图像识别|?在放射学中，大量的努力都放在图像识别分析上，这并不奇怪算法|机器学习|医疗保健

文章图片

文章图片

文章图片

过去10年机器学习领域的显着进步促使人们在日常体验中与人工智能(AI)的交互不断增加，并且发展继续以极快的速度发展。在放射学中，大量的努力都集中在图像识别和分析上，这并不奇怪，而计算机辅助的病理学检测和诊断也开始进入临床应用。在医疗保健的其他方面，机器学习在计算机视觉以外的任务中的更广泛应用正在为患者风险评估、管理和结果预测带来好处。

辛哈等人报告了他们将机器学习应用于介入放射学的结果预测的工作结果。科学家使用随机森林分类器，即通过将输入数据的随机子集重复传递给各个决策树并平均结果来执行二元分类的算法，科学家使用来自公开可用的匿名数据集的非图像数据来预测干预程序后的几个重要结果：开发胸活检后气胸的发生率、经颈静脉肝内门体分流术的院内死亡率以及子宫动脉栓塞后住院时间大于三天。

这些预测完全基于入院前可用的数据，例如人口统计学和患者既往病史的要素。这些类型的预测工具带来的潜在价值会对个体患者和整个医疗保健系统产生影响。识别手术后可能出现并发症的患者提供了一个机会，可以投入资源并为有风险的人制定更高水平的观察和管理计划。

这可能意味着患者将获得更安全和更高质量的护理，并可能转化为降低护理成本并减轻与管理不良结果相关的医疗保健系统的负担。对于放射学的专业，有巨大的机会使用这些新的建模技术来开发特定于放射学程序的风险评估和预后计算器。虽然这些早期研究显示出对未来的重大希望，但辛哈等人的研究也强调了在医疗保健中开发和实施有意义的人工智能方面存在的困难。

此外，该数据集仅包含入院前可用的数据，例如人口统计学和既往病史。可以从这些数据中开发出可用的分类器这一事实说明了机器学习技术在大型数据集中查找复杂关联的能力。然而，这也指出了开发这些工具的一个主要障碍——难以以非常大的规模和精心策划的形式获取最相关的数据。尽管使用这些合并症数据预测活检后气胸的算法达到了相当可观的性能水平，但与使用终末期肝病模型。

【图像识别|?在放射学中，大量的努力都放在图像识别分析上，这并不奇怪】这些计算器使用与肝功能相关的患者特定实验室数据来评估手术风险。未来进步的一个主要先决条件可能是以这些算法所需的规模和组织良好的方式提供此类数据。这很可能需要启动针对特定学科的国家或国际数据收集。 AI算法具有大多数机器学习构造在这一点上都具有的弱点，即使算法在其预测中非常成功，也可能没有明确的方法来可视化甚至理解输入数据与产生的输出决策之间的关系。

当试图理解成功的基本原理时，这已经足够令人担忧了，但是当试图理解算法失败时发生的事情时，问题就更大了。通过了解结果背后的基本原理来相信结果会影响医生和患者接受医学中日益增加的人工智能存在的舒适度，这个话题已经引起了一定程度的不安。对于大多数新技术，最初的热情会导致炒作和不切实际的期望，随后不可避免地会经历一段幻灭期，然后第二轮创新会带来持续的效用。就公众舆论而言，人工智能应用可能会走向某种程度的幻灭，自动驾驶汽车已经存在。但我们必须记住，要走出低谷，需要持续努力开发和完善新技术，使其更好、更可靠。