生成式AI，如ChatGPT等大型语言模型，已经在客户服务和创意内容生产等行业中迅速普及。然而，医疗保健行业则更为谨慎。
放射学是一个专注于分析数字图像和识别模式的专业领域，正成为采用新AI技术的先锋。
这并不是说AI对放射学来说是新鲜事物。2016年，诺贝尔奖得主杰弗里·辛顿曾预言，“人们现在应该停止培训放射科医生了。”但近十年后，该领域的AI转型走上了截然不同的道路。放射科医生并没有被取代，而是将生成式AI整合到他们的工作流程中，以处理不需要临床专业知识的劳动密集型任务。
“放射科医生并不担心AI，而是希望AI能帮助解决劳动力挑战，”斯坦福大学研究高级副教务长兼放射学教授柯特·兰格洛茨解释道。
放射学中生成式AI的监管挑战
辛顿的观点并非完全错误。许多放射科医生现在可以使用预测性AI模型来分类图像或突出潜在异常。兰格洛茨表示，这些工具的兴起“创造了一个拥有超过100家公司的行业”，这些公司专注于医疗成像的AI应用。
美国食品药品监督管理局列出了超过1000种AI/ML支持的医疗器械，其中大多数是为放射学设计的。然而，获批的设备基于更传统的机器学习技术，而不是生成式AI。
拜耳医疗事务部负责人安库尔·夏尔马解释说，用于放射学的AI工具被归类为计算机辅助检测软件，这种软件有助于分析和解释医学图像。例如，包括分诊、检测和特征化。每种工具都必须符合监管标准，包括确定检测准确性和假阳性率的研究。这对生成式AI技术尤其具有挑战性，因为它们较新且了解较少。
特征化工具，即分析特定异常并提出可能原因的工具，面临最高的监管标准，因为假阳性和假阴性都存在风险。辛顿设想的那种能够自动诊断的生成式AI放射科医生将被归类为“特征化”工具，并需要达到高水平的证据标准。
监管并不是生成式AI在放射学中广泛应用的唯一障碍。
当今最好的通用大型语言模型，如OpenAI的GPT4.1，是在数万亿个数据令牌上训练的。这种规模的模型训练带来了卓越的结果，新的LLM不断超越旧模型。
然而，由于可用的训练数据量较小，要以这种规模训练一个用于放射学的生成式AI模型非常困难。医疗机构也缺乏足够的计算资源来构建与最大的大型语言模型相媲美的模型，这些模型的训练成本高达数亿美元。
“在医学内部和外部训练的最大文本或语言模型所使用的训练数据量相差一百倍，”兰格洛茨说。最大的LLM在几乎整个互联网的数据上进行训练；而医学模型仅限于某个机构可访问的图像和数据。
生成式AI在放射学中的当前现实
这些监管障碍似乎对生成式AI在放射学中的实用性提出了质疑，尤其是在做出诊断决策方面。然而，放射科医生发现这项技术在他们的工作流程中有帮助，因为它可以承担一些日常的劳动密集型行政任务。
例如，夏尔马说，一些工具可以在放射科医生口述观察结果时做笔记，从而帮助撰写报告。他补充说，一些大型语言模型“将这些报告翻译成更易于患者理解的语言。”
兰格洛茨博士说，一种可以起草报告的产品可以给放射科医生带来“显著的生产力优势”。他将其比作有住院医师起草报告供审查的情况，这种情况在学术环境中较为常见，但在医院放射科等实践中则较少见。
夏尔马说，生成式AI可以帮助放射科医生自动化和简化报告、随访管理和患者沟通，使放射科医生有更多时间专注于他们的“读片专长”，包括图像解释和复杂病例的诊断。
例如，在2024年6月，拜耳和Rad AI宣布合作，将生成式AI报告解决方案集成到拜耳的Calantic数字解决方案平台中，这是一个用于在临床环境中部署AI工具的云托管平台。此次合作旨在利用Rad AI的技术帮助放射科医生更高效地创建报告。例如，Rad AI可以使用生成式AI转录来根据放射科医生的口述结果生成书面报告。这类应用面临的监管障碍较少，因为它们不直接影响诊断。
展望未来，兰格洛茨博士预测在未来五年内，AI的采用将更加广泛。“我认为在未来五年内，放射科医生的日常工作将发生变化，”他预测道。
(全文结束)
