人工智能和心血管CT的技術(shù)發(fā)展趨勢(shì)

2/2人工智能和心血管CT的技術(shù)發(fā)展趨勢(shì)

2023-04-1812:301、人工智能的進(jìn)展

人工智能（AI）是使用計(jì)算算法來模仿人類的智能過程和記憶。機(jī)器學(xué)習(xí)（ML）是人工智能的一個(gè)子領(lǐng)域，它使這些算法能夠處理越來越多的數(shù)據(jù)并完善預(yù)測(cè)，而無需明確指示尋找結(jié)果。深度學(xué)習(xí)（DL）是ML的另一個(gè)子領(lǐng)域，其中卷積神經(jīng)網(wǎng)絡(luò)（CNN）等程序被用來處理數(shù)據(jù)，以獲得越來越精確的對(duì)象檢測(cè)。在醫(yī)學(xué)圖像分析中，這些網(wǎng)絡(luò)通常評(píng)估標(biāo)準(zhǔn)臨床放射學(xué)數(shù)據(jù)集中的體素級(jí)數(shù)據(jù)，使臨床結(jié)果與超出人類視覺能力的紋理分析相關(guān)聯(lián)（圖1）。這些過程可以與人工智能技術(shù)相結(jié)合，這些技術(shù)可以訪問電子病人記錄和來自萬物互聯(lián)的數(shù)據(jù)，以便從巨大的數(shù)據(jù)集中推動(dòng)洞察力和臨床護(hù)理，這也超出了人腦的技術(shù)計(jì)算能力。

圖1流程圖顯示了人工智能對(duì)醫(yī)學(xué)數(shù)據(jù)的可能實(shí)現(xiàn)，并顯示了放射組學(xué)、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)之間的異同。然而，人工智能和ML并不是特別新的領(lǐng)域，它們的發(fā)展與計(jì)算機(jī)和處理能力的發(fā)展有著相似的路徑。自第一臺(tái)分類程序計(jì)算機(jī)開發(fā)以來已經(jīng)超過70年，自第一個(gè)人工智能程序（LogicTheorists）發(fā)明以來已經(jīng)超過65年（圖2）。誠(chéng)然，在過去十年中，計(jì)算能力的進(jìn)步出現(xiàn)了指數(shù)級(jí)的增長(zhǎng)，以至于越來越多的基本人工智能可以使用CPU（而不是GPU）技術(shù)提供。這一進(jìn)展使該技術(shù)進(jìn)入了日常用戶的領(lǐng)域，并為整個(gè)病人路徑上的日常臨床醫(yī)療服務(wù)提供了真正的潛在提升。我們承認(rèn)人工智能在圖像處理方面具有根本性的作用，同時(shí)也促進(jìn)了臨床和成像大數(shù)據(jù)的整合，以改善個(gè)性化的風(fēng)險(xiǎn)分層。具體來說，我們認(rèn)為人工智能和ML還沒有徹底改變臨床實(shí)踐，沒有得到臨床界足夠的批評(píng)性評(píng)價(jià)，而且目前被過度炒作。在被臨床醫(yī)生接受之前，人工智能工具應(yīng)該被證明是準(zhǔn)確和有效的（在成本和時(shí)間方面），并清楚地了解它們是如何提高診斷準(zhǔn)確性或結(jié)果的；目前的人工智能產(chǎn)品缺少大部分內(nèi)容，而且商業(yè)供應(yīng)商也沒有公開交流過。人工智能在心血管CT中的主要挑戰(zhàn)與CT數(shù)據(jù)（由于人為因素）或使用的算法（由于有偏見的訓(xùn)練數(shù)據(jù)集等）產(chǎn)生的錯(cuò)誤有關(guān)。

圖2人工智能的時(shí)間線——來自AnyohaR.《人工智能的歷史》。哈佛大學(xué)，《新聞中的科學(xué)》。

本文是2021心血管計(jì)算機(jī)斷層掃描學(xué)會(huì)（SCCT）年度科學(xué)會(huì)議上AI/ML大辯論的后續(xù)文章。在辯論風(fēng)格中，我們強(qiáng)調(diào)了對(duì)AI/ML的期望管理的必要性，揭穿了圍繞當(dāng)前AI技術(shù)的炒作，并反駁了當(dāng)前形式的AI/ML是解釋日常臨床CCT實(shí)踐的靈丹妙藥的論點(diǎn)。

