盖蒂图片社
在数百个教育课程和有趣的展览中北美放射学会(RSNA2021年的年会上，一个独特的报告占据了中心舞台，无论是从字面上还是从象征意义上。以下是与放射科医生和生物医学成像专家组成的明星小组就目前和未来的状态进行的一小时深入讨论的节选人工智能在放射学(AI)。
“放射学:人工智能”以炉边聊天的形式呈现Dania Daye，医学博士，博士,保罗,医学博士，由编辑客串Charles E. Kahn, Jr，医学博士，MS．小组成员包括:约翰·蒙根，医学博士；Jayashree kalpthy - cramer，硕士，博士；而且琳达Moy博士．
的版主
Dania Daye医学博士，是介入放射学的助理教授马萨诸塞州综合医院/哈佛医学院和研究教师MGH/HST Athinoula . Martinos生物医学成像中心．她是新的RSNA成像AI证书项目的教员之一。该放射学专业课程结合了基于案例的课程和实际应用，提供了理解如何利用人工智能的途径。她也是RSNA放射学AI播客的联合主持人。
保罗,医学博士是马里兰大学医学智能成像(UM2ii)中心，他也是该中心诊断放射学和核医学的助理教授。在约翰霍普金斯大学他是Malone Center for Engineering in Healthcare的兼职研究科学家。此前，他是约翰霍普金斯放射学人工智能实验室(RAIL)的创始联合董事之一。他目前是RSNA的放射学AI播客的联合主持人。
满足小组成员
约翰·蒙根医学博士，是翻译信息学副主任，智能成像中心主任和临床放射学(腹部成像和超声部)副教授加州大学旧金山分校．他在放射诊断和临床信息学方面获得了委员会认证。他的研究重点是医学成像中的人工智能。他是RSNA机器学习指导委员会的主席。
琳达Moy博士放射学教授在NYU Grossman医学院在纽约大学高级成像创新与研究中心和纽约大学维尔切克研究生生物医学科学研究所获得了额外的任命。她是纽约大学健康网络乳腺MRI(临床和研究)主任。作为国际公认的乳房成像、核磁共振成像和人工智能专家，Moy是美国放射学会乳房成像2022世界杯篮球预选赛赛程委员会的成员，该委员会致力于解决与乳房成像、筛查和政府监管相关的问题。她是RSNA的副主编放射学他将于2023年1月起担任主编。她也是新的RSNA成像AI证书项目的课程主任，该项目帮助放射科医生学习实际的AI应用，以及如何在他们的实践中利用AI。
Jayashree kalpthy - cramer，硕士，博士，主任是定量肿瘤成像实验室和机器学习中心他也是马萨诸塞州总医院/哈佛医学院放射学副教授。Kalpathy-Cramer也是MGH和BWH临床数据科学中心的科学主任。她在伦斯勒理工学院获得了电气工程博士学位。
Charles E. Kahn, Jr.，医学博士，理学硕士，FACR放射学系副主任，信息学，放射学教授在宾夕法尼亚大学医院；生物医学信息学研究所高级研究员。在这个职位上，他的职责包括成像信息和部门管理。他指导优秀的学员和初级教师，参与前沿研究，并为改善患者护理的创新方法做出贡献。此外，他还担任RSNA出版物的编辑，放射学:人工智能．
问:回顾2016年Geoffrey Hintan教授博士他说:“人们现在应该停止培训放射科医生，因为很明显深度学习将取代放射科医生。”那是五年前的事了，很明显，这个领域已经发生了很多变化。
你能分享一下你所看到的关键里程碑和进展吗放射学人工智能?
芒根博士:其中一个重要的里程碑就是语言。我们可以沾沾自喜，但我们应该感谢他，因为他让我们所有人都关注人工智能的影响。这是一个分水岭。它带来了焦虑和担忧，但它是一个关键的事情，让人们关注到它的重要性，这是我们需要接受和理解的东西，否则它将成为我们的威胁。重要的是要认识到，在这句话之后的几个月内，他对拉德的实际工作有了更多的了解，并大幅调整了自己的立场，真正促成了今天所发生的一切。放射学和人工智能的目标是让人工智能能够全面改善医疗部署和患者。一个里程碑是在RSNA的展示，我们第一次这样做。我认为今年是另一个里程碑，大多数展位都有关于人工智能的东西。我们认识到它，并把它放在一个特殊的基座上说‘是’。这就是我们需要开始做的。’ And now we move to it becoming ubiquitous. Having an AI Showcase here at RSNA is a big step.
