深度學(xué)習(xí)算法正在以無與倫比的洞察力凝視著MRIs和X射線的圖像，但是當(dāng)他們犯錯時，應(yīng)該歸咎于誰呢？

里吉納·巴茲蕾（REGINA BARZILAY）在40歲出頭時進(jìn)行了常規(guī)乳腺X光檢查，圖像顯示她的乳腺組織中出現(xiàn)了一系列復(fù)雜的白色斑點(diǎn)。這些痕跡可能是正常的，也可能是癌變的——即使是最好的放射科醫(yī)生也很難分辨出它們的區(qū)別。她的醫(yī)生認(rèn)為這些斑點(diǎn)暫時不會有什么事，不用擔(dān)憂。事后，她說，“我已經(jīng)得了癌癥，他們卻沒有發(fā)現(xiàn)?！?/p>

在接下來的兩年里，巴茲蕾接受了第二次乳腺X光檢查、乳腺核磁共振檢查和活組織檢查，所有的檢查結(jié)果都是模棱兩可或相互矛盾的。最終，她在2014年被診斷出患有乳腺癌，但被診斷出乳腺癌的過程令人沮喪得難以置信。“你怎么做三個測試，得到三個不同的結(jié)果？”她不知道。

巴茲蕾接受了治療，恢復(fù)得很好。但她仍然擔(dān)心，解讀乳腺X光檢查的不確定性可能會貽誤治療時機(jī)。她說：“我意識到，在目前的方法下，我們能否得出正確的結(jié)論，多半靠的是運(yùn)氣?！币虼耍龀隽艘粋€改變職業(yè)生涯的決定：“我必須改變它。”

作為麻省理工學(xué)院的計(jì)算機(jī)科學(xué)家，巴茲蕾以前從未研究過健康問題。她的研究使用了機(jī)器學(xué)習(xí)技術(shù)——人工智能的一種形式——來進(jìn)行自然語言處理。但她一直在尋找新的研究方向，并最終決定與放射科醫(yī)生合作，開發(fā)一種機(jī)器學(xué)習(xí)算法，利用計(jì)算機(jī)出色的視覺分析技能，找出人類肉眼可能忽略的乳腺x線照片中的細(xì)微模式。

在接下來的四年里，研究小組訓(xùn)練了一個計(jì)算機(jī)程序，分析了大約3.2萬名不同年齡和種族的女性的乳腺X線照片，并告訴程序哪些女性在掃描后的五年內(nèi)被診斷出患有癌癥。然后，他們在3800多名患者身上測試了電腦的識別能力。他們的研究結(jié)果發(fā)表在去年5月的《放射學(xué)》（Radiology）雜志上，在預(yù)測癌癥或沒有癌癥方面，他們得出的算法比診所中普遍使用的方法要準(zhǔn)確得多。當(dāng)巴茲蕾的團(tuán)隊(duì)在她2012年的乳腺x光片上運(yùn)行這個程序時，這個算法正確地預(yù)測了她在五年內(nèi)患乳腺癌的風(fēng)險(xiǎn)比98%的病人要高。

人工智能算法不僅僅能發(fā)現(xiàn)人眼難以發(fā)現(xiàn)的細(xì)微細(xì)節(jié)，它還可以開發(fā)出全新的醫(yī)學(xué)圖像解釋方式，雖然有時是人類無法理解的方式。設(shè)計(jì)人工智能程序的眾多研究人員、初創(chuàng)公司和掃描儀制造商希望，人工智能能夠提高診斷的準(zhǔn)確性和及時性，在缺乏放射科醫(yī)生的發(fā)展中國家和偏遠(yuǎn)地區(qū)提供更好的治療，揭示生物學(xué)和疾病之間的新聯(lián)系，甚至有助于預(yù)測一個人的死亡時間。

人工智能應(yīng)用程序正迅速進(jìn)入診所，醫(yī)生們對這項(xiàng)技術(shù)既感到興奮，又擔(dān)心自己的工作被機(jī)器搶走。算法也提出了一些前所未有的問題，比如如何監(jiān)管一臺不斷學(xué)習(xí)和變化的機(jī)器，以及如果算法診斷錯誤，該怪誰。盡管如此，許多醫(yī)生還是對人工智能程序的前景感到興奮。當(dāng)然如果這些模型能夠得到充分的驗(yàn)證，并且提高我們對它們?nèi)绾喂ぷ鞯睦斫馑?，這將有助于提高每個人的醫(yī)療保健水平。