2、過度渲染人工智能“革命”

人工智能被吹捧為一個(gè)顛覆性的、創(chuàng)新性的新生代，越來越多地滲透到心血管醫(yī)學(xué)和心血管成像的各個(gè)方面。然而，巧妙的營(yíng)銷、高影響力的論文和成像天堂的承諾真的經(jīng)得起我們?cè)u(píng)估新藥或醫(yī)療設(shè)備的審查嗎？如上所述，這不是人工智能炒作第一次盛行。60年代和70年代，人們對(duì)即將到來的技術(shù)革命的預(yù)測(cè)幾乎相同，這場(chǎng)革命將改變我們生活的方方面面。這種熱情和樂觀情緒滲透到了社會(huì)的方方面面，激發(fā)了兒童動(dòng)畫片《杰森一家》，以及從《太空漫游2020》到《終結(jié)者》的科幻電影浪潮。這種炒作，以及這項(xiàng)技術(shù)不可避免地未能兌現(xiàn)被夸大的承諾，導(dǎo)致了資金的崩潰和近20年的忽視。人們經(jīng)常注意到，那些記不住過去的人注定要重蹈覆轍。因此，這些作者關(guān)注的是，目前該技術(shù)的擁護(hù)者，無論是疏忽還是故意，都忽視了過去。人工智能在現(xiàn)實(shí)世界中的臨床實(shí)施比許多人希望的要慢，但人工智能的真正障礙很少被討論。臨床猶豫的原因是多因素的；新術(shù)語(yǔ)、新技術(shù)和復(fù)雜的“黑匣子”算法都需要新的學(xué)習(xí)。需要對(duì)研究進(jìn)行專家同行評(píng)審，深入了解技術(shù)的技術(shù)挑戰(zhàn)和潛在偏見，并對(duì)真正的臨床價(jià)值進(jìn)行關(guān)鍵評(píng)估，然后才能進(jìn)行強(qiáng)有力的、真實(shí)的驗(yàn)證和監(jiān)管批準(zhǔn)。人工智能/ML的快速商業(yè)化——以及對(duì)短期投資回報(bào)的相關(guān)預(yù)期——以及對(duì)數(shù)據(jù)所有權(quán)、道德和醫(yī)療法律風(fēng)險(xiǎn)的不明確，都加劇了這一挑戰(zhàn)。毫無疑問，作為決策支持工具，許多人工智能過程有潛力真正支持心血管成像設(shè)備并指導(dǎo)患者護(hù)理。有人可能會(huì)說，心血管成像設(shè)備一直處于數(shù)字革命的前沿，人工智能可以用來改善圖像采集、重建、分割、直接圖像分析和解釋。然而，我們必須批判性地評(píng)估這些算法，并質(zhì)疑一直以來的說法，即這項(xiàng)技術(shù)提高了效率、客觀性和性能，同時(shí)提高了圖像質(zhì)量、分割、定量測(cè)量和結(jié)果預(yù)測(cè)。在醫(yī)療保健之外，盡管人工智能算法得到了廣泛的應(yīng)用和普及，但包括谷歌、臉書和微軟在內(nèi)的領(lǐng)先公司的生產(chǎn)力近年來未能與預(yù)期相反地提高；那么，這項(xiàng)技術(shù)真的像宣傳的那樣具有顛覆性嗎？雖然人工智能確實(shí)有可能簡(jiǎn)化大部分心血管CT的臨床工作流程，但我們質(zhì)疑這些人工智能過程在不完美的圖像采集和固有成像偽影的真實(shí)世界中到底能提供多大價(jià)值（如果我們將引用的排斥率用于商業(yè)計(jì)算流動(dòng)態(tài)評(píng)估，這將影響高達(dá)30%的數(shù)據(jù)集），斷開的醫(yī)療保健系統(tǒng)數(shù)據(jù)庫(kù)，沒有大規(guī)模的“供應(yīng)商中立”檔案。必須回答的主要問題是：人工智能對(duì)專家有幫助嗎？它是否提供了改進(jìn)的有效性（時(shí)間、成本或兩者兼而有之），錯(cuò)誤率（與人工解釋相比）是多少？它能提供診斷益處嗎？此外，人工智能會(huì)對(duì)非專家的圖像解讀造成多大傷害？當(dāng)人工智能結(jié)果（如自動(dòng)分割）可能存在問題和缺陷時(shí)，非專家會(huì)僅僅信任結(jié)果而不理解嗎？

