機器學習在放射學中的應(yīng)用及其未來影響

機器學習在放射學中的應(yīng)用及其未來影響Abstract：機器學習技術(shù)的最新進展和未來前景在醫(yī)學成像中提供了有前途的應(yīng)用。機器學習具有改善放射工作流中各個步驟效果的潛力，包括訂單調(diào)度和分診、臨床決策支持系統(tǒng)、結(jié)果及其解釋、后處理和劑量估算、檢查質(zhì)量控制、放射學報告。在本文中，作者回顧了機器學習和人工智能技術(shù)在診斷放射學中的應(yīng)用實例。此外，針對這些技術(shù)在放射學中的未來影響和自然延伸進行了討論。1、機器學習的最新進展為包括醫(yī)學影像學在內(nèi)的工業(yè)和應(yīng)用提供了希望。在數(shù)據(jù)科學的創(chuàng)新中，機器學習是一類使計算機能夠像人類一樣學習和提取或分類模式的技術(shù)和研究，機器可以進一步分析更多的數(shù)據(jù)集，并從人類可能無法做到的數(shù)據(jù)中提取特征。機器學習最近的研究和發(fā)展方向是，在現(xiàn)在和未來將其用于診斷成像。在這篇綜述中，首先介紹機器學習的“廣義”和“狹義”定義，然后介紹如何將機器學習應(yīng)用于成像解釋并使其得到發(fā)展。第二，我們將提供機器學習在診斷放射學中的應(yīng)用實例。第三，我們將討論機器學習技術(shù)在臨床應(yīng)用中的主要障礙和挑戰(zhàn)。最后，我們將討論機器學習在放射學和除了放射學以外的其他醫(yī)學領(lǐng)域中未來的發(fā)展方向。2、（1）機器學習的定義：機器學習是一種使電腦具備學習能力卻又不依賴于直接的編碼規(guī)則的數(shù)據(jù)科學方法。機器學習可以創(chuàng)建能夠進行學習和預測的算法。與基于規(guī)則的算法相比，機器學習利用了對大數(shù)據(jù)集和新數(shù)據(jù)集的增加的曝光，并具有根據(jù)經(jīng)驗進行改進和學習的能力。（2）機器學習策略：根據(jù)任務(wù)的不同，機器學習通常分為三大類：監(jiān)督、無監(jiān)督和強化學習。3、在監(jiān)督學習過程中，需要將數(shù)據(jù)標簽提供給訓練集（在訓練過程中有監(jiān)督），預期輸出通常先由使用者提供數(shù)據(jù)標簽，作為算法的真實答案（類似金標準）。算法的目標通常是使機器學習將輸入映射到輸出的一般規(guī)則（即讓機器學會傳遞函數(shù)）。算法的目標通常是學習將輸入映射到輸出的一般規(guī)則。在機器學習中，地面真理指的是假定為真的數(shù)據(jù)。在無監(jiān)督學習中，不給學習算法提供數(shù)據(jù)標簽。機器學習任務(wù)的目標是在數(shù)據(jù)中找到隱藏的結(jié)構(gòu)，并將數(shù)據(jù)分離成簇或組。在強化學習中，計算機程序在動態(tài)環(huán)境中執(zhí)行特定任務(wù)，與此同時，計算機接受正和負強化（如與對手玩游戲）的反饋。強化學習是指，在沒有明確的規(guī)則指導下，機器通過自身與環(huán)境的交互結(jié)果進行自我學習和提升。監(jiān)督和unsupervisedexamplesof學習技術(shù)是提供在圖2。機器學習范式可以使用合成的監(jiān)督和unsupervised方法與增強反饋環(huán)。有監(jiān)督和無監(jiān)督學習技術(shù)的實例如圖2所示。一種機器學習模式也可以同時使用有監(jiān)督反饋和無監(jiān)督方法的與增強反饋回路的組合。