12月9日，2024年北美放射学会年会（RSNA24）展示了在多个重要领域利用人工智能的重要进展。RSNA会议每年在芝加哥麦考密克会展中心举行，仍然是世界上最大的年度医学会议之一。正如我在过去的报道中提到的，今天的RSNA会议与1990年我开始参加时的情况大不相同。
当时，展览区主要展示各种模态设备，放射科主任和其他放射科医生被厂商代表热情地推销最新的CT、MR和PET机器；教育会议也纯粹是临床性质的，即如何最好地考虑和诊断临床问题。而今，展览区和教育会议都发生了巨大变化。如今，展览区的参观者更有可能是医院和卫生系统的管理者，而非35年前的放射科医生。由于医院和卫生系统预算的减少，新设备采购已变得相对罕见。同时，教育会议不仅关注35年前从未涉及的主题，如健康公平和信息技术互操作性；人工智能的出现正在成为实践放射科医生的改变者，因此，为AI相关讨论留出了大量空间。
今年看到AI相关会议的数量略有减少，这让人稍感不安，但我认为这只是偶然的变化，预计明年这类会议的数量将会再次增加。无论如何，今年AI相关会议的深度和广度令人印象深刻，显然放射科医生正在引领美国医疗保健行业，探索如何战略性地和深思熟虑地利用AI。
今年似乎明确的是，AI在临床、临床运营和运营方面的可能性几乎是无限的。总体而言，放射科领导层关注以下几个重点领域：支持初步诊断的AI；用于选择诊断测试类型的临床决策支持AI；支持智能调度和协议的AI；使用大型语言模型来支持患者记录和历史总结；以及使用大型语言模型将放射学报告和信息转化为患者友好的语言和框架。
弗吉尼亚大学放射学和医学成像教授Arun Krishnaraj博士在周二的一场名为“使用大型语言模型改善以患者为中心的放射学护理：机遇与挑战”的会议上告诉与会者：“不幸的是，即使在21世纪，放射学报告仍然看起来像是20世纪的打字机打出来的。报告充满了术语和长长的列表。”好消息是，AI的到来将改变这一局面。他和其他演讲者描述了他们及其同事如何积极利用大型语言模型向患者提供易于理解的报告，Krishnaraj博士等人认为，随着患者越来越赋权并积极参与自己的护理，在未来几年内，这将不再是一种“锦上添花”，而是必要之举。
埃里克·托波尔博士（Eric Topol）是畅销书作者、圣地亚哥斯克里普斯诊所的执业心脏病专家，同时也是《Medscape》的主编。他在周一全体会议的座无虚席的观众面前表示，他认为人工智能将在未来几年内彻底改变医学实践。托波尔博士在《Arie Crown Theater》向放射科医生和其他放射学相关人员介绍了人工智能迄今为止的发展历程，并基于目前的进展预测了未来的发展方向。
托波尔博士说，一个新时代即将到来，届时AI工具将帮助医生更好地诊断和治疗疾病，甚至预测疾病的发病。他表示，过去几年在开发算法和使用大型语言模型方面的工作为巨大的变革奠定了基础。例如，从大量数据和图像中收集的数据已经在提高诊断准确性方面取得了进展，如胃肠病学中，胃肠病学家已经使用AI辅助内窥镜检查发现了比以前更多的息肉。即使是X射线等诊断图像也在收集数据，形成庞大的数据湖，支持医生的诊断过程。他将这一现象称为“机器之眼”——收集的数据经过分析并纳入临床决策支持，可以提高诊断准确性。令人惊讶的是，研究表明，基于胸部X光片的分析可以诊断出包括糖尿病在内的多种疾病。他引用了一项基于英国收集的160万张视网膜图像的研究，该研究在2023年9月产生了突破性的预测诊断。
托波尔博士还告诉观众，AI在文本的完整性、正确性和简洁性方面表现出色。AI生成的报告比医生生成的报告更加紧凑、易于理解和完整。他还提到了几项研究，这些研究不仅表明AI在诊断方面优于人类医生，而且有两项研究发现，单独使用AI的诊断效果甚至优于AI加人类医生的组合。不过，他迅速补充道，这一结果可能与这些研究是“人为的”、基于人工测试而非实际患者护理情况有关。尽管如此，他指出，AI似乎能促进医生表达同理心。
哈佛医学院放射学副教授Dania Daye博士在由Krishnaraj博士发起的会议上引用了一篇发表在《Radiology》上的文章，题为“基于上下文的聊天机器人在遵循ACR适当性指南方面超越放射科医生和通用ChatGPT”。该研究发现，聊天机器人提供了显著的时间和成本节约。她还引用了最近文献中的几项其他研究，包括2023年10月5日发表在《JAMA Network Open》上的一篇题为“生成式人工智能在急诊科胸部X光片解读中的应用”的文章，其中GPT生成的报告在急诊科与放射科医生相当，甚至优于远程放射科医生。
Daye博士警告说，临床医生和数据科学家需要迅速行动，消除“幻觉”、偏见复制、虚假信息传播和缺乏问责制。然而，只要在这些方面做出强烈努力，她说，就可以有效地利用AI进行患者护理、教育和研究。
RSNA总裁Curtis P. Langlotz博士在周日的主席致辞中表示，潜力巨大。的确，他指出，在1980年代，构建一个只能分析几张图像的系统需要四年时间。而今天，有了正确的训练数据，我们可以在几天内构建一个比当时任何系统都更准确的系统。Langlotz博士说，“任何从事AI工作的人都知道，机器智能与人类智能不同，但并不优于人类智能。”
显然，那些在放射学领域推动AI发展的人非常谨慎，避免了试图“一口吃成个胖子”的诱惑，这种诱惑在医疗保健领域常常存在。相反，他们卷起袖子，着手解决一系列实际问题。在这个过程中，他们不仅会使放射科医生更加高效和有效——这在医疗保健系统面临放射科医生短缺和老龄化社会对诊断成像需求增加的情况下是一个重要的目标——还将迎来一个新的患者参与时代，这是医疗保健系统进步的另一个极其重要的领域。
显然，我们现在正处于这一进程之中，未来几年放射学将见证利用AI改善放射学实践和医疗保健交付的巨大进展。这是一个令人兴奋的前景，也是今年参加RSNA的一个令人鼓舞的方面。谁也不知道RSNA24会是什么样子？我已经迫不及待想知道了。
【全文结束】
(全文结束)