熱門話題

使用計(jì)算機(jī)讀取放射掃描圖像的想法并不新鮮。20世紀(jì)90年代，放射科醫(yī)生開始使用一種名為計(jì)算機(jī)輔助診斷（CAD）的程序來檢測乳腺X光檢查中的乳腺癌。這項(xiàng)技術(shù)被譽(yù)為革命性的，診所很快就采用了它。但事實(shí)證明，與現(xiàn)有的方法相比，CAD更耗時、更難以使用，而且根據(jù)一些研究，使用CAD的診所比不使用CAD的診所更容易出錯。費(fèi)城杰佛遜大學(xué)的放射學(xué)家Vijay Rao說，這次失敗讓許多醫(yī)生對計(jì)算機(jī)輔助診斷產(chǎn)生了懷疑。

然而，在過去的十年里，計(jì)算機(jī)視覺技術(shù)突飛猛進(jìn)地發(fā)展——在諸如人臉識別和醫(yī)學(xué)等日常應(yīng)用領(lǐng)域。這種進(jìn)步在很大程度上是由深度學(xué)習(xí)方法的發(fā)展推動的。在深度學(xué)習(xí)方法中，給計(jì)算機(jī)一組圖像，然后讓它自己在這些圖像之間建立聯(lián)系，最終形成一個關(guān)聯(lián)網(wǎng)絡(luò)。例如，在醫(yī)學(xué)成像中，這可能涉及告訴計(jì)算機(jī)哪些圖像包含癌癥，并讓計(jì)算機(jī)自由地尋找這些圖像中常見但無癌癥圖像中不存在的特征。

人工智能技術(shù)在放射學(xué)領(lǐng)域的發(fā)展和應(yīng)用迅速擴(kuò)大?！叭ツ?，我參加的每一次大型會議，主題都是人工智能和成像，”北美放射學(xué)會前會長拉奧（ Rao）說。“顯然，這是一個非常、非常熱門的話題?！?/p>

美國食品和藥物管理局（FDA）目前沒有公布已獲批準(zhǔn)的人工智能產(chǎn)品清單。但加州拉霍亞市斯克里普斯研究所（Scripps Research Institute）的數(shù)字醫(yī)學(xué)研究員埃里克·托波爾（Eric Topol）估計(jì)，該機(jī)構(gòu)每月批準(zhǔn)的醫(yī)學(xué)成像算法不止一種。營銷情報(bào)公司Reaction Data在2018年進(jìn)行的一項(xiàng)調(diào)查發(fā)現(xiàn)，84%的美國放射科診所已經(jīng)或計(jì)劃采用人工智能程序。這一領(lǐng)域在中國發(fā)展尤其迅速，有100多家公司正在設(shè)計(jì)用于醫(yī)療保健的人工智能應(yīng)用程序。

總部位于特拉維夫的初創(chuàng)企業(yè)Aidoc的首席執(zhí)行官埃拉德?瓦拉赫（Elad Walach）表示：“現(xiàn)在是進(jìn)入這個市場的絕佳時機(jī)?！痹摴鹃_發(fā)了用來分析CT掃描中的異常情況的算法，并將這些病人移至醫(yī)生優(yōu)先考慮的名單的首位。Aidoc還追蹤了醫(yī)生使用該程序的頻率，以及他們花多長時間對其結(jié)論進(jìn)行事后分析?！耙婚_始他們持懷疑態(tài)度，但兩個月后他們就習(xí)慣了，而且非常信任，”瓦拉赫說。

節(jié)省時間對挽救病人至關(guān)重要。最近一項(xiàng)關(guān)于肺部塌陷的胸部x光檢查的研究發(fā)現(xiàn)，放射科醫(yī)生將60%以上的檢查列為最重要的檢查，這意味著他們可能要花上幾個小時來處理那些不太嚴(yán)重的病例，然后才能處理那些真正緊急的病例。總部位于波士頓的通用電氣醫(yī)療保健公司（GE Healthcare）副總裁兼人工智能總經(jīng)理卡利?約德（Karley Yoder）表示：“我遇到的每一位醫(yī)生都有一個病人因?yàn)榉嗡荻ナ赖墓适??！痹摴臼轻t(yī)療成像設(shè)備的領(lǐng)先制造商之一。去年9月，美國食品和藥物管理局批準(zhǔn)了一套人工智能工具，該工具將嵌入通用電氣的掃描儀中，自動標(biāo)記出最緊急的病例。