3、挑戰(zhàn)炒作：重塑和進(jìn)化；非革命性

我們已經(jīng)說過人工智能不是什么新鮮事。大部分作為新技術(shù)出售的產(chǎn)品要么是對(duì)舊技術(shù)的重新利用，要么是將相對(duì)現(xiàn)代的技術(shù)重新應(yīng)用到新領(lǐng)域。這些技術(shù)中很少有革命性的，它們當(dāng)然不值得相關(guān)的炒作或價(jià)格標(biāo)簽。a.放射組學(xué)：有人可能會(huì)說，心血管成像的真正革命是將放射組學(xué)（或紋理分析）用于成像數(shù)據(jù)集。然而，雖然放射組學(xué)分析的一些結(jié)果可能是突破性的，但其他結(jié)果只是對(duì)我們已經(jīng)知道的進(jìn)行了三角化測(cè)量。放射組學(xué)的基礎(chǔ)建立在20世紀(jì)40年代和50年代的軍事衛(wèi)星成像技術(shù)上，該技術(shù)旨在利用20世紀(jì)中期衛(wèi)星圖像中的粒狀黑白輸出來區(qū)分城市地區(qū)和林地。因此，雖然分形分析、灰度出現(xiàn)或長(zhǎng)度矩陣等統(tǒng)計(jì)工具在醫(yī)學(xué)成像中的應(yīng)用對(duì)我們來說可能是新的，但它們所基于的算法已經(jīng)有近80年的歷史了（圖3A）。我們還沒有現(xiàn)成的數(shù)據(jù)來了解或獲取圖像質(zhì)量和偽影對(duì)放射組學(xué)評(píng)估再現(xiàn)性或準(zhǔn)確性的影響。b.基于人工智能的工作站：在工作站上生成圖像的新的基于機(jī)器學(xué)習(xí)的軟件已經(jīng)能夠（或多或少）可靠地將中心線沿著冠狀動(dòng)脈走行，已經(jīng)超過20年了（圖3B）。這需要在數(shù)千個(gè)正常數(shù)據(jù)集上教授該算法，使其能夠?qū)W習(xí)沿著增強(qiáng)的碘柱向下移動(dòng)。同樣，使我們能夠分割冠狀動(dòng)脈樹的邊界工具需要一個(gè)程序來確定血管的邊緣，并確定什么是冠狀動(dòng)脈，什么是左心耳。同樣，這需要以一種始終基于機(jī)器學(xué)習(xí)算法的方式訓(xùn)練算法，但在2000年代初并沒有被標(biāo)記或炒作。這些技術(shù)正在不斷完善，現(xiàn)在包括斑塊定量和識(shí)別工具。然而，如果你知道去哪里看并打開引擎蓋，這些“新”技術(shù)的構(gòu)建塊就一直存在。

圖3那么，什么技術(shù)是新技術(shù)呢？圖A展示了20世紀(jì)50年代開發(fā)的放射組學(xué)算法，而允許多平面重組的中心線算法已經(jīng)存在了幾十年（圖B）。

