)據(jù)科學技術。放射科醫(yī)生需要了解基礎的數(shù)據(jù)科學、機器學習等方面知識，特別是對于數(shù)據(jù)的整理。他提到深度學習等AI技術對于數(shù)據(jù)量的要求很大，但人們討論時往往只重視數(shù)量而忽略了質(zhì)量。直接從臨床系統(tǒng)中拿到的數(shù)據(jù)是遠遠不能真正用來做臨床AI研究與應用的。

一般數(shù)據(jù)整理需要至少四層操作。

第一層是臨床系統(tǒng)（PACS，電子病歷系統(tǒng)）中直接拿到的數(shù)據(jù)，這些數(shù)據(jù)往往包含敏感信息，數(shù)量大質(zhì)量低，不能真用來做研究。

第二層是通過倫理委員會審查、去掉病人敏感信息的數(shù)據(jù)的數(shù)據(jù)，醫(yī)生和研究者可以受限拿到，但是這類數(shù)據(jù)一般缺乏結構化，無法直接用來做研究。

第三層是將這些數(shù)據(jù)進一步進行結構化清洗，進行可視化檢驗，從而保證圖像數(shù)據(jù)質(zhì)量等問題。

第四層是將這些數(shù)據(jù)與相應的臨床信息匹配，通過人工或者自動的方法為數(shù)據(jù)打標簽，以便于進行AI研究分析。在這一層中，研究人員還要確認數(shù)據(jù)的統(tǒng)計價值是否足夠，以及是否有真正的標準來進行標簽。比如病人疾病的判斷需要根據(jù)多位醫(yī)生讀圖的結果比照，并通過后續(xù)發(fā)病、隨訪得到的結果確認疾病。

對于醫(yī)生來說，以開放態(tài)度對待技術，以課程、活動、項目交流等方式接觸并掌握新興技術，很可能會讓未來的醫(yī)療服務“事半功倍”。

參加此次會議的斯坦福神經(jīng)影像醫(yī)生、前沿神經(jīng)功能影像實驗室主任、Greg Zaharchuk教授對這類課程的重要性表示贊同。他認為，研究人員需要很好的將AI理論、應用、發(fā)展和局限講解給臨床醫(yī)生。

另一方面，他也強調(diào)臨床AI的研究和真正的臨床AI產(chǎn)品部署之間還有很大差距。如何確保算法在不同病例、設備、掃描參數(shù)等，都是現(xiàn)在面臨的問題，需要在發(fā)展中逐步解決。