ظهور ربات رادیولوژیست

وقتی رجینا BARZILAY تا به حال روال ماموگرام در اوایل 40s تصویر نشان داد یک مجموعه پیچیده ای از سفید splotches در بافت پستان. علائم می تواند طبیعی و یا آنها می تواند سرطانی—حتی بهترین رادیولوژیست اغلب در تلاش برای تفاوت. پزشکان او تصمیم نقاط نمی شد بلافاصله نگران کننده است. در حقیقت او می گوید: “من در حال حاضر سرطان و آنها نمی آن را ببینید.”

در طول دو سال آینده Barzilay تحت یک دوم ماموگرافی سینه MRI و بیوپسی که در ادامه به عملکرد مبهم یا متناقض يافته است. در نهایت او مبتلا به سرطان پستان در سال 2014 اما مسیر که تشخیص شده بود باور نکردنی خسته کننده است. “چگونه شما انجام سه آزمون و دریافت سه نتایج متفاوت?” او تعجب.

Barzilay تحت درمان قرار گرفت و بازیابی خوب است. اما او همچنان وحشت زده که ابهامات از خواندن یک ماموگرام می تواند تاخیر در درمان است. “من متوجه شدم تا چه حد ما محافظت نشده با روش های کنونی” او می گوید: پس از او ساخته شده حرفه ای-تغییر تصمیم: “من کاملا آن را تغییر دهید.”

یک دانشمند کامپیوتر در ماساچوست انستیتو تکنولوژی Barzilay هرگز مورد مطالعه سلامت قبل از. تحقیقات خود را با استفاده از دستگاه-تکنیک های یادگیری—یک فرم از هوش مصنوعی—طبیعی-پردازش زبان. اما او تا به حال شده به دنبال یک خط جدید از تحقیق و تصمیم گرفت به تیم با رادیولوژیست به توسعه ماشین-الگوریتم های یادگیری است که با استفاده از رایانه های برتر بصری تجزیه و تحلیل به نقطه الگوهای ظریف در ماموگرافی که چشم انسان ممکن است از دست ندهید.

بیش از چهار سال آینده تیم تدریس یک برنامه کامپیوتری برای تجزیه و تحلیل ماموگرافی از حدود 32,000 زنان در سنین مختلف و نژادها و گفت آن است که زنان مبتلا به بیماری سرطان در ظرف پنج سال از اسکن. آنها سپس تست از کامپیوتر را مطابق با توانایی در 3,800 بیماران بیشتر است. خود را و در نتیجه الگوریتم منتشر شده در ماه مه گذشته در رادیولوژیشد به طور قابل توجهی دقیق تر در پیش بینی سرطان یا عدم وجود سرطان—از شیوه های به طور کلی مورد استفاده در درمانگاه ها. زمانی که Barzilay تیم زد این برنامه در خود ماموگرافی از 2012—آنهایی که دکتر پاک کرده بود—الگوریتم به درستی پیش بینی او در خطر بالاتر ابتلا به سرطان پستان در طول پنج سال بیش از 98 درصد از بیماران.

الگوریتمهای هوش مصنوعی نه تنها نقطه جزئیات بیش از حد ظریف برای چشم انسان برای دیدن. آنها همچنین می تواند توسعه راه کاملا جدید از تفسیر تصاویر پزشکی, گاهی اوقات در راه انسان را درک نمی کنند. متعدد محققان راه اندازی شرکت ها و اسکنر تولید کنندگان طراحی هوش مصنوعی برنامه های امید آنها می تواند به بهبود دقت و بهنگام بودن, تشخیص, ارائه درمان بهتر در کشورهای در حال توسعه و مناطق دور افتاده که فاقد رادیولوژیست, نشان می دهد, جدید ارتباط بین زیست شناسی و بیماری و حتی کمک به پیش بینی چه زود یک نفر خواهد مرد.