因?yàn)橛?jì)算機(jī)可以處理大量的數(shù)據(jù)，所以它可以執(zhí)行超出人類能力的分析任務(wù)。例如，谷歌正在利用其計(jì)算能力開發(fā)人工智能算法，將二維肺部CT圖像構(gòu)建為三維肺部，并觀察整個結(jié)構(gòu)，以確定是否存在癌癥。相比之下，放射科醫(yī)生必須單獨(dú)觀察這些圖像，并試圖在腦中重建它們。另一種谷歌算法可以做一些放射科醫(yī)生根本做不到的事情：通過觀察患者的視網(wǎng)膜掃描，捕捉與血壓、膽固醇、吸煙史和衰老相關(guān)的細(xì)微變化，來確定患者患心血管疾病的風(fēng)險(xiǎn)。谷歌產(chǎn)品經(jīng)理Daniel Tse說：“這其中可能會有我們之前并未了解的潛在的信號?！?/p>

黑箱問題

人工智能程序最終可能會揭示生物學(xué)特征與患者預(yù)后之間的全新聯(lián)系?！睹绹t(yī)學(xué)會雜志》網(wǎng)絡(luò)版（JAMA Network Open） 2019年發(fā)表的一篇論文描述了一種深度學(xué)習(xí)算法，該算法對超過8.5萬名參與了兩項(xiàng)大型臨床試驗(yàn)的人進(jìn)行了訓(xùn)練，這些試驗(yàn)對他們進(jìn)行了12年多的追蹤。該算法對每個病人在這段時間內(nèi)的死亡風(fēng)險(xiǎn)進(jìn)行評分。研究人員發(fā)現(xiàn)，被人工智能歸入高風(fēng)險(xiǎn)類別的人中，有53%的人在12年內(nèi)死亡，而被歸入低風(fēng)險(xiǎn)類別的人中，只有4%的人死亡。該算法沒有關(guān)于誰死亡或死因的信息。首席研究員、馬薩諸塞州總醫(yī)院（Massachusetts General Hospital）的放射科醫(yī)生邁克爾·盧（Michael Lu）說，如果結(jié)合醫(yī)生的評估和其他數(shù)據(jù)，比如基因，這種算法可能會成為評估病人健康狀況的有用工具。

為了了解算法是如何工作的，研究人員識別出了用于計(jì)算的圖像部分。有些，如腰圍和女性乳腺結(jié)構(gòu)，是有意義的，因?yàn)檫@些區(qū)域可以暗示某些疾病的已知風(fēng)險(xiǎn)因素。但該算法也研究了患者肩胛骨下的區(qū)域，這一區(qū)域沒有已知的醫(yī)學(xué)意義。盧認(rèn)為，靈活性可能是壽命縮短的一個預(yù)測指標(biāo)。做x光胸透通常需要患者抱著機(jī)器，而身體不太健康的人如果不能把手臂完全環(huán)繞著機(jī)器，他們的肩膀可能會擺成另一種姿勢。

電腦和人類思維方式的脫節(jié)被稱為“黑盒問題”：即電腦在一個人類無法進(jìn)入的模糊空間中運(yùn)作。專家們對這在醫(yī)學(xué)成像中是否存在問題意見不一。一方面，如果一個算法持續(xù)地改善醫(yī)生的表現(xiàn)和病人的健康，醫(yī)生不需要知道它是如何工作的。畢竟，研究人員還沒有完全了解許多藥物的作用機(jī)制，比如自20世紀(jì)50年代以來一直用于治療抑郁癥的鋰。不過話說回來，也許我們不應(yīng)該如此執(zhí)著，因?yàn)槿祟惸壳霸卺t(yī)學(xué)領(lǐng)域的工作方式仍有點(diǎn)類似黑箱方式。我們又憑什么對機(jī)器有更高的標(biāo)準(zhǔn)呢？