（/by4_Luminous/article/details/53341334）人工神經(jīng)網(wǎng)絡(luò)4、人工神經(jīng)網(wǎng)絡(luò)是機器學習中的重要應(yīng)用，是一種統(tǒng)計和數(shù)學的方法。該網(wǎng)絡(luò)是在生物神經(jīng)系統(tǒng)處理大量信息的方式的基礎(chǔ)上發(fā)展起來法傾向于過度訓練數(shù)據(jù)，意味著能夠找到適合訓練數(shù)據(jù)集的的模型，但是通用性不好。因此，通過執(zhí)行訓練和驗證的連續(xù)迭代來優(yōu)化算法并避免過擬合。在測試集中，在最初機器學習算法建模完成之后，最終模型可以應(yīng)用于獨立的測試數(shù)據(jù)集，以評估算法的性能、準確性和通用性。用于深度神經(jīng)網(wǎng)絡(luò)機器學習的開放源代碼工具11、在掌握了適當?shù)幕A(chǔ)知識后，可以采用相對簡單的低成本軟件來進行機器學習?，F(xiàn)在又許多可以進行深度學習的開源工具。機器學習在獨立軟件開發(fā)人員、數(shù)據(jù)科學家和企業(yè)實體中變得流行，如谷歌將機器學習技術(shù)民主化。為什么是現(xiàn)在？計算能力和數(shù)據(jù)的收斂性12、基于大規(guī)模并行并行處理芯片架構(gòu)的主要圖形處理單元，與并行計算方法（歷史上可用于圖形渲染和游戲）相結(jié)合，使人工神經(jīng)網(wǎng)絡(luò)的性能大幅度提高，使真正的深度學習成為可能。此外，企業(yè)積累了包括醫(yī)學圖像在內(nèi)的大量數(shù)字數(shù)據(jù)，數(shù)字化已經(jīng)發(fā)展幾十年。而且，還有許多可用于機器學習的開源的算法，如CAFE、TRAP和TUNSOFLUM（見表1）。而且有大量的訓練數(shù)據(jù)可以使用，例如generalizedImageNet。為什么機器學習很強大13、從根本上說，機器學習是強大的，因為它不是“易碎的”。一種基于規(guī)則的方法暴露于現(xiàn)實世界時可能會被打破，因為真實世界經(jīng)常會出現(xiàn)一些程序員使用的規(guī)則所定義算法中未包含的示例。利用機器學習，系統(tǒng)可以基于它的訓練集簡單地使用統(tǒng)計來逼近響應(yīng)最多的結(jié)果，這意味著它是靈活的。此外，機器學習是一種強大的工具，因為它是通用的，用于自駕車汽車的方法和用于醫(yī)學影像判讀是相同的。機器學習的通用性使其能夠在包括醫(yī)學在內(nèi)的不同領(lǐng)域快速擴展。機器學習與人工智能13、與機器學習相比，人工智能（或機器智能）可以通過計算機執(zhí)行更廣泛的人工智能，如問題解決，規(guī)劃，知識表示，語言處理，或“學習”。因此，機器學習是人工智能的一種。例如，基于規(guī)則的算法，如計算機輔助診斷就是一種人工智能，它在乳腺攝影中已經(jīng)使用了幾年，但其并不是機器學習的一種類型。然而，計算機輔助診斷包含很廣泛，可以將機器學習也納入其中。根據(jù)定義來看，機器學習算法是通過經(jīng)驗而非規(guī)則來自動改善。機器學習在越來越多的例子中得到應(yīng)用，事實上，目前有許多人工智能的應(yīng)用都用到了機器學習。機器學習在診斷影像學中的應(yīng)用14、雖然大多數(shù)文獻都集中研究機器學習在檢測放射學結(jié)果中的作用，但機器學習也有可能改善放射學工作流中的不同步驟（表2），如下章節(jié)所述。病人登記和篩選15、機器學習技術(shù)促進智能調(diào)度可以優(yōu)化患者的排班并降低患者的由于不參加醫(yī)療和放射學預約而錯過護理可能性。