هوش مصنوعی برنامه های کاربردی در حال ورود به کلینیک ها در یک سرعت سریع و پزشکان ملاقات با تکنولوژی مساوی هیجان در مورد توانایی های بالقوه خود را به منظور کاهش حجم کار خود را و ترس در مورد از دست دادن شغل خود را به ماشین آلات. الگوریتم همچنین افزایش بی سابقه سوال در مورد چگونه برای تنظیم یک ماشین است که به طور مداوم در یادگیری و تغییر و کسی مقصر است اگر یک الگوریتم می شود یک تشخیص اشتباه است. هنوز هم بسیاری از پزشکان در حال هیجان زده در مورد وعده هوش مصنوعی برنامه های. “اگر این مدل می توان به اندازه کافی مورد تایید شده و ما می توانیم در بالا بردن سطح ما را از درک چگونه کار می کنند, این می تواند کمک به بالا بردن سطح مراقبت های بهداشتی برای همه می گوید:” متی Lungren یک رادیولوژیست در دانشگاه استنفورد.

“بسیار موضوع داغ”

ایده استفاده از کامپیوتر به عنوان خوانده شده رادیولوژی اسکن جدید نیست. در 1990s رادیولوژیست شروع به استفاده از برنامه ای به نام کامپیوتر-کمک به تشخیص (CAD) برای تشخیص سرطان پستان در ماموگرافی. تکنولوژی مورد ستایش قرار داد به عنوان انقلابی و درمانگاه تصویب آن به سرعت در حال. اما CAD ثابت می شود بیشتر وقت گیر و دشوار است به استفاده از روش های موجود و با توجه به برخی از مطالعات کلینیک استفاده می شود که در آن خطاهای بیشتری نسبت به کسانی که نمی. شکست ساخته شده بسیاری از پزشکان مشکوک به کمک کامپیوتر تشخیص می گوید: Vijay رائو یک رادیولوژیست در دانشگاه جفرسون در فیلادلفیا.

در دهه گذشته, اما, کامپیوتر و چشم انداز بهبود یافته با فراز و نشیب—در برنامه های روزمره مانند تشخیص چهره و در پزشکی است. پیشرفت شده است تا حد زیادی توسط توسعه عمیق-روش های یادگیری است که در آن یک کامپیوتر است که با توجه به مجموعه ای از تصاویر و سپس از چپ به رسم خود را دارد ارتباط بین آنها در نهایت توسعه شبکه ای از انجمنها ، در تصویربرداری پزشکی, این ممکن است به عنوان مثال شامل گفتن کامپیوتری که تصاویر حاوی سرطان و تنظیم آن را رایگان برای پیدا کردن ویژگی های مشترک به این تصاویر وجود ندارد اما در سرطان تصاویر رایگان.

توسعه و استفاده از هوش مصنوعی فن آوری در رادیولوژی به سرعت در حال گسترش. “در سال گذشته در هر بزرگی جلسه رفتم به موضوع اصلی بود AI و تصویربرداری می گوید:” رائو رئیس جمهور گذشته جامعه رادیولوژی آمریکای شمالی است. “این است که بسیار موضوع داغ است.”

سازمان غذا و داروی آمریکا می گوید که آن را نگه داشتن یک لیست از AI محصولات است که آن را تایید کرده است. اما اریک Topol دیجیتال پزشکی محقق در موسسه تحقیقاتی اسکریپس در لا Jolla, کالیفرنیا., تخمین می زند که آژانس تصویب بیش از یک تصویربرداری پزشکی الگوریتم در هر ماه. یک 2018 بررسی توسط بازاریابی-هوش شرکت واکنش داده یافت که 84 درصد از آمریکایی رادیولوژی درمانگاه تصویب کرده و یا برنامه ریزی شده به اتخاذ برنامه های AI. این زمینه در حال رشد است به خصوص به سرعت در چین که در آن بیش از 100 شرکت در حال طراحی هوش مصنوعی برنامه های کاربردی برای مراقبت های بهداشتی.

“این یک زمان شگفت انگیز بود در این بازار می گوید:” Elad Walach مدیر عامل شرکت تل آویو مبتنی بر اندازی Aidoc. شرکت توسعه الگوریتم برای تجزیه و تحلیل CT اسکن برای ناهنجاری و حرکت آن دسته از بیماران به بالای یک پزشک لیست اولویت است. Aidoc همچنین آهنگ چه اغلب پزشکان با استفاده از این برنامه و چه مدت آنها صرف دوم حدس زدن نتیجه گیری خود را. “در ابتدا آنها شک و تردید اما پس از دو ماه آنها به آن استفاده می شود و بسیار اعتماد” می گوید: Walach.

