日前，第 104 届北美放射年会（RSNA）在美国芝加哥落下帷幕。作为放射领域的国际盛宴，RSNA 云集了全球*的科学家和医疗行业从业者。
自2016年开始，可以明显看到，如大数据、人工智能（AI）等新兴技术与放射科学的融合逐渐成为了RSNA*的亮点。AI可以通过计算机视觉技术，帮助识别医疗影像中的病变，其中肺结节的早期筛查就是AI在医学影像中应用的热门领域。
而今年的RSNA，关于人工智能的讨论几乎在会议的所有环节都更加明显，展区的多家供应商都在展示了自己的人工智能产品。毫无疑问，人工智能技术正在放射医疗中全面开花，而且逐渐从学术研究走向产品化，应用范围也在逐渐扩大。
在RSNA 2018的开幕式上，大会主席Vijay Rao教授指出，放射科医师会被新技术赋予更强大的力量，而不是被新技术取代。她指出，在未来的十年甚至是几年中，AI将在许多方面成为放射科医师的强大工具，比如缩短MRI成像所需要的时间，帮助减少患者暴露于辐射中的风险。
AI影像技术应用范围扩大
相比去年的RSNA，今年AI影像技术在应用上明显更加全面，不只局限于肺结节检测，在心脑类疾病检测中也大放异彩。
比如，Arterys公司展示了其Cardio AIMR系统，它可以分析MR图像来分析心血管血流量。虽然这一系统的分析结果不能用于决定或推荐某种治疗方案，或者分析出疾病特征，但却是医护人员在临床决策中的重要支持工具。
比利时Icometrix公司则开发了一套可以分析CT图像，来描绘脑损伤的系统。该系统使用深度学习算法量化分析CT图像中的基底池压缩、中线脑移位等（不仅可以预示头部损伤，还能预示严重程度）信息，分析出脑损伤的严重程度。
另外，加州大学旧金山分析的研究人员发布的研究显示，AI技术还可以提高大脑成像预测阿尔茨海默病的能力。研究人员用一种特殊的成像技术，即FDG-PET，对深度学习算法进行了训练。在 FDG-PET 扫描中，患者会注入一种放射性葡萄糖化合物 FDG，然后用PET可以测量脑细胞摄取 FDG 的情况，从而得到关于代谢活动的重要指标。
他们使用了来自1002位患者的超过2100例 FDG-PET 脑成像图，在90%的数据集上训练深度学习算法，然后在剩下的10% 的数据集上进行测试。通过深度学习，算法能够识别出阿尔茨海默病相关的代谢模式。
提升成像速度，减少影剂使用
不同于其它公司对医疗图像进行智能分析，斯坦福大学团队创立的Subtle Medical（深透医疗）将重点放在了提升医疗设备的成像速度，减少放射剂量上。
MRI、PET等成像技术既贵且耗时，而其中90%的成本和大量耗时其实都是在机器成像过程中，深透医疗的技术正是从机器成像过程切入，通过AI技术提升图像质量，让医疗机构可以在更少的时间内给更多的患者做检查、并减少放射剂量。
深透医疗在RSNA上展示了其AI影像处理平台，影像数据从设备端出来以后直接进入深透医疗系统，处理之后，进入PACS影像工作站供医师使用。据了解，深透医疗目前可以做到用AI技术加速MRI和PET成像过程4-10倍，并保证诊断级别的精确度。
除了使用AI增强成像速度与质量，深透医疗的创始人宫恩浩及其团队成员还发表了关于减少MRI造影剂使用量的研究、获得RSNA科研成果奖并成为10个RSNA官方宣传研究项目之一。
在使用MRI设备进行成像的过程中，患者需要注射造影剂（比如钆），从而帮助提高成像质量。钆是在进行MRI检测中会使用到的一种重金属，一般而言在成像完成后会被排出人体外。但最近的研究发现，使用某些种类的钆进行成像检查后，人体内仍会有微量残留。这种残留会带来的影响现在还不清楚，但在*限度提升MRI成像质量的同时，减少患者的潜在风险十分有必要。
宫恩浩的这项研究则可以用AI减少在MRI扫描中所用到的钆的剂量。他们在成像过程中使用了一种新的深度学习算法，结果显示，即使使用较低剂量的钆，也可以得到与全剂量没有明显差异的MRI成像结果。
较低量的影剂使用还有很多尚未被认识到的临床应用，现在通过AI的方式无疑可以获得更多信息。
用AI技术保护医学影像的安全
医疗成像设备极易受到网络攻击，使医疗和成像中心的系统存在严重的风险，导致数据会被外部窃取。甚至越来越多的智能分析工具，其本身也可能成为攻击的目标，让信任智能系统的医生和患者蒙受难以估量的损失。
自于苏黎世大学医院的研究团队，正在努力防止攻击者篡改X射线检查的结果。
研究人员训练了一个深度学习网络，它可以将显示有癌症症状的图像转换成健康图像，然后让放射科医生分析这些图像，看看他们能不能发现图像已经被篡改，结果放射科医生生无法发现。
虽然现在这样的安全状况还没出现，但以往放射科医生主要想的是分析图像数据，保护病人免受不必要的辐射。而当AI算法不可避免地进入临床常规时，我们将需要学习如何应对更多的安全状况。
另外，来自以色列本古里安大学的一组研究人员，还对提高CT设备安全性的方法进行了研究，他们开发了一个使用机器学习和深度学习的系统，可以检测是否有人试图发出了一些难以察觉的命令来操控CT设备，这一系统随后向有关各方发出警报。
产学研结合，产品化趋势明显
除了AI技术在医疗影像上的应用向纵深发展，产学研的结合以及AI技术的产品化也是这次RSNA的亮点。
今年的RSNA上，还举办了一场肺炎检测挑战赛（RSNA Pneumonia Detection Challenge）。参赛者的任务是开发出能在医学图像中自动检测肺炎的机器学习算法。通过竞赛的方式，可以上更多的研究者将自己的学术研究成果转换为切实可用的产品。
为此，RSNA组委会与美国国立卫生研究院、胸部放射学会STR，数据科学竞赛平台Kaggle，以及部分商业公司进行了合作，构建了一个肺炎数据集，通过标准化的数据集进一步检测技术的可行性。
在产品化上，上文提到的Arterys公司以及Icometrix公司，其产品均已经进入到FDA的认证流程中。在过去的一年时间里，深透医疗也与美国*医院进行了合作，在临床场景下测试其在MRI磁共振及PET核医学分子影像中的AI技术，现有产品已通过美国FDA和欧洲CE认证，另外，其也在与影像设备上、IT系统商、造影剂厂商等方面合作，将AI更大范围地应用在影像检查中。
从RSNA 2018的现场来看，放射科医师已经摆脱了对AI技术的忧虑阶段，意识到AI不可能取代医生，而是会增加医生的效率，对其争论也更多集中在怎样才是使用深度学习等算法的*方式。
但AI技术距离成为主流临床工具还需要解决很多问题，比如，AI软件如何与PACS集成？AI算法会在后台自动运行，只有在检测到可疑结果时才会通知放射科医师吗？又或者放射科医生会在需要时从PACS启动AI算法？医生又将如何获得算法？
但毫无疑问，AI技术可以帮助放射科医生提供更好的治疗，同时降低成本。正如RSNA大会主席Vijay Rao教授最后总结时所说，“我们需要拥抱人工智能，而不是害怕它。”