EfrenFlores博士在馬薩諸塞州總醫(yī)院（波士頓，Mulk）領(lǐng)導的一個項目是使用機器學習和預測分析來識別那些因為未能如約參加放射治療的高?；颊?。該小組正在開發(fā)個性化的解決方案，以減少錯過護理的機會。16、此外，有研究提出將機器學習應(yīng)用于病人安全檢查（17）或加強安全報告（18），這在放射學實踐中有潛在的應(yīng)用價值（例如，MRI安全檢查或?qū)Ρ葎┑墓芾恚?。圖像獲取17、機器學習可以使圖像系統(tǒng)智能化?；跈C器學習的數(shù)據(jù)處理方法具有可以減少成像時間的潛力。還有，智能成像系統(tǒng)可以減少不必須的圖像、改善位置、同時幫助優(yōu)化結(jié)果的特征。例如，一個智能MR成像系統(tǒng)可以識別病變，并建議修改檢查的序列，從而優(yōu)化結(jié)果中的病變特征。結(jié)果的自動檢測18、機器學習可以很快地在放射醫(yī)學影像領(lǐng)域的結(jié)果自動檢測中產(chǎn)生反響。例如，有研究證實了可以將機器學習應(yīng)用于類似肺結(jié)節(jié)和甲狀腺結(jié)節(jié)等偶然的結(jié)果提取。進一步的研究證明，機器學習可被用于檢測一些關(guān)鍵性的結(jié)果，如氣胸（圖6）、骨折、器官裂傷和中風。19、機器學習算法被用于計算機輔助檢測和計算機輔助診斷已經(jīng)有幾十年。在乳腺X線攝影中，計算機輔助診斷已經(jīng)顯示出其有效性。但矛盾的是，計算機輔助診斷可能會被一些乳腺癌患者忽視，限制其臨床應(yīng)效益。20、乳腺癌篩查是最有望將機器學習納入放射學實踐的第一個領(lǐng)域。多項研究結(jié)果已經(jīng)表明其診斷價值，機器學習技術(shù)在不同乳房成像中得到應(yīng)用，包括：乳腺X線攝影、美國、MRI、斷層合成。21、人們對于機器學習在肺結(jié)節(jié)的檢測、分類和管理中的作用越來越感興趣。例如，肺結(jié)節(jié)分類的深度學習系統(tǒng)是在經(jīng)驗豐富的人類觀察者之間的差異中進行的。機器學習算法也有助于減少檢測肺結(jié)節(jié)的假陽性結(jié)果（20）。最近的Kakle數(shù)據(jù)科學碗看到將近10000名參加者爭奪100萬美元的獎金；競爭者通過識別可能在1年內(nèi)被診斷為肺癌的候選者來獲得高水平的表現(xiàn)(/c/data-science-bowl-2017)。一項后續(xù)挑戰(zhàn)已經(jīng)被提出，目的是將這些模型引入經(jīng)驗豐富的人類觀察者的臨床觀察差異(/totheclinic)。22、骨齡分析和基于醫(yī)學成像的解剖年齡的自動確定對于兒科放射學和內(nèi)分泌學具有相當大的實用價值。Synho博士和他的同事們創(chuàng)建了一種算法，根據(jù)輸入的兒科患者的手部照片準確地描述骨齡。23、機器學習的其他潛在應(yīng)用場景包括：線檢測（43）、MRI中的前列腺癌檢測（44～46）、冠狀動脈鈣化分數(shù)的測定（47）、或腦損傷的檢測和分割。檢查結(jié)果的自動解釋24、對醫(yī)學成像（正?；虍惓＃z測結(jié)果的解釋需要高水平的專家知識，經(jīng)驗以及基于每一種臨床情況下的臨床判斷。一個簡單的例子是腹腔內(nèi)游離空氣，對于術(shù)后患者這可能是一個正常的發(fā)現(xiàn)，但對于一個最近沒有手術(shù)的病人則是關(guān)鍵的發(fā)現(xiàn)。