صرفه جویی در زمان می تواند بسیار مهم برای صرفه جویی در یک بیمار است. یک مطالعه اخیر از قفسه سینه با اشعه x برای سقوط ریه ها یافت می شود که رادیولوژیست پرچم بیش از 60 درصد از اسکن و سفارش آنها را به عنوان اولویت بالا که نشان می دهد که آنها ممکن است ساعت صرف wading را از طریق nonserious موارد قبل از وارد شدن به کسانی که در واقع فوری است. “هر دکتر من صحبت کردن به یک داستان که در آن آنها را از دست داده بیمار به دلیل سقوط ریه می گوید:” Karley Yoder معاون رئیس جمهور و مدیر کل هوش مصنوعی در بوستون بر اساس GE Healthcare, یکی از تولید کنندگان پیشرو از تجهیزات تصویربرداری پزشکی. در سپتامبر گذشته FDA تایید شده مجموعه ای از AI ابزار که در حال حاضر آمده تعبیه شده در GE اسکنر به طور خودکار به ضعیف ترین موارد فوری.

زیرا آنها می تواند روند انبوهی از اطلاعات کامپیوتر می تواند انجام وظایف تحلیلی است که فراتر از انسان قابلیت. گوگل به عنوان مثال با استفاده از آن قدرت محاسباتی به منظور توسعه هوش مصنوعی و الگوریتم های که سازه دو بعدی تصاویر CT ریه ها به سه بعدی ریه و در کل ساختار برای تعیین اینکه آیا سرطان وجود دارد. رادیولوژیست در مقابل باید در این تصاویر به صورت جداگانه و تلاش برای بازسازی آنها را در سر خود را. یکی دیگر از الگوریتم گوگل می توانید انجام دهید چیزی رادیولوژیست انجام نمی در همه: تعیین بيماران خطر ابتلا به بیماری های قلبی عروقی توسط به دنبال در یک اسکن از شبکیه خود را برداشت تا در تغییرات مرتبط با فشار خون, کلسترول, تاریخچه سیگار و پیری است. “وجود بالقوه سیگنال وجود دارد فراتر از آنچه شناخته شده بود قبل از, می گوید:” گوگل مدیر محصول دانیل بورس اوراق بهادار تهران.

جعبه سیاه مشکل

هوش مصنوعی برنامه ها می تواند در نهایت آشکار کاملا جدید ارتباط بین ویژگی های زیستی و نتایج بیمار. یک 2019 کاغذ در شبکه JAMA باز توصیف عمیق-آموزش الگوریتم آموزش دیده در بیش از 85,000 قفسه سینه اشعه x از افراد ثبت نام شده در دو کارآزمایی بالینی است که به دنبال آنها را برای بیش از 12 سال است. الگوریتم به ثمر رساند هر بیمار در معرض خطر مرگ در طول این دوره است. محققان دریافتند که 53 درصد از مردم AI قرار داده و به یک دسته پر خطر فوت در عرض 12 سال به عنوان مخالف به 4 درصد در ریسک پایین دسته. الگوریتم نیست اطلاعاتی درباره کسانی که مردند و یا به علت مرگ است. سرب محقق رادیولوژیست مایکل لو از بیمارستان عمومی ماساچوست می گوید که این الگوریتم می تواند یک ابزار مفید برای ارزیابی بیمار سلامت اگر همراه با یک پزشک ارزیابی و داده های دیگر مانند ژنتیک.

برای درک چگونگی این الگوریتم کار کرده محققان شناسایی بخش هایی از تصاویر که از آن استفاده می شود تا محاسبات خود را. برخی مانند دور کمر و ساختار از سینه های زنان ساخته شده است زیرا در این مناطق می تواند اشاره در عوامل خطر شناخته شده برای بیماری های خاص. اما این الگوریتم همچنین نگاه منطقه تحت بيماران تیغه های شانه است که هیچ پزشکی شناخته شده اهمیت است. Lu حدس بزند که انعطاف پذیری ممکن است یکی از پیش بینی کوتاه عمر. در نظر گرفتن یک chest x-ray اغلب نیاز بیماران به آغوش ماشین و کمتر افراد سالم که می تواند با قرار دادن سلاح های خود را تمام راه را در اطراف آن ممکن است موقعیت شانه های خود را در راه های مختلف. “آنها نه چیزهایی که من فکر می کردم از د نوو و ممکن است درک نمی کنند” لو می گوید.