4、對(duì)真實(shí)的臨床影響保持客觀，并管理期望

為了在臨床上有效和有用，需要將算法分配到特定任務(wù)中，以提供臨床輸出。在心血管CT中，這可能是在風(fēng)險(xiǎn)分析斑塊類型（分類任務(wù)）、生成自動(dòng)鈣評(píng)分或射血分?jǐn)?shù)（節(jié)省效率）或增強(qiáng)迭代重建或成像技術(shù)中。存在改善圖像采集、圖像質(zhì)量、自動(dòng)分割和分析的潛力，從而改善診斷和決策支持。這些進(jìn)步有望改善患者的預(yù)后和最終結(jié)果。人們?cè)趺磿?huì)不同意改善工作流程、提供更多臨床見解、提高準(zhǔn)確性和風(fēng)險(xiǎn)預(yù)測(cè)，同時(shí)節(jié)省成本的人工智能工具不是醫(yī)療保健的靈丹妙藥？對(duì)心血管人工智能文獻(xiàn)的回顧將產(chǎn)生如此有希望的發(fā)現(xiàn)，但這些幾乎都是胚胎結(jié)果，數(shù)據(jù)集很小，充滿潛在的偏見，在現(xiàn)實(shí)世界中的應(yīng)用有限，缺乏突破性的優(yōu)勢(shì)。

4.1工作流程效率

自動(dòng)化鈣評(píng)分真正節(jié)省了多少時(shí)間？我們不會(huì)爭(zhēng)論太多，當(dāng)然也比可以進(jìn)行自動(dòng)CCTA讀取或初始TAVR分割和分析的情況要少。雖然正在積極探索這些應(yīng)用程序，但它們的實(shí)施一直具有挑戰(zhàn)性。文獻(xiàn)中充滿了開創(chuàng)性和復(fù)雜的驗(yàn)證論文，幾乎沒有一篇能夠轉(zhuǎn)化為臨床實(shí)踐。

已經(jīng)存在的技術(shù)可以（重新）確定臨床工作清單的優(yōu)先級(jí)，將報(bào)告者引導(dǎo)到算法檢測(cè)到病理的病例。將這項(xiàng)技術(shù)擴(kuò)展到生成自動(dòng)讀取正常CCTA可能是日常實(shí)踐中的一個(gè)重大進(jìn)步——但同樣，盡管有這項(xiàng)技術(shù)，我們還沒有做到。存在用于分割的基線技術(shù)（圖4）和自動(dòng)冠狀動(dòng)脈讀取算法，但將這些算法轉(zhuǎn)化為常規(guī)臨床實(shí)踐仍然難以捉摸。此外，這種算法的附加值還有待證明。為了確保精確的分割和輪廓繪制，特別是在存在變異解剖結(jié)構(gòu)的情況下，將繼續(xù)需要人工過度閱讀，從而將軟件降級(jí)到第二個(gè)閱讀器，并降低效率。

目前解決的懸而未決的問題（如CACS自動(dòng)化）不太可能對(duì)CCT從業(yè)者的時(shí)間需求產(chǎn)生重大影響。我們所尋求的工具在使用之前需要完美嗎？我們的目標(biāo)是讓機(jī)器衍生算法為我們做這項(xiàng)工作，還是處理過程中耗時(shí)的部分，如分割、中心線定義和定量測(cè)量？這些進(jìn)步將使我們能夠進(jìn)行過度閱讀、必要時(shí)進(jìn)行調(diào)整并簽字。大多數(shù)現(xiàn)代工作站顯然已經(jīng)具備了大部分這種能力，但這項(xiàng)現(xiàn)有技術(shù)需要在冠狀動(dòng)脈之外進(jìn)行調(diào)整和應(yīng)用。重要的例子包括左心耳、TAVR和TMVR評(píng)估、冠狀動(dòng)脈周圍和心外膜脂肪定量。這些技術(shù)不應(yīng)作為大規(guī)模的AI/ML進(jìn)步出售，因?yàn)樗鼈儸F(xiàn)在還不存在。我們認(rèn)為，追求完美、具有商業(yè)吸引力的產(chǎn)品正在扼殺現(xiàn)有的有價(jià)值的產(chǎn)品。是看不到價(jià)值，還是商業(yè)上看不到可銷售的價(jià)值，這是一個(gè)有爭(zhēng)議的話題，但有了今天存在的AI/ML工具，我們可以極大地改進(jìn)工作流程和決策支持。也許迭代步驟會(huì)比等待最終的白金工具更快地推進(jìn)整個(gè)領(lǐng)域。還應(yīng)該注意的是，通過減少圖像解讀時(shí)間，這最終將減少報(bào)銷，至少在美國(guó)等醫(yī)療系統(tǒng)中是這樣。而且，如果人工智能算法不完善，報(bào)銷的下降也會(huì)導(dǎo)致準(zhǔn)確性下降，并可能導(dǎo)致患者預(yù)后不佳。