對于機器來說，作為獨立的圖像解釋器，需要廣泛獲取數(shù)據(jù)導出的知識。基于解釋的系統(tǒng)已經(jīng)得到開發(fā)，用于發(fā)現(xiàn)危及生命的異常的圖像（如顱內(nèi)出血），雖然該系統(tǒng)是用于優(yōu)先研究一個工作清單，而不是通過最后的閱讀進行研究。25、一些研究結(jié)果表明，機器學習可以改善對檢查結(jié)果的解釋，從而輔助放射科醫(yī)生工作。基于機器學習的乳腺MR圖像特征提取可以改善對檢查結(jié)果的解釋，進而改善對乳腺癌的診斷?；诜谓Y(jié)節(jié)的影像學特征（如輪廓、紋理、邊緣等語義特征）的機器學習方法，可以提高肺癌結(jié)節(jié)的預測和診斷的準確性。自動臨床決策支持和檢查協(xié)議26、機器學習技術(shù)可以進一步增強放射學決策支持工具。研究表明，即使在復雜和不確定的環(huán)境中，人工智能仿真框架也能做出近似最優(yōu)的人類決策。智能臨床決策支持系統(tǒng)可以提高護理質(zhì)量和成像效率，并減少檢查草案中的不良事件或錯誤的可能性。后處理：圖像分割、登記和量化27、隨著更多的成像數(shù)據(jù)變得可用，在機器學習幫助下，醫(yī)學成像已經(jīng)在圖像的后處理方面取得了相當大的進展，如圖像配準、分割和量化。智能醫(yī)學成像范式是數(shù)據(jù)驅(qū)動的，并傾向于從醫(yī)學圖像中學習有用的臨床信息。從醫(yī)學圖像提取相關(guān)臨床數(shù)據(jù)需要精確的圖像配準和分割。一些研究已經(jīng)將機器學習的方法應(yīng)用于圖像分割，例如在乳房X光攝影（56）、身體器官（35）、或關(guān)節(jié)和肌肉骨骼組織的MR圖像中對乳房密度進行分割。28、機器學習也可以用于模態(tài)間的圖像合成，例如，可以使用從相應(yīng)的MR圖像中生成的對抗網(wǎng)絡(luò)來估計CT圖像。對抗生成網(wǎng)絡(luò)是使用兩個相互競爭的神經(jīng)網(wǎng)絡(luò)模:產(chǎn)生噪聲數(shù)據(jù)的噪聲發(fā)生器模型和區(qū)分真實數(shù)據(jù)和噪聲的鑒別器模型。在訓練過程中，鑒別器模型學習更好地區(qū)分噪聲數(shù)據(jù)與真實數(shù)據(jù)。與其他神經(jīng)網(wǎng)絡(luò)相比，對抗生成網(wǎng)絡(luò)在圖像生成任務(wù)中表現(xiàn)出優(yōu)異的性能。29、圖像配準通常用于多模態(tài)覆蓋，如PET/CT配準和圖像的比較或減影。深度學習可以在耗時的手動輪廓和圖像配準中發(fā)揮相當大的作用，并且可能遭受內(nèi)部或內(nèi)部差異的影響。有研究無監(jiān)督深度學習在腦MR圖像變形配準中的應(yīng)用。30、機器學習可用于橫截面成像中三維結(jié)構(gòu)的定量評估。Wang等人使用基于美國有線電視新聞網(wǎng)的算法精確地分割CT圖像上的脂肪組織體積。腦MRI解剖分割也已通過使用深度學習算法來劃定和定量評估腦結(jié)構(gòu)和病變。圖像定量分析31、受過訓練的觀察者（例如，有經(jīng)驗的放射科醫(yī)師）被認為是基于任務(wù)的醫(yī)學圖像質(zhì)量評價的參考標準。然而，評價大量的圖片需要花費醫(yī)生很長的一段時間。為了解決這個問題，機器學習（也被稱為模型的數(shù)值觀察員觀察員）已發(fā)展成為一種用于圖像的質(zhì)量評估人類觀察者的替代品。模型觀測器可應(yīng)用于低劑量CT迭代重建的參數(shù)優(yōu)化和圖像質(zhì)量評價。