然而，不可否認(rèn)的是，黑箱子為人類和人工智能之間的誤解提供了大量的機(jī)會。例如，西奈山伊坎醫(yī)學(xué)院（Icahn School of Medicine at Mount Sinai）的研究人員發(fā)現(xiàn)，他們開發(fā)的一種用于識別肺部x射線肺炎的深度學(xué)習(xí)算法在性能上存在差異，這讓他們深感困惑。在西奈山生產(chǎn)的x光片上，它的準(zhǔn)確率超過90%，但在其他機(jī)構(gòu)的掃描中，準(zhǔn)確率要低得多。他們最終發(fā)現(xiàn)，該算法不僅分析了這些圖像，還考慮了在每個機(jī)構(gòu)中肺炎發(fā)病率的基礎(chǔ)上得出陽性結(jié)果的幾率——而這不是他們期望或希望該程序做的事情。

哈佛醫(yī)學(xué)院（Harvard Medical School）研究機(jī)器學(xué)習(xí)生物醫(yī)學(xué)應(yīng)用的塞繆爾·芬萊森（Samuel Finlayson）對這些混淆因素感到擔(dān)憂。他指出，人工智能訓(xùn)練的數(shù)據(jù)集可能會有偏差，而開發(fā)人員沒有考慮到這一點(diǎn)。例如，在急診室或半夜拍攝的照片可能比常規(guī)檢查時拍攝的照片更容易顯示出病人。一種算法也可以學(xué)習(xí)查看疤痕或醫(yī)療設(shè)備植入物，這些表明以前的健康問題，并決定沒有這些標(biāo)記的人沒有這種情況。即便是機(jī)構(gòu)給自己的圖像貼上標(biāo)簽的方式，也可能會讓人工智能算法感到困惑，并妨礙模型在另一家機(jī)構(gòu)的不同標(biāo)簽系統(tǒng)中正常運(yùn)行?！叭绻阍卺t(yī)院里天真地從一個地點(diǎn)、一個時間、一個人群來訓(xùn)練（算法），你就不會意識到模型所考慮的成千上萬個小因素。如果這些改變中的任何一項(xiàng)發(fā)生，都會有損結(jié)果的準(zhǔn)確性，”芬萊森警告說。

芬萊森說，解決方案是用來自許多地方和不同患者群體的數(shù)據(jù)訓(xùn)練一個算法，然后在一個新的患者群體中進(jìn)行前瞻性測試——不做任何修改。但是很少有算法被這樣測試過。根據(jù)Topol最近的《自然醫(yī)學(xué)評論》（Nature Medicine review），在數(shù)十項(xiàng)聲稱人工智能表現(xiàn)優(yōu)于放射科醫(yī)生的研究中，只有少數(shù)在與人工智能研發(fā)地不同的人群中進(jìn)行了測試?！八惴ㄊ欠浅?、非常微妙的，”杜克大學(xué)（Duke University）計(jì)算機(jī)科學(xué)家辛西婭?魯?。–ynthia Rudin）表示。“如果你嘗試在（圖像）訓(xùn)練集之外使用一種方法，并不總是奏效?！?/p>

隨著研究人員意識到這一問題，更多人開始在新環(huán)境下的前瞻性研究可能即將出現(xiàn)。巴茲蕾的團(tuán)隊(duì)最近完成了對瑞典卡羅林斯卡學(xué)院10000次掃描的乳腺x光片人工智能的測試，結(jié)果發(fā)現(xiàn)它在那里的表現(xiàn)和在馬薩諸塞州一樣好。該組織目前正與臺灣和底特律的醫(yī)院合作，在更多樣化的患者群體中進(jìn)行測試。研究小組發(fā)現(xiàn)，目前評估非裔美國女性患乳腺癌風(fēng)險(xiǎn)的標(biāo)準(zhǔn)要低得多，巴茲蕾說，因?yàn)檫@些標(biāo)準(zhǔn)主要是用白人女性的掃描數(shù)據(jù)制定的：“我認(rèn)為我們確實(shí)有能力改變這種可悲的狀況?！?/p>

法律的未知領(lǐng)域

即使人工智能的結(jié)論在醫(yī)學(xué)上是相關(guān)的，但從法律角度來看，黑匣子仍然存在一些問題。如果人工智能做出了錯誤的診斷，就很難判斷是醫(yī)生的錯，還是程序的錯。密歇根大學(xué)的健康法律專家尼克爾森?普萊斯說：“醫(yī)療保健領(lǐng)域發(fā)生了很多不好的事情，你不一定知道為什么會發(fā)生這些糟糕的事情?！比绻斯ぶ悄芟到y(tǒng)導(dǎo)致醫(yī)生做出錯誤診斷，醫(yī)生可能無法解釋原因，而該公司關(guān)于測試方法的數(shù)據(jù)很可能是一個受到嚴(yán)密保護(hù)的商業(yè)機(jī)密。