قطع ارتباط بین راه از کامپیوتر ها و انسان ها فکر شناخته شده است به عنوان جعبه سیاه مشکل: این ایده که مغز کامپیوتر اجرا در پنهان فضا است که در دسترس انسان است. کارشناسان متفاوت در مورد اینکه آیا این یک مشکل در تصویربرداری پزشکی. از یک طرف اگر یک الگوریتم به طور مداوم بهبود می بخشد پزشکان عملکرد و سلامت بیماران و پزشکان نمی باید بدانید که چگونه آن کار می کند. پس از همه محققان هنوز به طور کامل درک مکانیسم بسیاری از داروها مانند لیتیوم است که مورد استفاده برای درمان افسردگی پس از 1950s. “شاید ما نباید تا تثبیت شده چرا که انسان راه کار در پزشکی است که در مورد به عنوان جعبه سیاه به عنوان شما می توانید دریافت کنید” Topol می گوید. “آیا ما با داشتن ماشین آلات به یک استاندارد بالاتر?”

هنوز هم وجود دارد هیچ انکار که جعبه سیاه ارائه فرصت کافی برای انسان-هوش مصنوعی سوء تفاهم است. برای مثال محققان در دانشکده پزشکی Icahn در مونت سینای بودند عمیقا متعجب و متحیر اختلاف در عملکرد یک الگوریتم یادگیری آنها تا به حال توسعه یافته برای شناسایی ذات الریه در ریه اشعه ایکس. آن را با انجام بيش از 90 درصد دقت در اشعه x تولید شده در کوه سینا بود اما به مراتب کمتر دقیق با اسکن از موسسات دیگر است. آنها در نهایت نمیفهمد که به جای تجزیه و تحلیل تصاویر, الگوریتم نیز از جمله شانس مثبت پیدا کردن بر اساس چه شایع پنومونی در هر موسسه—نه چیزی از آنها انتظار می رود و یا می خواستم این برنامه را انجام دهد.

عوامل مخدوش کننده مانند این نگرانی ساموئل فینلیسون که مطالعات پزشکی برنامه های کاربردی از یادگیری ماشین در دانشکده پزشکی هاروارد. او اشاره می کند که مجموعه داده که در آن هوش مصنوعی آموزش دیده است می تواند مغرضانه در راه است که توسعه دهندگان قادر به در نظر گرفتن. یک تصویر گرفته شده در اتاق اورژانس و یا یکی گرفته شده در وسط شب ممکن است احتمال بیشتری برای نشان دادن یک فرد بیمار از یکی گرفته شده در طی یک معاینه معمول مثلا. یک الگوریتم همچنین می تواند یاد بگیرند که به نگاه در زخم و یا دستگاه های پزشکی ایمپلنت است که نشان می دهد قبلی مشکل بهداشتی و تصمیم می گیرید که مردم بدون این علائم شرایط ندارد. حتی راه است که موسسات برچسب تصاویر خود را می توانید اشتباه AI الگوریتم و جلوگیری از عملکرد خوبی در موسسه دیگری و متفاوت با سیستم برچسب زدن. “اگر شما ساده لوحانه قطار [الگوریتم] در یک بیمارستان از یک محل و یک زمان و یک جمعیت شما بی اطلاع از همه هزاران نفر از عوامل کمی که مدل ها با توجه به. اگر هر یک از این تغییر شما می توانید در یک جهان صدمه دیده” فینلیسون هشدار می دهد.

راه حل فینلیسون می گوید این است که با یک الگوریتم با داده ها از بسیاری از مکان های زیبا و متنوع در جمعیت های بیمار و سپس آن را تست prospectively—بدون هر گونه تغییرات در یک بیمار جدید جمعیت. اما تعداد بسیار کمی از الگوریتم های تست شده در این راه. با توجه به Topol اخیر Nature Medicine , نقد و بررسی در میان ده ها تن از مطالعات ادعا AI انجام بهتر از رادیولوژیست تنها تعداد انگشت شماری بودند آزمایش در جمعیت هایی که متفاوت از جمعیت که در آنها توسعه یافته است. “الگوریتم های بسیار ظریف می گوید:” سینتیا رودین یک دانشمند علوم کامپیوتر در دانشگاه دوک است. “اگر شما سعی می کنید به استفاده از یک در خارج از این مجموعه آموزشی [تصاویر] آن را همیشه کار نمی کند.”