32、研究者已經(jīng)嘗試使用深度學習進行自動圖像質(zhì)量的評價。比如，肝臟MRI圖像的質(zhì)量自動評估已經(jīng)得到實現(xiàn)。33、最近的研究表明，神經(jīng)網(wǎng)絡(luò)算法可應(yīng)用于從低劑量的CT圖像降噪。訓練對抗網(wǎng)絡(luò)可以改善卷積神經(jīng)網(wǎng)絡(luò)的產(chǎn)生與常規(guī)劑量CT圖像質(zhì)量相似的圖像的能力。自動放射劑量估計34、機器學習可用于CT數(shù)據(jù)集的器官特異性分類和器官輻射劑量估算。最近的一項研究顯示，采用卷積神經(jīng)網(wǎng)絡(luò)分類器對CT數(shù)據(jù)中器官和特定器官的輻射劑量進行分類，準確率超過高于96%。利用神經(jīng)網(wǎng)絡(luò)進行自動輻射劑量估算在放射腫瘤學領(lǐng)域已經(jīng)得到了更多的應(yīng)用，它在診斷放射學中也具有類似的應(yīng)用潛力。例如，一個用于MRI的前列腺癌放射治療計劃中機器學習的框架顯示，風險器官受到輻射的劑量減少，同時癌變組織受到輻射劑量的增加。放射學報告與分析35、機器學習技術(shù)在自然語言處理中得到了廣泛的應(yīng)用。利用自然語言處理從自由文本放射學報告中提取數(shù)據(jù)有助于質(zhì)量保證和性能監(jiān)測，以及臨床決策支持的大規(guī)模測試。自然語言處理器可以從敘述性的放射學報告中提取影像學表現(xiàn)和器官測量值，并對提取的測量值進行分類。這可以為處理醫(yī)療數(shù)據(jù)的其他機器學習應(yīng)用程序提供放射輸入數(shù)據(jù)。機器學習技術(shù)還可用于從放射學報告中提取術(shù)語，以提高質(zhì)量和分析。機器學習和自然語言處理算法可以幫助跟蹤放射科醫(yī)師的建議，并減少后續(xù)建議通信中斷的可能性。自動數(shù)據(jù)集成和分析36、在電子病歷中，存在來自各種數(shù)據(jù)源的異構(gòu)數(shù)據(jù)池（稱為多視圖數(shù)據(jù)）。不同來源的數(shù)據(jù)吞吐量很高，包括病史和進展記錄，實驗室結(jié)果，病理報告和圖像，放射學報告和圖像，基因組學以及醫(yī)療記錄系統(tǒng)的安全報告。這些數(shù)據(jù)的可用性為數(shù)據(jù)挖掘提供了前所未有的機會，但也帶來了異構(gòu)數(shù)據(jù)源集成的挑戰(zhàn)（例如，成像數(shù)據(jù)與文本數(shù)據(jù)）?？梢詫⒏鞣N機器學習技術(shù)（例如核方法，矩陣分解模型和基于網(wǎng)絡(luò)的融合方法）應(yīng)用于數(shù)據(jù)集成和分析。主要的障礙和挑戰(zhàn)37、收集高質(zhì)量的地面實況數(shù)據(jù)、開發(fā)可推廣和診斷準確的技術(shù)以及工作流的集成是在放射學實踐中采用機器學習所面臨的主要挑戰(zhàn)。機器學習性能：通常但不總是需要大數(shù)據(jù)集38、Google的PeterNorvig（anAmericancomputerscientist）證明，大量數(shù)據(jù)可以克服機器學習算法的不足。窄范圍機器學習算法可能不需要大量訓練數(shù)據(jù)，但可能需要高質(zhì)量的地面實況訓練數(shù)據(jù)。在醫(yī)學成像分析中，與其他類型的機器學習一樣，所需的數(shù)據(jù)量在很大程度上取決于要執(zhí)行的任務(wù)。例如，分段任務(wù)可能只需要一小組數(shù)據(jù)。