放射科医生已经“死亡”了吗？
至少这是2016年AI专家们的预言，他们当时预测AI将在十年内超越放射科医生。
如今，AI并没有取代影像学专家，但其应用正促使医疗服务提供者重新构想这一领域。这就是为什么加州大学旧金山分校（UCSF）成为美国首批将AI和机器学习结合到医学影像研究和教育中的大学之一，成立了智能影像中心（Center for Intelligent Imaging）。
让我们看看UCSF的研究人员是如何开创以人为中心的AI解决方案，应对医学中的一些最大挑战。
更早发现疾病
UCSF开发的AI技术现在正在帮助全球的放射科医生识别肺塌陷病例，该技术已被GE医疗公司许可使用。目前，该技术已集成到GE的产品中，通过类似下图的警报帮助医生标记潜在病例。图片由GE医疗公司提供
每年有数万美国人遭受气胸（一种肺塌陷）的困扰。这种病症通常由创伤或肺部疾病引起，严重情况下，如果诊断过晚或未得到治疗，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，只有细微的线索才能表明其存在。同时，放射科医生每天需要解读数百张图像，而一些医院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，帮助放射科医生标记潜在病例。2019年，该工具成为首个获得美国食品药品监督管理局（FDA）许可的同类AI创新。如今，它已在世界各地数千台GE医疗设备中使用。
他们是如何做到的？
放射学与生物医学影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，另一些则没有。接下来，研究人员使用该数据库训练AI工具，并用数千张其他图像测试其准确性，确保其能准确标记潜在病例。
该AI筛查器可与便携式X光机配合使用，因此医生可以在患者床边使用它，而无需进行重大基础设施投资。
“我认为这是一个额外的安全检查，可以更快地提供诊断和患者护理，”放射学和转化信息学副教授John Mongan博士解释道。Mongan与放射学教授Andrew Taylor博士共同开发了该AI算法，他还是智能影像中心主任。
提高图像质量以更好地诊断创伤性脑损伤
右侧的标准质量MRI图像在左侧通过AI增强，使其质量接近一些最昂贵和罕见的MRI机器拍摄的图像。
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，在大脑的情况下，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：
美国大多数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创伤性脑损伤等疾病的迹象和症状。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台在使用。
解决方案：
UCSF神经学助理教授Reza Abbasi-Asl博士领导的团队使用了一种形式的AI来增强标准MRI图像中的创伤性脑损伤。该技术显著改善了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。
这些结果未来可能有助于改善创伤性脑损伤和其他神经系统疾病的护理。
他们是如何做到的？
Abbasi-Asl和他的团队构建了包含成对创伤性脑损伤MRI的小型匿名数据库。每对包含同一损伤的MRI图像：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，通过数据模式连接信息片段，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出了在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，同时减少如颗粒状斑点等“噪声”。
“我们的研究结果突显了AI和机器学习在提高较不先进成像系统捕获的医疗图像质量方面的潜力，”Abbasi-Asl说。
无需侵入性测试即可检测心脏问题
类似于这样的冠状动脉造影未来可能用于诊断更严重的冠状动脉疾病，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，该疾病是心肌梗死（心脏病发作）的常见原因。
医生通常使用称为冠状动脉造影的测试来诊断该疾病。作为冠状动脉造影的一部分，医生会在向心脏供血的主要血管中注入一种特殊的染料，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，但冠状动脉疾病会损害它。怀疑患有严重冠状动脉疾病的患者会接受冠状动脉造影，但可能还需要额外的测试，这些测试需要更多的染料，这可能会损害肾脏。
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过程中已获得的标准造影视频，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增加风险。这项研究最终可能为医生和患者提供更快、更安全的左心室损伤诊断方法。
他们是如何做到的？
Tison和他的团队在UCSF记录的匿名冠状动脉造影视频上训练了一种称为深度神经网络的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CathEF在研究人员将其结果与超声波测量的泵功能进行比较时，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测试该模型时，CathEF的表现同样出色。
“CathEF提供了一种新颖的方法，利用每次冠状动脉造影常规收集的数据，提供目前临床医生无法获得的信息，”Tison说。“我们的模型有效地扩展了医疗数据的实用性，通过实时信息辅助临床决策。”
通过手机监测帕金森病的进展？
下面的视频显示了患者的数字化手部运动（左）和行走（右）数据，这些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，症状包括震颤、僵硬和平衡不良。
问题：
为了做出最佳的治疗决定，医生需要了解患者的症状如何进展。目前，医生在分散的预约之间依赖患者的描述和观察到的变化来检测步行或手指敲击能力的细微变化，这导致了数据缺口。
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相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，这项研究未来可能允许医生在家中监测患有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。
他们是如何做到的？
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帕金森病志愿者。研究人员使用数字摄像机拍摄参与者行走和敲击食指的视频，这些都是常见的临床检查技术。机器学习程序处理这些视频，识别最具有临床相关性的特征，例如手指敲击的速度，这可能表明更严重的疾病阶段。
“在过去的100年里，我们在某些医学领域基本上是以相同的方式进行的：我们看病人，与他们交谈。我们在诊所进行检查，然后尝试调整他们的部分治疗，”Little解释道。“我们正处于一个转型点，从传统的主观观点转向数字转型。我希望在未来五年内，这种做法在临床实践中会更加普遍。”
(全文结束)