به عنوان محققان آگاه شدن از این مشکل بیشتر مطالعات آینده نگر در رمان تنظیمات می تواند در افق. Barzilay تیم به تازگی به پایان رسید و آزمون آن در ماموگرام هوش مصنوعی در 10,000 اسکن از موسسه کارولینسکا در سوئد و متوجه شد که آن را انجام می شود فقط به عنوان به خوبی وجود دارد به عنوان آن را در ماساچوست است. این گروه در حال حاضر مشغول به کار با بیمارستان ها در تایوان و دیترویت به تست آن در متنوع تر بیمار شدند. این تیم متوجه شد که زمان استاندارد برای ارزیابی خطر ابتلا به سرطان پستان بسیار کمتر دقیق در آفریقایی-آمریکایی زنان Barzilay می گوید: از آنجا که این استاندارد توسعه داده شد عمدتا با استفاده از اسکن از زنان سفید: “من فکر می کنم ما واقعا در یک موقعیت برای وصله پینه کردن این غمگین امور.”

حقوقی TERRA INCOGNITA

حتی اگر AI نتیجه گیری پزشکی مربوط به جعبه سیاه هنوز هم ارائه یک شماره از نگرانی ها از منظر حقوقی. اگر یک هوش مصنوعی می شود یک تشخیص اشتباه می توان آن را سخت برای تعیین اینکه آیا یا برنامه است که در گسل. “بسیاری از چیزهای بد اتفاق می افتد در مراقبت های بهداشتی و شما لزوما نمی دانم چرا چیزهای بد اتفاق افتاده است می گوید:” نیکلسون قیمت, سلامت, کارشناس حقوقی در دانشگاه میشیگان. اگر یک سیستم هوش مصنوعی منجر به یک پزشک را به تشخیص اشتباه پزشک ممکن است قادر به توضیح دهد که چرا و اطلاعات شرکت در آزمون روش به احتمال زیاد از نزدیک نگهبانی راز تجارت.

پزشکی هوش مصنوعی سیستم هنوز هم بیش از حد جدید به چالش کشیده شده است در قصور پزشکی دعاوی بنابراین مشخص نیست که چگونه دادگاه را تعیین مسئولیت و چه نوع از شفافیت باید مورد نیاز است.

تمایل به ساخت جعبه سیاه الگوریتم های ورشکسته رودین. این مشکل ناشی از این واقعیت است که اکثر پزشکی الگوریتم های ساخته شده توسط تطبیق عمیق-آموزش ابزار توسعه یافته برای انواع دیگر از تجزیه و تحلیل تصویر. “وجود دارد هیچ دلیلی شما نمی توانید ساخت یک ربات است که می تواند توضیح دهد خود را,” او اصرار دارد. اما از آن است که به صورت تصاعدی سخت تر برای ساخت یک شفاف الگوریتم از ابتدا نسبت به repurpose موجود در جعبه سیاه الگوریتم نگاهی به داده های پزشکی. است که چرا رودین گمان بسیاری از محققان اجازه دهید یک الگوریتم را اجرا کنید و سپس سعی کنید به درک بعد چگونه آن را به نتیجه آن است.

رودین در حال توسعه شفاف الگوریتمهای هوش مصنوعی است که تجزیه و تحلیل ماموگرافی به صورت مشکوک به تومور و به طور مداوم به اطلاع محققان آنچه را که آنها انجام می دهند. اما او تحقیق شده است مانع عدم وجود تصاویر موجود در آن به آموزش الگوریتم. تصاویری که در دسترس عموم تمایل به ضعیف نشاندار شده یا گرفته شده با دستگاه های قدیمی که دیگر استفاده رودین می گوید و بدون عظیم و متنوع مجموعه داده ها الگوریتم تمایل به انتخاب کنید تا عوامل مخدوش کننده.