另一方面，性能分類任務(wù)（例如，將肝臟病變分類為惡性與良性）可能需要更多標簽示例，這也可能在很大程度上取決于要區(qū)分的分類器的數(shù)量。39、源數(shù)據(jù)中的混淆元素可能導致機器學習算法的失敗。由于神經(jīng)網(wǎng)絡(luò)缺乏大量特定特征，因此罕見的發(fā)現(xiàn)或特征也可能是其弱點，因此容易出現(xiàn)不準確的情況。40、方差和偏差是可能導致機器學習算法性能差的問題。偏差是算法中的錯誤假設(shè)，這可能導致錯過關(guān)聯(lián)（欠擬合）。高方差可以使算法過分地學習數(shù)據(jù)并開始擬合隨機噪聲（過度擬合）。最優(yōu)模型不僅準確地表示訓練數(shù)據(jù)，而且可以推廣到看不見的數(shù)據(jù)。過度擬合的算法對訓練數(shù)據(jù)的微小變化反應(yīng)過度。因此，該算法在訓練數(shù)據(jù)上表現(xiàn)良好，而在新數(shù)據(jù)上表現(xiàn)不佳。過度擬合是機器學習中的主要挑戰(zhàn)，特別是當模型過于復雜時。地面實況注釋41、廣泛的地面真理注釋往往需要對機器學習算法進行適當?shù)挠柧?。多個技術(shù)公司和學術(shù)研究項目依靠訓練有素的放射科醫(yī)師在放射學報告和圖像上的注釋，這被認為是真理（金標準）。需要大量的勞動力成本、時間和資源來合理的實施這些項目。此外，驗證過程必須是高度魯棒性的，否則，該算法可能會被過度擬合到特定的數(shù)據(jù)子子集。定義標準42、合理地開發(fā)人工智能工具需要定義標準化用例和注釋工具。這些使用案例需要與臨床實踐、醫(yī)學成像中人工智能方面的法律、法規(guī)以及道德問題保持一致。美國放射學數(shù)據(jù)科學研究所的臨床專家組與其他醫(yī)學專業(yè)學會一起，正在定義這些標準化用例。(/Advocacy/Informatics/Data-Science-Institute).43、此外，標準方法可以使圖像注釋在不同的信息技術(shù)系統(tǒng)以及數(shù)據(jù)通信和交換的軟件應(yīng)用程序之間得到交互操作。美國國家癌癥研究所的注釋和圖像標記模型為圖像和圖像特征的注釋提供了一種可能的標準方法。監(jiān)管和工作流程整合44、基于機器學習的算法目前尚未很好地集成到圖像存檔和通信系統(tǒng)工作站中。許多系統(tǒng)包含并需要單獨的工作站或網(wǎng)絡(luò)節(jié)點來發(fā)送圖像以便進行分析。在放射信息學價值鏈的生態(tài)系統(tǒng)中，需要做更多的工作來更好地結(jié)合新穎的機器學習技術(shù)?？赡苄枰獮闄C器學習算法與現(xiàn)有系統(tǒng)的互操作性設(shè)置標準。供應(yīng)商和研究人員都必須致力于創(chuàng)建平臺，以便不斷學習和升級機器學習算法。需要通過接觸更多數(shù)據(jù)，根據(jù)模型中的可能變化不斷更新機器學習算法。45、將機器學習整合到臨床環(huán)境中的重要一步是獲得美國食品和藥物管理局（FDA）的批準。在臨床使用機器學習應(yīng)用程序之前，應(yīng)向FDA提交有關(guān)算法開發(fā)和臨床驗證的特定信息。臨床驗證研究應(yīng)該與人類專家達到充分的一致性。FDA在管理該軟件方面面臨挑戰(zhàn)，其目前正在為機器學習應(yīng)用開發(fā)適當?shù)谋O(jiān)管途徑。例如，一種機器學習算法被設(shè)計用于找到人眼無法觀察的數(shù)據(jù)中的關(guān)聯(lián)，人類專家驗證對于該算法具有挑戰(zhàn)性，。