圖4使用機(jī)器學(xué)習(xí)算法的自動(dòng)分割（西門子：State-of-the-Artpresentation，ASM2019）。

4.2現(xiàn)實(shí)世界的挑戰(zhàn)

正如心血管成像歷史上反復(fù)證明的那樣，當(dāng)將特定技術(shù)引入現(xiàn)實(shí)世界時(shí)，其理論價(jià)值往往相形見絀。計(jì)算機(jī)自動(dòng)檢測(cè)（CAD）的經(jīng)驗(yàn)充分證明了當(dāng)前AI/ML診斷助手可能產(chǎn)生的有限影響。CAD算法是使用人類編寫的代碼和數(shù)學(xué)公式而不是計(jì)算機(jī)學(xué)習(xí)開發(fā)的，設(shè)計(jì)用于輔助讀取乳房X光照片。由該領(lǐng)域?qū)＜翌I(lǐng)導(dǎo)的涉及31000多名女性的前瞻性隨機(jī)對(duì)照試驗(yàn)發(fā)現(xiàn)，CAD提高了乳腺病變的準(zhǔn)確性和檢測(cè)能力。然而，當(dāng)在現(xiàn)實(shí)世界中應(yīng)用時(shí)，CAD的使用顯著降低了敏感性，但對(duì)特異性沒有益處。這表明使用診斷助手存在強(qiáng)大的人類認(rèn)知障礙，特別是當(dāng)它們的好處是增量而非變革時(shí)。敏感性的喪失幾乎可以肯定是由于CAD在過度收費(fèi)時(shí)缺乏過度監(jiān)管的意愿。鑒于目前的法律框架將所有責(zé)任都交給了使用該工具的臨床醫(yī)生，而不是算法的創(chuàng)建者，因此沒有理由期望這些結(jié)果不會(huì)在人工智能增強(qiáng)的冠狀動(dòng)脈狹窄檢測(cè)和量化的使用中復(fù)制。也許并不奇怪，最近對(duì)乳腺成像、癌癥診斷和胸部X射線診斷中的人工智能算法進(jìn)行的審查發(fā)現(xiàn)，盡管這兩種模型在心血管成像方面都比我們的大多數(shù)工具先進(jìn)得多，但沒有一種模型對(duì)常規(guī)臨床實(shí)施具有顯著的魯棒性。

4.3臨床見解

有多篇論文聲稱，人工智能和ML算法顯著提高了對(duì)心血管疾病的臨床見解。向這些令人印象深刻的論文的作者道歉，我們將質(zhì)疑并非所有論文都增加了我們的臨床知識(shí)。一些人可能已經(jīng)對(duì)我們已經(jīng)知道的內(nèi)容進(jìn)行了三角測(cè)量（這本身就很有價(jià)值），或者在精度上增加了一點(diǎn)增量。這些價(jià)值可能需要不成比例的努力、時(shí)間和成本。

作為驗(yàn)證我們已經(jīng)知道的與新見解的論文的例子，我們引用了關(guān)于功能性重大冠狀動(dòng)脈疾病和結(jié)果的ML預(yù)測(cè)因子的令人印象深刻的論文，以及血管周圍脂肪的放射轉(zhuǎn)錄標(biāo)記在改善心臟風(fēng)險(xiǎn)預(yù)測(cè)中的應(yīng)用。