جعبه های سیاه و سفید همراه با یک هوش مصنوعی الگوریتم توانایی یادگیری از تجربه و همچنین چالش های موجود به رگولاتور. بر خلاف مواد مخدر که همیشه کار در همان راه ماشین-الگوریتم های یادگیری تغییر و بهبود در طول زمان به عنوان آنها به دست آوردن دسترسی به اطلاعات بیمار است. به این دلیل که الگوریتم تساوی معنی از بسیاری از انواع ورودی به ظاهر بی ضرر تغییرات مانند جدید این سیستم در یک بیمارستان می تواند به طور ناگهانی خراب کردن برنامه AI. “ماشین آلات مریض می تواند درست مثل انسان بیمار شده و می توان آنها را با نرم افزارهای مخرب آلوده,” Topol می گوید. “شما نمی توانید اعتماد یک الگوریتم زمانی که شما کسی را در زندگی روی خط”.

آخرین مارس FDA پیشنهاد مجموعه ای از دستورالعمل ها برای مدیریت الگوریتم است که در طول زمان تکامل. در میان آنها انتظار می رود که تولید کنندگان نگه داشتن چشم در چگونه الگوریتم خود را در حال تغییر به اطمینان حاصل شود آنها برای ادامه کار به عنوان طراحی شده است و درخواست آنها را به اطلاع آژانس صورت مشاهده تغییرات غیر منتظره است که ممکن است بی درنگ reevaluation. آژانس نیز در حال توسعه بهترین شیوه های تولید و ممکن است نیاز به شرکت ها برای طلسم کردن انتظارات خود را برای چگونه الگوریتم ممکن است تغییر و یک پروتکل برای نحوه مدیریت این تغییرات است. “ما نیاز به درک که یکی از اندازه متناسب با تمام” می گوید Bakul Patel, مدیر دیجیتال سلامت در FDA.

خواهد ماشین آلات جایگزین پزشکان ؟

محدودیت های هوش مصنوعی باید اطمینان رادیولوژیست که نگرانی در مورد ماشین آلات گرفتن شغل خود را. در سال 2012 در تکنولوژی سرمایه داری و Sun Microsystems بنیانگذاران Vinod Khosla وحشت پزشکی مخاطبان با پیش بینی که الگوریتم را جایگزین 80 درصد از پزشکان و اخیرا او ادعا کرد که رادیولوژیست هنوز تمرین در 10 سال خواهد بود “کشتن بیماران است.” این اظهارات باعث وحشت و واکنش در رادیولوژی زمینه رائو می گوید. “من فکر می کنم اعتیاد به مواد مخدره است ایجاد بسیاری از انتظارات است.”

اما این نگرانی نیز تا به حال واقعی اثرات. در سال 2015 تنها 86 درصد از رزیدنت رادیولوژی موقعیت خود را در آمریکا پر شد در مقایسه با 94 درصد سال گذشته اگرچه تعداد کسانی که بهبود یافته بیش از چند سال گذشته. و با توجه به یک سال 2018 بررسی 322 کانادا دانشجویان پزشکی 68 درصد معتقد بودند هوش مصنوعی را کاهش می دهد تقاضا برای رادیولوژیست.

هنوز هم بسیاری از کارشناسان و AI تولید کنندگان شک هوش مصنوعی خواهد بود جایگزین پزشکان هر زمان به زودی. “هوش مصنوعی راه حل های در حال تبدیل شدن بسیار خوب در حال انجام یک چیز بسیار خوب” Walach می گوید. اما از آنجا که انسان زیست شناسی پیچیده است او می گوید: “شما به طور معمول به انسان که بیش از یک چیز واقعا خوب است.” به عبارت دیگر حتی اگر یک الگوریتم بهتر است در تشخیص یک مشکل خاص ترکیب آن با یک پزشک با تجربه و دانش فرد بیمار داستان منجر به نتیجه بهتر.

یک هوش مصنوعی است که می تواند انجام یک کار خوب می تواند رایگان رادیولوژیست از drudgework اجازه دادن به آنها زمان بیشتری برای ارتباط برقرار کردن با بیماران. “آنها می تواند بیرون آمدن از زیر زمین است جایی که آنها زندگی می کنند در تاریکی” Topol می گوید. “آنچه ما نیاز داریم در پزشکی است که بیشتر interhuman تماس و پیوند دارد.”