另一個例子是繼續(xù)在用戶手中學習并且隨著時間的推移表現(xiàn)更好的算法。這具有挑戰(zhàn)性，因為FDA需要保證算法的性能將持續(xù)改善并且不會下降。FDA可能需要針對像“黑匣子”這樣只提供臨床建議或軟件的應(yīng)用采用不同的監(jiān)管方法，這是醫(yī)療保健專業(yè)人員能夠獨立審查建議的基礎(chǔ)。解讀人工智能的黑匣子46、就其本質(zhì)而言，機器學習開發(fā)了無法用簡單的術(shù)語來解釋的復雜高維功能。在識別潛在原因和邏輯很重要的領(lǐng)域（例如醫(yī)療保?。┲斜唤邮苁沟脵C器學習的可解釋性成為主要挑戰(zhàn)之一。目前，當學習無人監(jiān)督時，解構(gòu)機器決策因素的可見性有限。國防高級研究計劃局正在進行諸如解釋人工智能計劃之類的工作，以便可以更好地理解基于人工智能和機器學習的算法是如何得出其結(jié)論。(/program/explainable-artificial-intelligence)。47、視覺顯著性是一種可以感知的質(zhì)量，這使一些物品能夠從鄰居中脫穎而出并立即引起我們的注意。視覺顯著性圖可以突出圖像中的區(qū)域，這些區(qū)域已經(jīng)吸引了人類觀察者的注意力以執(zhí)行分類任務(wù)。顯著性圖可以為機器學習模型提供“可解釋性”并提高檢測結(jié)果的準確性。放射科醫(yī)生的工作視角和法醫(yī)學問題48、需要監(jiān)控用于臨床診斷和決策的機器學習系統(tǒng)的性能。醫(yī)生將獲得醫(yī)療診斷和治療的所有權(quán)交給患者。在出現(xiàn)醫(yī)療錯誤的情況下，機器學習系統(tǒng)的制造商和開發(fā)人員可能不負責任，因為根據(jù)定義，計算機正在以開發(fā)人員不知道的方式基于數(shù)據(jù)集學習和重新學習。機器學習軟件提供的臨床建議可能需要由專業(yè)的醫(yī)療保健人員進行審查，他們可能會也可能不會批準該軟件提供的建議。更好的是，應(yīng)該向醫(yī)療保健專業(yè)人員提供這些建議的基礎(chǔ)，并進行審查。在可預見的未來，機器學習不會取代放射科醫(yī)師。相反，這些技術(shù)有望幫助放射科醫(yī)師，增強放射工作流程，并提高放射科醫(yī)師的診斷準確性。機器學習系統(tǒng)可以幫助識別呢些通常可以躲避人眼的模式和關(guān)聯(lián)。目前，許多人工智能系統(tǒng)正在開發(fā)相當明顯的任務(wù)，這些任務(wù)對人類來說幾乎沒有挑戰(zhàn)。如果集中考慮放射科醫(yī)生所面臨的挑戰(zhàn)，人工智能系統(tǒng)可以增加更多價值。醫(yī)學放射學與醫(yī)學放射學的未來發(fā)展方向49、大量電子病歷數(shù)據(jù)的可用性允許創(chuàng)建跨學科數(shù)據(jù)池。機器學習從這些大數(shù)據(jù)中提取知識，并產(chǎn)生可用于個體結(jié)果預測分析和臨床決策的輸出。這可以為個性化醫(yī)學（或精準醫(yī)學）開辟道路，其中基因、環(huán)境和每個人生活方式因素等個體差異都被用來考慮疾病預防，治療和預后?？鐚W科合作與精準醫(yī)學50、機器學習模型在過去幾年中得到迅速發(fā)展。

谷歌最近展示了一種多模式機器學習的方法，該方法為未來相關(guān)系統(tǒng)的開發(fā)提供了一個模板，該模板能夠更準確，更廣泛地適用于包括醫(yī)學在內(nèi)的不同學科。診斷成像可能是應(yīng)用機器學習算法的第一個醫(yī)學學科之一，但其他領(lǐng)域，如