前者確定了6個(gè)與低FFR值相關(guān)的關(guān)鍵參數(shù)，即平均管腔面積、斑塊體積、衰減值、纖維脂肪/壞死核心體積、重構(gòu)指數(shù)和左前降支近端位置；在此分析之前所有眾所周知的風(fēng)險(xiǎn)因素。是的，令人印象深刻，但也許不是革命性的。相反，后一項(xiàng)研究在一個(gè)大型驗(yàn)證和訓(xùn)練隊(duì)列中關(guān)聯(lián)了放射組學(xué)技術(shù)，然后將這一新特征應(yīng)用于臨床隊(duì)列（SCOT-HEART），以證明使用新的生物標(biāo)志物增強(qiáng)風(fēng)險(xiǎn)預(yù)測(cè)的能力。放射組學(xué)技術(shù)在新的解剖部位（冠狀動(dòng)脈周圍脂肪）的應(yīng)用已經(jīng)被其他研究人員所反映（Dey等人），這是人工智能技術(shù)的一個(gè)例子，可以帶來潛在的新見解。

為了說明增加的臨床準(zhǔn)確性相對(duì)于標(biāo)準(zhǔn)評(píng)估的價(jià)值，另一篇使用CACS和臨床數(shù)據(jù)研究10年死亡預(yù)測(cè)的優(yōu)秀論文證明，ML工具隨著大量CACS、CCTA和臨床數(shù)據(jù)的增加而逐漸增加，AUC從單獨(dú)使用CACS的0.78變?yōu)槭褂肕LCCTA數(shù)據(jù)的0.80，進(jìn)一步增加AVSCD風(fēng)險(xiǎn)為0.82，ML臨床數(shù)據(jù)為0.83，所有參數(shù)增加為0.85。因此，隨著所有多參數(shù)數(shù)據(jù)、強(qiáng)大的算法（可能在商業(yè)上很昂貴）的加入，該技術(shù)將10年預(yù)測(cè)提高了7%。也許令人印象深刻，但在臨床實(shí)踐中交付是否可行？這樣的應(yīng)用需要多個(gè)不同的數(shù)據(jù)集的鏈接，這些數(shù)據(jù)集理想地包括成像、臨床和社會(huì)數(shù)據(jù)。此外，這項(xiàng)工作將需要一種戰(zhàn)略方法來連接當(dāng)前斷開的系統(tǒng)，這將需要對(duì)大多數(shù)臨床實(shí)踐進(jìn)行大量投資。最終，人們不得不質(zhì)疑，這種回報(bào)水平的投資成本值得嗎？在這一點(diǎn)上，可能不會(huì)。

使用傳統(tǒng)的統(tǒng)計(jì)技術(shù)同樣可以實(shí)現(xiàn)這些進(jìn)步，這些技術(shù)提供了關(guān)于變量之間的關(guān)系及其相關(guān)的準(zhǔn)確性提高幅度的明確結(jié)果。人工智能分析的優(yōu)勢(shì)在于它能夠識(shí)別非線性交互，這些模式可能很有洞察力，但并不總是透明的。

文獻(xiàn)中有更多的論文告訴我們已經(jīng)知道的事情。我們敦促大家注意不要被AI/ML這個(gè)綽號(hào)所誘惑。重要的是要退后一步，問問這是否真的增加了我們的知識(shí)，以及這些說法是否經(jīng)得起我們將應(yīng)用于非AI/ML手稿的高水平的通常學(xué)術(shù)審查。目前，我們正處于知識(shí)發(fā)展的（重要）低谷，但讓我們看看它的真實(shí)情況，而不是我們想要的樣子。在我們開始嘗試跑步之前，我們必須承認(rèn)爬行階段很重要。

5、圖像質(zhì)量的提高

即使在人工智能之前，CT硬件的創(chuàng)新也推動(dòng)了圖像重建算法的并行改進(jìn)，能夠提高精度、減少運(yùn)動(dòng)偽影和優(yōu)化輻射。人工智能已“成功”應(yīng)用于這些問題并集成到軟件中。這些進(jìn)步通常使用基于DL-CNN的方法和最近的生成對(duì)抗性網(wǎng)絡(luò)（GAN）來進(jìn)一步推進(jìn)這一領(lǐng)域。