醫(yī)療人工智能系統(tǒng)還太新，尚未在醫(yī)療事故訴訟中受到挑戰(zhàn)，因此，目前尚不清楚法院將如何確定責(zé)任，以及應(yīng)要求何種透明度。

建立黑盒算法的趨勢讓Rudin很沮喪。這個問題來自于這樣一個事實(shí)，即大多數(shù)醫(yī)學(xué)算法都是通過采用為其他類型的圖像分析開發(fā)的深度學(xué)習(xí)工具來構(gòu)建的?！澳銢]有理由不能造出一個能自我解釋的機(jī)器人，”她堅(jiān)持說。但是，從頭構(gòu)建一個透明的算法要比重新利用現(xiàn)有的黑盒算法來查看醫(yī)療數(shù)據(jù)要難得多。

Rudin正在開發(fā)透明的人工智能算法，分析疑似腫瘤的乳腺x光片，并不斷向研究人員通報(bào)他們的工作。但她的研究一直受到缺乏可用圖像來訓(xùn)練算法的阻礙。Rudin說，公開提供的圖像往往標(biāo)識不清，或者是用已經(jīng)不再使用的舊機(jī)器拍攝的，如果沒有龐大而多樣的數(shù)據(jù)集，算法往往會發(fā)現(xiàn)混淆的因素。

黑匣子，以及人工智能算法從經(jīng)驗(yàn)中學(xué)習(xí)的能力，也給監(jiān)管機(jī)構(gòu)帶來了挑戰(zhàn)。與總是以相同方式工作的藥物不同，機(jī)器學(xué)習(xí)算法會隨著時間的推移而改變和改進(jìn)，因?yàn)樗鼈兛梢栽L問更多的患者數(shù)據(jù)。由于該算法從如此多的輸入中提取意義，一些看似無害的變化，如醫(yī)院的新IT系統(tǒng)，可能會突然毀掉人工智能程序。“機(jī)器會像人一樣生病，它們也會被惡意軟件感染，”Topol說?！爱?dāng)一個人的生命處于危險(xiǎn)之中時，你不能相信一個算法。”

去年4月，F(xiàn)DA提出了一套指導(dǎo)方針來管理隨時間變化的算法。其中一個期望是，生產(chǎn)商要密切關(guān)注自己的算法如何變化，以確保它們繼續(xù)按設(shè)計(jì)工作，并要求它們在發(fā)現(xiàn)可能會促使重新評估的意外變化時通知FDA。該機(jī)構(gòu)還在開發(fā)最佳制造實(shí)踐，并可能要求企業(yè)闡明它們對算法可能如何變化的預(yù)期，以及如何管理這些變化的協(xié)議?！拔覀冃枰靼?，從來沒有一種萬能藥，”FDA數(shù)字健康主管巴庫爾·帕特爾（Bakul Patel）說。

機(jī)器會取代醫(yī)生嗎？

人工智能的局限性應(yīng)該會讓擔(dān)心機(jī)器會搶走他們工作的放射科醫(yī)生放心。2012年，科技風(fēng)險(xiǎn)投資家、太陽微系統(tǒng)公司（Sun Microsystems）的聯(lián)合創(chuàng)始人維諾德·科斯拉（Vinod Khosla）預(yù)測，算法將取代80%的醫(yī)生，這一預(yù)測讓醫(yī)學(xué)界震驚。最近，他聲稱，10年后仍在執(zhí)業(yè)的放射科醫(yī)生將“殺死病人”。Rao說，這樣的言論在放射學(xué)領(lǐng)域引起了恐慌和反彈?！拔艺J(rèn)為炒作造成了很多期望。”

但這種擔(dān)憂也產(chǎn)生了切實(shí)的影響。2015年，美國只有86%的放射科住院醫(yī)師職位得到填補(bǔ)，而前一年為94%，盡管這些數(shù)字在過去幾年中有所改善。根據(jù)2018年對322名加拿大醫(yī)科學(xué)生的調(diào)查，68%的學(xué)生認(rèn)為人工智能將減少對放射科醫(yī)生的需求。