Moy博士最大的里程碑是这里的每个人，以及协会及其成员意识到这是一个我们需要小心使用的工具(伦理等)。我们在认识到人工智能的局限性的同时，也能分享这些想法和我们对人工智能的热情，这真是太棒了。我们今天面临的这些惊人挑战是另一个里程碑。我希望会有更多的数据共享，因为这真的会推动这个领域向前发展。我们大多数人都意识到，这对我们来说还是相对新鲜的，所以让我们一起学习，分享，弄清楚我们如何利用人工智能的力量，真正改善病人的护理。这是我们最终的目标。
Kalpathy-Cramer博士:看到每个人都接受它是很有趣的，但我也希望我们能关注它的局限性，以及我们真正需要做的是让它在翻译中成功。困难的部分不是开发算法，在某种程度上，这是过程中比较容易的部分，但在解决正确的问题方面，还有很多其他的事情要考虑。我们已经走了很长一段路，但需要认识到，在实验室或纸上工作的东西到最终用户手中之间还有很多很多的挑战。
问:多年来，人们一直强调通过合作来提升人工智能的潜力。我们在这里看到的许多例子是我们的小组成员共同提出解决方案。但我们也看到了一些敌对的态度。合作在理论上是一个伟大的目标，但也有许多挑战。成功的秘诀是什么?你是如何合作的?你有什么建议?
Moy博士:首先，我有一个很棒的团队。需要认识到所有数据处理和相关审查过程的重要性。有临床成分也很重要。我们已经开发了模型，但IT方面的一些人仍然不理解……而且我们经常问很多问题，所以这是一个互谅互让的过程。它涉及到大量的反复，不仅仅是打破藩篱。我们有很好的数据集和模型，需要了解在将模型转化为临床导向和设置时所付出的努力的细微差别。因此，我鼓励我们所有人都保持开放的心态，知道你们必须相互制约，并愿意合作。
Kalpathy-Cramer博士:在我们所能做到的范围内，共同努力相互理解是至关重要的。我们经常看到，计算机科学家想要解决一个问题很容易，但它需要有临床影响。因此，我鼓励他们在临床医生的监督下做更多的工作……我们都需要共同努力，以确保我们提出了正确的问题，理解了正确的问题。否则，我们最终得到的解决方案将毫无用处。试图弄清我们是如何使用这些算法的是至关重要的。
芒根博士:历史上，特别是早期，放射科医生出于恐惧而产生了一种对抗的感觉，有时在数据科学方面，带有某种程度的傲慢感。我认为这种对抗性已经消失，取而代之的是一种合作的意愿和渴望，但它仍然具有挑战性。
有两件事很重要。首先，几乎不可能有任何一个人拥有他们在所有学科中所需要的知识深度来从事这一多学科的努力。所以，这需要一个团队的方法。其次，与此同时，你意识到你永远不会拥有团队中其他人的深度知识。他们有独特的专业知识，向他们学习和学习是很重要的。所以作为一个rad，学习一些数据科学和一些术语是很重要的，帮助数据科学家学习临床放射学也是同样重要的。如果你们在理解上有差距，没有重叠，你们可能会产生误解。你想要达到一个点，在接口上至少有一点重叠，以促进这些通信。
Moy博士:值得一提的是，RSNA有大量的教育资源来帮助放射科医生学习与AI有关的语言，在期刊和其他材料中，所以一定要查看这些和其他资源。
卡恩博士:R-E-S-P-E-C-T。这需要我们尊重那些拥有我们不一定拥有的技能的人所能做的事情，并作为一个团队一起工作。放射科医生不需要成为数据科学家……但就像我们学习物理以便能够做我们的工作并与他人合作一样，这将成为我们作为临床放射科医生教育的关键部分，至少要了解数据科学家。所以，当一个同事开始谈论模型中的漂移时，你想知道他们在说什么，我们有一个共同的语言来识别问题，并认识到人工智能只是一种技术，一种工具，一种方式，一种帮助我们获得更好护理的方式。如果我们专注于此，我们将走得更远，我们将到达那里，并建立起尚不存在的伟大解决方案。但我们确实需要合作，让这一切成为现实。
编者按:第二部分的英国独立电视台《放射学:人工智能炉边聊天》(Radiology: Artificial Intelligence Fireside Chat)的报道将刊载于2022年9 / 10月号。
2022年8月11日,