然而，有幾個(gè)問題需要注意。首先是用于推導(dǎo)這些主張的基線數(shù)據(jù)的質(zhì)量（通常是最佳的且沒有缺陷）。這些工具在現(xiàn)實(shí)世界的臨床實(shí)踐中的應(yīng)用可能不那么直接。人類臨床CT專家擅長(zhǎng)使他們的思維過程適應(yīng)次優(yōu)圖像質(zhì)量。事實(shí)上，在很大程度上，這正是人類CCT讀者成為專家的原因。即使在最有經(jīng)驗(yàn)的中心，也有很大一部分真實(shí)世界的數(shù)據(jù)集不是最優(yōu)的，而且往往是由于難以辨別的原因。據(jù)稱，ML和DL算法可以克服人類的主觀性，產(chǎn)生更具可復(fù)制性的結(jié)果。這可能是真的，但算法能產(chǎn)生正確的解釋嗎？

心血管CT在技術(shù)上很復(fù)雜。掃描的質(zhì)量取決于適當(dāng)?shù)男穆士刂?、kV和mA設(shè)置、正確的卷積核選擇、相位選擇（以及對(duì)冠狀動(dòng)脈運(yùn)動(dòng)的理解）和窗值。這是在考慮受試者的人的方面（體型、BMI、采集過程中呼吸或移動(dòng)的趨勢(shì)等）之前。這些因素中的許多因素共同產(chǎn)生了不太完美的圖像質(zhì)量，而“垃圾進(jìn)垃圾出”這句老話絕對(duì)適用于基于計(jì)算機(jī)的處理，包括人工智能和機(jī)器學(xué)習(xí)。人類的適應(yīng)性和神經(jīng)元的可塑性導(dǎo)致了非二進(jìn)制的學(xué)習(xí)，并使我們能夠“可靠地”克服這些陷阱。我們?nèi)祟惷刻於荚谶m應(yīng)這一挑戰(zhàn)，因此人工智能還有一段路要走，尤其是當(dāng)這項(xiàng)技術(shù)被認(rèn)為可以去除病變（如非鈣化斑塊）以“正?；惫跔顒?dòng)脈邊界時(shí)。這些都是人工智能需要克服的基本挑戰(zhàn)。

然后我們可以增加人體解剖學(xué)變異的挑戰(zhàn)。如前所述，CCTA的冠狀動(dòng)脈分割已經(jīng)存在了20多年；實(shí)現(xiàn)管腔狹窄分級(jí)、斑塊評(píng)估和（使用輔助技術(shù)）血流模擬。這對(duì)于機(jī)器所理解的正常解剖結(jié)構(gòu)來說很好，但正如任何心臟成像儀所知，人體解剖結(jié)構(gòu)的正常變化是多種多樣的。即使是最簡(jiǎn)單的變體，如LAD和LCx動(dòng)脈雙重起源的LMS缺失，中心線技術(shù)也經(jīng)常失敗。即使是簡(jiǎn)單的先天性異常也足以使自動(dòng)化系統(tǒng)無法進(jìn)行計(jì)算。

6、文化和道德挑戰(zhàn)

挑戰(zhàn)現(xiàn)有就業(yè)模式的技術(shù)進(jìn)步并不是醫(yī)療保健獨(dú)有。Price-Waterhouse-Cooper預(yù)測(cè)，人工智能/ML技術(shù)將從根本上改變或在更大程度上取代30%的工作崗位。這導(dǎo)致了醫(yī)學(xué)領(lǐng)域的一些夸張和歇斯底里的爆發(fā)，尤其是在放射學(xué)領(lǐng)域（人工智能將取代放射科醫(yī)生）。然而，正如上面的論點(diǎn)所概述的那樣，人工智能離成為一個(gè)強(qiáng)大的決策輔助工具還有很長(zhǎng)的路要走，更不用說取代專業(yè)的人類了。