盡管如此，大多數(shù)專家和人工智能制造商仍懷疑人工智能是否會很快取代醫(yī)生。“人工智能解決方案正變得非常擅長把一件事做得非常好，”瓦拉赫說。但由于人類生物學(xué)是復(fù)雜的，他說，“你通常必須讓人把不止一件事做得非常好?！睋Q句話說，即使一個算法在診斷某個特定問題上做得更好，把它與醫(yī)生的經(jīng)驗(yàn)和對病人個人情況的了解結(jié)合起來，也會得到更好的結(jié)果。

能夠很好地完成一項(xiàng)任務(wù)的人工智能可以讓放射科醫(yī)生從繁重的工作中解脫出來，讓他們有更多的時間與患者互動。托波爾說“我們在醫(yī)學(xué)上需要的是更多的人與人之間的接觸和聯(lián)系?！?/p>

盡管如此，Rao和其他人相信，由于人工智能算法的出現(xiàn)，放射科醫(yī)生所接受的工具和培訓(xùn)，包括他們的日常工作，將在未來幾年發(fā)生巨大的變化。“人工智能不會取代放射科醫(yī)生，但使用人工智能的放射科醫(yī)生會取代不使用人工智能的放射科醫(yī)生，”斯坦福大學(xué)放射科醫(yī)生柯蒂斯?蘭羅茲（Curtis Langlotz）表示。

然而，也有一些例外。2018年，F(xiàn)DA批準(zhǔn)了第一個無需醫(yī)生查看圖像就能做出醫(yī)療決定的算法。IDx技術(shù)公司在愛荷華州的Coralville開發(fā)了這個項(xiàng)目，通過觀察視網(wǎng)膜圖像來檢測糖尿病視網(wǎng)膜病變，根據(jù)該公司的數(shù)據(jù)，準(zhǔn)確率高達(dá)87%。IDx首席執(zhí)行官邁克爾·阿布拉莫夫表示，由于沒有醫(yī)生參與，公司已經(jīng)為任何醫(yī)療事故承擔(dān)了法律責(zé)任。

在短期內(nèi)，人工智能算法更有可能幫助醫(yī)生，而不是取代他們。例如，在發(fā)展中國家工作的醫(yī)生可能無法獲得與美國或歐洲主要醫(yī)療機(jī)構(gòu)相同種類的掃描儀，或者無法獲得能夠解釋掃描結(jié)果的訓(xùn)練有素的放射科醫(yī)生。倫格倫說，隨著醫(yī)學(xué)變得更加專業(yè)化和依賴于圖像分析，富裕地區(qū)和貧困地區(qū)提供的醫(yī)療服務(wù)標(biāo)準(zhǔn)之間的差距正在擴(kuò)大。運(yùn)行一種算法可能是縮小這一差距的一種廉價(jià)方式，甚至可以在移動電話上實(shí)現(xiàn)。

隆格倫的團(tuán)隊(duì)正在開發(fā)一種工具，可以讓醫(yī)生用手機(jī)拍攝x光膠片——而不是發(fā)達(dá)國家標(biāo)準(zhǔn)的數(shù)字掃描——并在照片上運(yùn)行一種算法來檢測肺結(jié)核等疾病?！八粫〈魏稳耍彼f——許多發(fā)展中國家一開始就沒有放射科醫(yī)生?！拔覀冋跀U(kuò)充非放射科醫(yī)生，把專業(yè)知識帶到他們的指尖?！?/p>

Rao說，人工智能的另一個短期目標(biāo)可能是首先檢查醫(yī)療記錄，以確定病人是否需要掃描。許多醫(yī)學(xué)經(jīng)濟(jì)學(xué)家認(rèn)為成像被過度使用——僅在美國每年就有超過8000萬例的CT掃描。盡管如此豐富的數(shù)據(jù)有助于研究人員使用它來訓(xùn)練算法，但掃描的成本極高，可能會讓病人暴露在不必要的輻射中。同樣，隆格倫補(bǔ)充說，有一天，算法可以在患者仍在掃描儀中時分析圖像并預(yù)測最終結(jié)果，從而減少獲得良好圖像所需的時間和輻射暴露量。

最后，巴茲蕾說，當(dāng)人工智能作為一個敏銳的合作伙伴來處理那些醫(yī)生無法獨(dú)自發(fā)現(xiàn)和解決的問題時，它將是最有用的。

責(zé)任編輯：ct