人工智能（AI）有望顛覆醫學實踐，提高放射學和病理學等依賴圖像的專業診斷的效率和準確性。隨著這項技術的飛速發展，專家正在努力解決它的潛在缺點?！袄眠@項技術開展工作后，我看到了很多可能失敗的地方。”美國加州大學圣迭戈分校放射科醫生Albert Hsiao說，他開發了讀取心臟圖像并提高圖像質量的算法。一個主要擔憂是：大多數人工智能軟件都是在一家醫院設計和測試的，而當它們被轉移到另一家醫院時，就有可能出現問題。

　　今年5月，美國政府科學家、監管機構和醫生在《美國放射學會雜志》發表了一份路線圖，描述了如何把基于科研的人工智能轉化為對患者更好的醫學成像。研究人員還敦促，在構建和測試人工智能算法方面加強跨學科合作，在算法抵達患者之前對其進行深入驗證。Hsiao說，目前，即便旁邊有一臺機器嗡嗡作響，“無論如何，我還是想要一名人類醫生”。

　　當科學家向一些算法輸入成百上千張圖像時，比如乳房X光片，這些算法就會學習如何訓練這種技術，使其比人類更快、更準確地識別模式。但紐約市西奈山醫院的神經外科醫生Eric Oermann探索了這種算法的一個缺點：與患者的其他特征、MRI機器品牌，甚至掃描儀的角度等相比，它們識別的信號與疾病的關聯度更低。

　　Oermann與同事建立了一個檢測患者肺炎模式的數學模型，并用西奈山醫院患者的X光片對其進行了訓練。其中34%的X光片來自西奈山醫院受感染的患者。當在西奈山醫院另一批患者的X光片上進行測試時，該算法能夠以93%的準確度檢測出肺炎。Oermann也在另外兩個站點的數萬張X光片上進行了測試，包括美國國立衛生研究院臨床中心和印第安納州患者護理機構，這些醫院的病人肺炎發病率剛剛超過1%。研究發現，其識別的成功率下降了73%至80%。“效果不太好，因為其他醫院的病人不一樣。”Oermann說。

　　盡管如此，美國食品藥品監督管理局（FDA）已經批準了一些算法。Hsiao創建的一種算法是在心臟MRI上測量心臟大小和血流情況。讓他沮喪的是，手工分析數據至少要花6個小時，所以他回到了計算機科學專業，編寫了軟件。隨后他在加州舊金山成立了Arterys公司，并在約6個月內獲得了FDA的批準。目前，Hsiao正在研究一種算法，使其通過繪制在肺部的潛在位置更容易地找到肺炎。

　　但他說，拍板的依然是醫生，而不是機器，人依然凌駕于技術之上?！叭绻艺J為這不是肺炎”，Hsiao說，“那就不是?！?/p>