هنوز رائو و دیگران بر این باورند که ابزار و آموزش است که رادیولوژیست دریافت, از جمله خود را روز به روز کار به شدت تغییر خواهد کرد در طول سال های آینده به عنوان یک نتیجه از مصنوعی-الگوریتم های هوش. “هوش مصنوعی نمی خواهد جایگزین رادیولوژیست اما رادیولوژیست که با استفاده از هوش مصنوعی را جایگزین رادیولوژیست که نیست می گوید:” کورتیس Langlotz یک رادیولوژیست در دانشگاه استنفورد.

چند استثنا وجود دارد اما. در سال 2018 FDA تایید شده برای اولین بار الگوریتم است که می تواند یک پزشکی تصمیم گیری بدون نیاز به پزشک در تصویر نگاه کنید. برنامه توسعه یافته توسط IDx تکنولوژی در کورالویل, آیووا, به نظر می رسد در شبکيه چشم برای تشخیص رتینوپاتی دیابتی است و 87 درصد دقیق با توجه به این شرکت داده است. IDx اجرایی مایکل Abramoff می گوید که چون آن درگیر است این شرکت با فرض مسئولیت قانونی برای هر گونه خطاهای پزشکی.

در کوتاه مدت, هوش مصنوعی, الگوریتم بیشتر احتمال دارد برای کمک به پزشکان از آنها را جایگزین. برای مثال پزشکان مشغول به کار در کشورهای در حال توسعه ممکن است دسترسی به انواع مشابه از اسکنر به عنوان یک موسسه پزشکی در آمریکا یا اروپا یا روت رادیولوژیست که می تواند تفسیر اسکن. به عنوان دارو می شود بیشتر تخصصی و وابسته به تصویر و تحلیل شکاف بین استاندارد مراقبت ارائه شده در ثروتمند و فقیر مناطق در حال رشد است Lungren می گوید. در حال اجرا یک الگوریتم می تواند یک راه ارزان برای بستن این شکاف و حتی ممکن است انجام شده بر روی یک تلفن همراه است.

Lungren گروه در حال توسعه یک ابزار است که اجازه می دهد تا پزشکان به تلفن همراه از تصاویر x-ray film—نه اسکن دیجیتال است که استاندارد در کشورهای ثروتمند و اجرای یک الگوریتم بر روی عکس است که تشخیص مشکلات مانند سل است. “این نه جای کسی” او می گوید:—بسیاری از کشورهای در حال توسعه هیچ رادیولوژیست در وهله اول. “ما در حال افزایش nonradiologists به تخصص به نوک انگشتان خود را.”

یکی دیگر از هدف کوتاه مدت از هوش مصنوعی می تواند به بررسی سوابق پزشکی برای تعیین اینکه آیا بیمار نیاز به یک اسکن در وهله اول رائو می گوید. پزشکی بسیاری از اقتصاددانان بر این باورند که تصویربرداری استفاده مفرط است—بیش از 80 میلیون CT اسکن انجام شده در هر سال در ایالات متحده به تنهایی. اگر چه این مقدار زیادی از اطلاعات مفید است که محققان با استفاده از آن برای آموزش الگوریتم اسکن فوق العاده پر هزینه است و می تواند در معرض بیماران غیر ضروری مقدار تابش. به طور مشابه Langlotz اضافه می کند که الگوریتم می تواند یک روز تجزیه و تحلیل تصاویر در حالی که بیمار هنوز در اسکنر و پیش بینی نتیجه نهایی نتیجه کاهش مقدار زمان و قرار گرفتن در معرض تابش مورد نیاز برای به دست آوردن یک تصویر خوب.

در نهایت Barzilay می گوید: AI خواهد بود مفید ترین زمانی که آن را به عنوان یک sharp-eyed شریک در مقابله با مشکلات است که پزشکان نمی تواند تشخیص و حل به تنهایی. “اگر وجود دارد راحت و describable الگوی” او یادداشت “انسان در حال حاضر قادر به انجام آن است.” او می داند دست اول که در اغلب موارد این چنین نیست.

tinyurlis.gdv.gdv.htu.nuclck.ruulvis.netshrtco.detny.im