芝加哥——Curtis P. Langlotz博士，医学博士，哲学博士，著名的医师兼北美放射学会（RSNA）会长，在RSNA第110届科学大会及年会的主席致辞和开幕式上，提出了六个构建更美好AI未来的要素。Langlotz是斯坦福大学的放射学教授，他选择“建立智能连接”作为演讲的主题。
“随着技术的不断进步，影像已经成为患者护理的核心，但许多放射科医生仍然相对孤立地工作，几乎没有休息时间。”Langlotz在12月1日麦克科密克广场的Arie Crown剧院向满座的听众说道，“如果我们希望在这一专业领域内取得成功，我们需要为我们的实践建立新的基础，这个基础基于连接——与其他医疗保健从业者建立联系以改善患者护理，与新技术和系统建立联系以优化工作流程，以及在更广泛的世界上彼此建立联系，交流想法并进行创新。”
Langlotz举了一个例子，讲述了一位名叫Lane的55岁前吸烟者，她在童年时期患有溶血性尿毒症综合征。2015年，Lane骑自行车摔倒，被送往急诊室，主诉为剧烈的中央和左侧胸痛。她的ECG正常，随后进行了胸部增强CT扫描，结果显示没有主动脉或其他创伤性损伤的证据。由于她有慢性肾功能衰竭的病史，Lane经历了对比剂引起的急性肾损伤，需要在医院过夜观察。一个较旧的检测系统（九年前的标准）标记了四个可能的结节。放射科医生审查了每个警报，并根据Fleischner学会指南决定只有一个值得随访，即一个7厘米的实性结节。然而，在接下来的几天里，Lane继续经历严重的左侧胸痛。五天后的X光片检测到轻微移位的肋骨骨折。六个月后，她在家乡附近的一家设施进行了肺结节的随访CT检查。但由于之前的影像资料无法获取，建议进行活检。“想象一下Lane为了获取之前的影像资料需要做些什么，”Langlotz告诉与会者。“她前往治疗自行车事故的医院，支付10美元制作一张包含她影像资料的CD，并将CD送到影像中心，显示结节未发生变化，从而取消了活检。”
RSNA会长要求与会者想象一下，如果2015年的场景发生在更加互联互通的医疗环境中会怎样。自行车事故后，Lane被送往急诊室，AI生成的患者健康信息摘要会提醒护理团队她有肾功能不全的病史。使用生理盐水进行静脉等渗扩容，显著降低了她的肾损伤风险，并防止了住院。提供者部署了一系列能够检测所有相关发现的AI模型。软件识别出两处肋骨骨折和一个需要随访的孤立结节。由于更新的机器学习模型更加准确，没有出现假阳性结节警报。这些发现自动插入结构化报告中供放射科医生审查。决策支持系统提醒急诊医生这些发现，并向Lane提供了肋骨疼痛管理和结节随访的指示。在家舒适的环境中，Lane与经过高质量医疗数据训练的聊天机器人互动，用简单易懂的语言解释放射学报告。当她的结节在家乡附近的设施进行影像检查时，PACS系统自动从国家交换平台获取她的先前影像，直接比较显示结节未发生变化，从而取消了活检。
“这种新方法对Lane和类似患者有显著的好处，”Langlotz说。“这些相同的改进也使放射科医生和整个医疗系统受益，通过提高效率、改善患者护理和减少医疗事故风险。所以，问题是，我们如何实现这个更好的世界，一个由AI增强的世界？”Langlotz提出了六个达到理想状态的关键要素：
- 抛弃光盘： 首先，良好的护理始于良好的数据。光盘几乎和传真机一样古老，同样无用。我们不应该让生病的患者在不同设施之间携带数据，承受麻烦和费用。因此，让我们抛弃光盘。我们需要敦促图像交换供应商实现通用电子图像交换。许多医疗机构已经通过互联网交换信息和医疗记录数据，那么为什么不以同样的方式交换图像信息呢？
- 简化数据捐赠： 其次，我们应该鼓励分享数据以训练AI。调查显示，大多数患者一旦了解其目的是为了改善像他们这样的患者的生存质量，都愿意贡献自己的数据。一个好的开始是允许患者轻松选择捐赠去标识化的数据用于研究，就像器官捐赠一样。我们必须考虑患者和提供者的需求，正如隐私倡导者所说，“关于我的任何事情都必须有我参与”。这意味着从第一天起就需要一个多元化的跨学科团队参与关键设计决策，指导训练数据的收集，确保产生公平的AI模型，为所有人提供准确的答案。在这个网络攻击频发的时代，我们必须采取一切安全措施，保护患者数据的隐私，并对用于研究的数据进行去标识化处理。
- 改善人机协作： 我们需要更好地理解人机连接，以避免自动化偏见和其他可能导致人类表现下降的方式。例如，能够解释其推理过程并表达其信心或缺乏信心的AI模型应该成为常态。
- 现代化监管框架： 第四，我们的监管框架需要跟上现代现实。当前的监管框架过于强调上市前审批过程，而对模型部署后的关注不足。我们的监管机构在困难的约束下做得很好，但他们仍在50年前的监管框架下工作。这就像试图用1976年Oldsmobile Cutlass的底盘参加2024年的公路赛，而今天的AI客户往往盲目飞行。
- 共享关于AI系统的客观信息： 模型开发者应发布类似于AI模型“营养标签”的模型卡，帮助放射科医生决定某个模型是否适合他们的实践。在临床试验报告中，他们应提供有关模型训练的信息。例如，许多当前的AI模型是基于成人数据训练的，但在儿科环境中可能不合适。模型卡将帮助我们避免这些陷阱，我们需要一个类似于《消费者报告》的AI评估，提供对模型的公正比较，促进供应商之间的准确性和质量竞争。
- 监测系统性能： 最后，AI应通过前瞻性临床试验严格评估，以证明这些新工具在高风险环境中的安全性和有效性。系统实施后，各站点的AI和质量改进专家必须合作跟踪不良事件，并确保系统在数据变化（如引入新设备、诊所开业或新型病毒性肺炎传播）时保持准确性。
“总结来说，这个AI未来的处方需要基于互联网的通用图像交换、方便患者捐赠数据用于研究、更多的人机交互研究、现代化的AI法规以及对AI算法的更客观信息和系统性能监测。”Langlotz补充道。“我们经常认为高科技和高触感是光谱的两端。高触感通常意味着以人为本的技术，建立人际关系，改善我们的生活和职业生涯，而我们通常认为高科技系统会使工作复杂化，使我们远离真实世界的人际关系。但它们并不是对立的。最新的高科技进展可能会为我们提供更多高触感护理的机会。最新一波的高科技将使我们能够将工作中最不吸引人的部分委托给AI模型，同时保留那些令人满意的任务，专注于患者护理和个人联系。这些进展可以提升我们的技能，减少职业倦怠，并将更好的医疗服务带给服务不足的地区，同时我们可以在阅片室、检查室和这样的会议上建立更丰富的人际关系。”
(全文结束)