然而，和往常一樣，文化挑戰(zhàn)和不愿接受新事物是由許多因素驅(qū)動(dòng)的。臨床（和成像）專家對(duì)計(jì)算機(jī)科學(xué)、大數(shù)據(jù)、高等數(shù)學(xué)和專有的“黑匣子”技術(shù)缺乏了解，這加劇了人們對(duì)人工智能和機(jī)器學(xué)習(xí)的歷史、其在其他職業(yè)或整個(gè)社會(huì)中的常規(guī)使用缺乏了解。進(jìn)一步的障礙包括技術(shù)的巨大支出，這導(dǎo)致缺乏可用性和試驗(yàn)技術(shù)的能力有限，以及在缺乏決策輔助工具或“基本真相”仲裁者的情況下，對(duì)工具應(yīng)該或可以做什么缺乏了解。

所有這些因素都很重要；無論是對(duì)就業(yè)的生存威脅，對(duì)人工智能的基本原理和支撐人工智能的科學(xué)缺乏了解，無法對(duì)其進(jìn)行有力和科學(xué)的批判，還是在臨床實(shí)踐中投入使用之前無法適應(yīng)技術(shù)的優(yōu)缺點(diǎn)。難怪更廣泛的臨床界正在努力接受這項(xiàng)“新”技術(shù)。

此外還有倫理方面的挑戰(zhàn)；誰(shuí)擁有臨床數(shù)據(jù)（患者、獲取數(shù)據(jù)的機(jī)構(gòu)或分析數(shù)據(jù)的公司？），如果國(guó)家提供（通過稅收）或個(gè)人支付獲取數(shù)據(jù)的費(fèi)用，這種情況會(huì)改變嗎？如果一個(gè)人因算法支持的決定而受到傷害，那么誰(shuí)承擔(dān)風(fēng)險(xiǎn)——醫(yī)生，還是為編寫算法代碼的公司？一個(gè)更緊迫的擔(dān)憂是，人們意識(shí)到許多設(shè)計(jì)的人工智能算法都是種族主義的，也許不是設(shè)計(jì)出來的，而是根據(jù)人類行為數(shù)據(jù)進(jìn)行訓(xùn)練，并由以白人男性為主的人工智能社區(qū)精心制作。這導(dǎo)致黑人被谷歌圖像識(shí)別軟件貼上大猩猩的標(biāo)簽，并加強(qiáng)了警察的歧視行為。成像數(shù)據(jù)也不能免受這種影響。研究表明，算法可以從CXR和CT數(shù)據(jù)中準(zhǔn)確、可重復(fù)地得出性別和種族?？紤]到已知的女性和有色人種的治療和診斷策略失衡，基于這些數(shù)據(jù)訓(xùn)練的算法可能會(huì)導(dǎo)致根深蒂固的強(qiáng)制偏見，其中許多算法的黑匣子性質(zhì)掩蓋了這些偏見。

人工智能是一個(gè)龐大而復(fù)雜的領(lǐng)域，許多成像社會(huì)都在努力應(yīng)對(duì)，這些倫理挑戰(zhàn)為這個(gè)已經(jīng)具有挑戰(zhàn)性的領(lǐng)域增加了另一層復(fù)雜性。存在著跨越無數(shù)醫(yī)療、技術(shù)和商業(yè)利益的道德原則文化沖突的真正風(fēng)險(xiǎn)。

7、人工智能的商業(yè)化和理解價(jià)值

醫(yī)療保健是一項(xiàng)有利可圖的努力，人工智能流程推動(dòng)令人垂涎的利潤(rùn)的潛力是一個(gè)積極和消極的現(xiàn)實(shí)。從好的方面來看，大型跨國(guó)公司正在該領(lǐng)域投入大量資金，推動(dòng)創(chuàng)新并為新技術(shù)提供資金。另一方面，通常需要在中短期內(nèi)獲得投資回報(bào)，并創(chuàng)造專有知識(shí)產(chǎn)權(quán)。雖然這些都是確保新發(fā)展轉(zhuǎn)化為社會(huì)影響的重要考慮因素，但它們可能對(duì)仍處于初級(jí)階段的強(qiáng)大人工智能技術(shù)的發(fā)展有害。根據(jù)2020年人工智能狀況報(bào)告——投資者NathanBenaich和IanHogarth對(duì)該領(lǐng)域進(jìn)行了仔細(xì)審查的年度分析——只有15%的人工智能研究共享他